李益紅，陳袁宇

海南大學(xué) 計(jì)算機(jī)與網(wǎng)絡(luò)空間安全學(xué)院，?？?570228

自然場景圖像中的文字包含著豐富的語義信息，準(zhǔn)確地提取文字信息對(duì)于機(jī)器場景理解、人工智能發(fā)展、工業(yè)自動(dòng)化生產(chǎn)等行業(yè)有著重要的推動(dòng)作用。因此，對(duì)場景文字檢測(cè)技術(shù)的研究非常重要。近10 年來，廣大研究者進(jìn)行了大量有關(guān)場景文字檢測(cè)方法的相關(guān)研究，并取得了一定成果。場景文字檢測(cè)方法通常可分為傳統(tǒng)場景文字檢測(cè)方法和深度學(xué)習(xí)場景文字檢測(cè)方法兩種[1-2]。由于場景文字的特殊性：（1）自然環(huán)境背景復(fù)雜多變性；（2）文字排列、字體、字號(hào)、長度、尺度等呈現(xiàn)多樣性；（3）光照條件不確定性。傳統(tǒng)場景文字檢測(cè)方法無法有效地解決這些問題。因此，近幾年來，深度學(xué)習(xí)場景文字檢測(cè)算法研究成為場景文字檢測(cè)的研究熱點(diǎn)，并取得了突破性的進(jìn)展[3-4]。

1 深度學(xué)習(xí)場景文本檢測(cè)方法

1.1 基于回歸的文本檢測(cè)方法

基于回歸的文本檢測(cè)方法目的是采用深度學(xué)習(xí)框架對(duì)要檢測(cè)的文本目標(biāo)定位坐標(biāo)進(jìn)行回歸。據(jù)檢測(cè)過程、特點(diǎn)不同[5-6]，將基于回歸的方法分為自頂向下和自底向上的檢測(cè)方法。

1.1.1 自頂向下方法

自頂向下的方法是將文本行視為一種檢測(cè)目標(biāo)，利用目標(biāo)檢測(cè)網(wǎng)絡(luò)直接檢測(cè)出文本行的坐標(biāo)。自頂向下方法可以根據(jù)是否預(yù)設(shè)anchor 分為間接回歸與直接回歸方法。

（1）間接回歸法

間接回歸法的思路是在特征圖上預(yù)先設(shè)置一系列不同形狀、大小的候選框，利用網(wǎng)絡(luò)學(xué)習(xí)相對(duì)于候選框的偏移的文本框的坐標(biāo)，消除錯(cuò)誤的候選框。常用的網(wǎng)絡(luò)框架有 Faster R-CNN[7]、SSD[8]和 YOLOV3[9]，其處理流程如圖1所示。

間接回歸法的的主要研究路線是設(shè)計(jì)適合文本檢測(cè)的候選框和卷積核。針對(duì)正矩形無法很好地描述任意形狀文本的問題，四點(diǎn)多邊形[10]、旋轉(zhuǎn)正矩形[11]、多點(diǎn)多邊形[12]等描述方式被提出，針對(duì)文本行大多為長條狀的觀察，長條狀的滑動(dòng)窗口和卷積核被提出[13-14]。此外，通過循環(huán)神經(jīng)網(wǎng)絡(luò)自適應(yīng)地決定包圍框點(diǎn)的個(gè)數(shù)進(jìn)一步提升了多點(diǎn)多邊形的表示效率[15]，基于尺度的區(qū)域建議網(wǎng)絡(luò)技術(shù)解決了建議區(qū)域無法覆蓋多尺度文本行的問題[16]。

圖1 間接回歸法流程圖

上述間接回歸方法雖然大多采用了多邊形描述文本框，但是其回歸方式仍然存在顯著差異，多采用正矩形滑動(dòng)窗口，回歸多邊形頂點(diǎn)到矩形中心[12]或頂點(diǎn)[13-14]的距離，也有則直接采用多邊形作為滑動(dòng)窗口，回歸多邊形最小外接矩形中心到多邊形頂點(diǎn)的距離[10]以及旋轉(zhuǎn)正矩形作為滑動(dòng)窗口，通過回歸角度[11]實(shí)現(xiàn)多方向文本檢測(cè)。此外，雖然多邊形滑動(dòng)窗口的方法靈活性強(qiáng)，但是需要實(shí)現(xiàn)更多自定義操作，如多邊形iou 計(jì)算和多邊形區(qū)域池化等。因此，大多數(shù)方法仍然是在正矩形的基礎(chǔ)上進(jìn)行回歸。

