ПРОВЕДЕНИЕ СРАВНИТЕЛЬНОГО АНАЛИЗА ДВУХ НЕЙРОННЫХ СЕТЕЙ EAST И PSENET В ЗАДАЧЕ ДЕТЕКЦИИ ТЕКСТА НА ИЗОБРАЖЕНИЯХ ПРЕЙСКУРАНТОВ (41-46)

DOI:

Дата публикации статьи в журнале: 2020/05/12

Название журнала: Евразийский Союз Ученых — публикация научных статей в ежемесячном научном журнале, Выпуск: 73, Том: 4, Страницы в выпуске: 41-46

Автор: Марков Андрей Владиславович
студент, Челябинский государственный университет,

Анотация: Большое разнообразие текстовых шаблонов и сильно загроможденный фон создают основную проблему точной текстовой локализации. В данном исследовании будет проведен сравнительный анализ существующих решений в области обнаружения текста на изображении, таких как EAST и PSENet. Обе модели показали схожие результаты в обнаружении текста. При этом модель EAST имеет преимущество в скорости, а модель PSEnet - лучше определяет области текста на низкокачественных изображениях.

Ключевые слова: EAST, PSENet,обнаружение текста ,

Данные для цитирования: Марков Андрей Владиславович . ПРОВЕДЕНИЕ СРАВНИТЕЛЬНОГО АНАЛИЗА ДВУХ НЕЙРОННЫХ СЕТЕЙ EAST И PSENET В ЗАДАЧЕ ДЕТЕКЦИИ ТЕКСТА НА ИЗОБРАЖЕНИЯХ ПРЕЙСКУРАНТОВ (41-46) // Евразийский Союз Ученых — публикация научных статей в ежемесячном научном журнале. Технические науки. 2020/05/12; 73(4):41-46.

Скачать в формате PDF

Список литературы: 1.He, Kaiming, et al. “Deep Residual Learning for Image Recognition.” 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, doi:10.1109/cvpr.2016.90. 2.Law, Hei, and Jia Deng. “CornerNet: Detecting Objects as Paired Keypoints.” International Journal of Computer Vision, vol. 128, no. 3, 2019, pp. 642–656., doi:10.1007/s11263-019-01204-1. 3.Lin, Tsung-Yi, et al. “Feature Pyramid Networks for Object Detection.” 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, doi:10.1109/cvpr.2017.106. 4.Ren, Shaoqing, et al. “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks.” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 6, 2017, pp. 1137– 1149., doi:10.1109/tpami.2016.2577031. 5.Tian, Zhi, et al. “Detecting Text in Natural Image with Connectionist Text Proposal Network.” Computer Vision – ECCV 2016 Lecture Notes in Computer Science, 2016, pp. 56–72., doi:10.1007/9783-319-46484-8_4. 6.Wang, Wenhai, et al. “Shape Robust Text Detection With Progressive Scale Expansion Network.” 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019, doi:10.1109/cvpr.2019.00956. 7.Xing, Linjie, et al. “Convolutional Character Networks.” 2019 IEEE/CVF International Conference on Computer Vision (ICCV), 2019, doi:10.1109/iccv.2019.00922. 8.Zhou, Xinyu, et al. “EAST: An Efficient and Accurate Scene Text Detector.” 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, doi:10.1109/cvpr.2017.283. 9.Jonathan Long, Evan Shelhamer, Trevor Darrell “Fully Convolutional Network for Semantic Segmentation”, https://arxiv.org/pdf/1411.4038.pdf 10. Kye-Hyeon Kim, Sanghoon Hong, Byungseok Roh, Yeongjae Cheon, Minje Park, at al. “PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection”, https://arxiv.org/pdf/1608.08021.pdf 11. Karen Simonyan, Andrew Zisserman, et al. “Very Deep Convolutional Networks for Large-Scale Image Recognition”, https://arxiv.org/pdf/1409.1556.pdf 12. Andreas Veit, Tomas Matera, Lukas Neumann, Jiri Matas, Serge Belongie “COCO-Text: Dataset and Benchmark for Text Detection and Recognition inNatural Images”, https://arxiv.org/pdf/1601.07140.pdf 13. D. Karatzas, L. Gomez, A. Nicolaou, S. Ghosh, A. Bagdanov, M. Iwamura, J. Matas, L. Neumann, V.R. Chandrasekhar, S. Lu, F. Shafait, S. Uchida, E. Valveny “ICDAR 2015 Competition on Robust Reading”, https://rrc.cvc.uab.es/files/Robust- Reading-Competition-Karatzas.pdf 14. Cong Yao, Xiang Bai, Wenyu Liu, Yi Ma, Zhuowen Tu “Detecting Texts of Arbitrary Orientations in Natural Images”,