（2）直接回歸法

在2016年首次提出的直接回歸方法是指不需要在特征圖上預(yù)先設(shè)置的一系列候選框，直接將特征圖通過網(wǎng)絡(luò)框架檢測(cè)出文本行的坐標(biāo)[17-18]。常用的網(wǎng)絡(luò)框架有Corner-Net[19]、FCOS[20]，其處理流程圖如圖2所示。

圖2 直接回歸法流程圖

在最早提出的方法中直接回歸了特征圖錨點(diǎn)到定位框頂點(diǎn)的距離，但是受限于特征圖感受野，對(duì)于長文本任意形狀文本效果不佳。為了避免感受野范圍導(dǎo)致的檢測(cè)失敗，改變回歸目標(biāo)的方法被廣泛使用，有回歸錨點(diǎn)到邊界的距離的方法[21-22]，也有回歸錨點(diǎn)到貝塞爾曲線控制點(diǎn)的方法[23]。目前，直接回歸法的主要研究路線是針對(duì)長文本曲線文本等提高檢測(cè)精度。此外，針對(duì)長文本檢測(cè)采用迭代修正提升檢測(cè)精度[24]，引入隱式錨點(diǎn)機(jī)制提升準(zhǔn)確率[25]。

上述直接回歸法為了解決長文本檢測(cè)的問題提出了各種方法，可以看出一個(gè)發(fā)展趨勢(shì)為改進(jìn)回歸目標(biāo)。其中，回歸到最近邊界距離的方法對(duì)小文本，長文本兩端的檢測(cè)效果不理想[21]，并且需要復(fù)雜的標(biāo)簽生成過程和后處理過程[22]，回歸曲線控制點(diǎn)[23]的方式對(duì)于控制點(diǎn)的坐標(biāo)非常敏感，在文本密集、重疊等情況下曲線變形明顯。除此之外，還有通過注意力機(jī)制提升感受野，提高長文本檢測(cè)的方法。

間接回歸方式因?yàn)橐肓薬nchor，使得整體框架復(fù)雜，需要針對(duì)場景文字重新設(shè)計(jì)anchor，但其準(zhǔn)確率比直接回歸的方法高。直接回歸的方法整體流程簡單，但是受限于特征圖每個(gè)點(diǎn)的感受野，無法對(duì)長文本進(jìn)行檢測(cè)，需要針對(duì)長文本進(jìn)行額外的處理。兩種方法的優(yōu)缺點(diǎn)如表1所示。

表1 間接回歸和直接回歸的優(yōu)缺點(diǎn)對(duì)比

1.1.2 自底向上方法

自底向上方法思路來源于傳統(tǒng)方法的連通區(qū)域，該方法將字符或者文本區(qū)域作為檢測(cè)目標(biāo)，使用通用目標(biāo)檢測(cè)框架（Faster R-CNN、YOLO、SSD等）等進(jìn)行檢測(cè)，最后通過后處理合成文本行。自底向上方法可分為文本區(qū)域檢測(cè)和字符級(jí)檢測(cè)方法。

（1）文本區(qū)域檢測(cè)方法

文本區(qū)域檢測(cè)方式是首先采用通用目標(biāo)檢測(cè)框架檢測(cè)出部分文本行，再采用后處理的方式，得到完整文本行，避免直接回歸長文本。Tian 等人[26]首次提出了Connection Text Proposal Network（CTPN）文本區(qū)域檢測(cè)方法，但該方法后處理算法只能用于水平文本檢測(cè)。文本區(qū)域檢測(cè)方法如圖3所示。

圖3 文本區(qū)域檢測(cè)方法流程圖

文本區(qū)域檢測(cè)法的主要研究方向?yàn)樵O(shè)計(jì)合適的后處理算法來適應(yīng)場景文本。針對(duì)多方向的場景文字和密集文本檢測(cè)，提出了利用網(wǎng)絡(luò)學(xué)習(xí)檢測(cè)到的文本區(qū)域間連接關(guān)系進(jìn)行后處理的片段連接（Seglink）法[27]和采用最小生成樹算法生成檢測(cè)框，并已經(jīng)公開了商品密集文本數(shù)據(jù)集（DAST1500）的seglink++法[28]。此外，針對(duì)文本字符間距過遠(yuǎn)，采用了圖神經(jīng)網(wǎng)絡(luò)對(duì)檢出的文本區(qū)域進(jìn)行聚類[29]。

對(duì)于文本區(qū)域檢測(cè)方法，最大的問題就是預(yù)處理和后處理的過程十分復(fù)雜，并且針對(duì)不同的應(yīng)用場景，需要不同的后處理方法。但文本區(qū)域檢測(cè)法可以針對(duì)文本字符間距過大等特殊情況進(jìn)行檢測(cè)。

（2）字符級(jí)檢測(cè)方法

字符級(jí)檢測(cè)方法是將文本行的最小組成單位字符作為檢測(cè)目標(biāo)，有著文本區(qū)域檢測(cè)方法的優(yōu)勢(shì)，并且可以更好地檢測(cè)不規(guī)則文本和變形文本，但字符級(jí)檢測(cè)的方法需要解決數(shù)據(jù)集不足的問題，檢測(cè)過程如圖4所示。

圖4 字符級(jí)檢測(cè)流程圖

字符檢測(cè)方法的主要研究方向是設(shè)計(jì)合適的弱監(jiān)督訓(xùn)練方法解決訓(xùn)練數(shù)據(jù)不足的問題，而將弱監(jiān)督的檢測(cè)結(jié)果判定為正并且用于訓(xùn)練的標(biāo)準(zhǔn)各不相同，有采用基于字符數(shù)據(jù)集的預(yù)訓(xùn)練模型檢測(cè)文本行標(biāo)注的數(shù)據(jù)集，將置信度高的結(jié)果作為正樣本加入訓(xùn)練[30]，以及在此基礎(chǔ)上利用文本行短邊固定的先驗(yàn)知識(shí)修正預(yù)測(cè)框提高精度[31]，也有將單個(gè)文本實(shí)例檢出字符數(shù)與標(biāo)注字符數(shù)相同的視為正確結(jié)果用于訓(xùn)練[32]。此外，隨著技術(shù)的發(fā)展，采用字符聚類的后處理[31]和將識(shí)別問題轉(zhuǎn)化為字符分類問題[32]，實(shí)現(xiàn)了任意形狀文本檢測(cè)并為場景文字識(shí)別提供了新思路。

文本區(qū)域檢測(cè)方法對(duì)與背景具有相同模式的文字檢測(cè)可能會(huì)失敗，并且對(duì)于變形文本檢測(cè)效果一般，但是其訓(xùn)練標(biāo)簽很容易得到。字符檢測(cè)的方法由于數(shù)據(jù)集稀少，訓(xùn)練過程復(fù)雜，但由于字符是文本組成的最小單位，因此可以根據(jù)不同的后處理實(shí)現(xiàn)任意形狀文本檢測(cè)。兩者優(yōu)缺點(diǎn)如表2所示。

表2 文本區(qū)域檢測(cè)和字符檢測(cè)優(yōu)缺點(diǎn)對(duì)比

自頂向下檢測(cè)方法的優(yōu)點(diǎn)是框架簡單，訓(xùn)練過程相對(duì)簡單，不需要復(fù)雜的后處理、標(biāo)簽生成過程，但是受限于anchor或者感受野，無法直接實(shí)現(xiàn)小文本或長寬比例很大的文本行的檢測(cè)。自底向上的方法優(yōu)點(diǎn)為不需要考慮文本行比例，缺點(diǎn)是后處理過程復(fù)雜。隨著自頂向下方法對(duì)于長文本檢測(cè)的不斷優(yōu)化，自底向上方法目前更偏向解決一些復(fù)雜問題，如招牌文本檢測(cè)，自底向上方法中的字符檢測(cè)則可以將文本識(shí)別轉(zhuǎn)換為字符分類任務(wù)，拓展了場景文字識(shí)別的思路。

1.2 基于分割的文本檢測(cè)方法

基于分割的檢測(cè)方法是通過網(wǎng)絡(luò)檢測(cè)得到文本區(qū)域分割圖，然后采用后處理得到文本框。由于目前文字?jǐn)?shù)據(jù)集通常采用文本行形式標(biāo)注，采用分割檢測(cè)方法將導(dǎo)致訓(xùn)練時(shí)字符間的無關(guān)像素也被標(biāo)注為字符，導(dǎo)致分割結(jié)果中出現(xiàn)相鄰文本行粘連。檢測(cè)過程如圖5 所示。因此，基于分割方法優(yōu)點(diǎn)是其分割結(jié)果包含了文本的方向、位置、長度等信息，不需要額外考慮長文本、變形文本的特性，但其分割初始結(jié)果容易粘連。

圖5 基于分割的檢測(cè)方法流程以及效果

近年來，文本行粘連的解決方案有：

（1）文本中心標(biāo)注，是指通過縮小文本行的方式使得相鄰文本行遠(yuǎn)離，利用文本中心的信息區(qū)分相鄰文本實(shí)例，最后在分割的結(jié)果上進(jìn)行擴(kuò)展得到最終文本行的方法，包括通過將文本行中心固定高度的區(qū)域視為文本中心并采用高斯分布標(biāo)注[33-34]，區(qū)分多種不同尺度的中心文本行[35]，以及在此基礎(chǔ)上通過嵌入形狀感知提高對(duì)長文本檢測(cè)精度[36]。

（2）自定義像素間關(guān)系，是指在網(wǎng)絡(luò)輸出分割結(jié)果時(shí)，同時(shí)輸出像素間自定義的某種關(guān)系，利用該關(guān)系對(duì)分割結(jié)果進(jìn)行后處理，可以通過在輸出文本區(qū)域的同時(shí)為每個(gè)像素學(xué)習(xí)一個(gè)與周圍八個(gè)像素的連接關(guān)系，最后采用最小面積矩形生成文本框[37]或是為相鄰文本行邊緣像素學(xué)習(xí)一個(gè)排斥關(guān)系用于指導(dǎo)后處理[38]。此外，采用可學(xué)習(xí)的像素聚合網(wǎng)絡(luò)[39]（PAN）和可微分二值化操作[40]（DB）應(yīng)用于分割網(wǎng)絡(luò)中，實(shí)現(xiàn)了對(duì)重疊文字的檢測(cè)和在分割圖上自適應(yīng)的閾值以簡化后處理。

（3）半監(jiān)督地?cái)U(kuò)充字符級(jí)別的訓(xùn)練樣本。Baek 等人[5]提出字符級(jí)文本分割方法，該方法首先采用半監(jiān)督學(xué)習(xí)擴(kuò)充字符級(jí)，之后采用字符分割的方式解決無關(guān)像素帶來的邊緣問題，并且同時(shí)學(xué)習(xí)了一個(gè)字符間的親密程度來實(shí)現(xiàn)字符的連接。

以上三種方法中，自定義像素之間關(guān)系成為了近兩年的主流，該方法不同于文本區(qū)域中心標(biāo)注，充分挖掘了不同區(qū)域像素之間的關(guān)系，為后處理提供了可靠的指導(dǎo)。但是該方法需要復(fù)雜的標(biāo)簽生成過程以及相應(yīng)的后處理，總體流程復(fù)雜，并且依賴于自定義關(guān)系的可靠性。

文本中心標(biāo)注的方式提出最早，該方法雖然有著無法充分利用邊緣文本信息的問題，但是可以使得相鄰文本很明顯地區(qū)分開來，從目前研究來看，該方法仍然是分割檢測(cè)方法的研究熱點(diǎn)，并且廣泛應(yīng)用于各類基于分割的文本檢測(cè)算法中，和自定義像素關(guān)系的方法并不沖突。

字符級(jí)別的分割出發(fā)點(diǎn)與另外兩種不相同，該方法將文本行視為由字符組成的，通過字符分割避免了訓(xùn)練過程中引入字符間無關(guān)像素的問題，和基于檢測(cè)的方法思路類似，從另一種角度解決了粘連。

1.3 回歸分割混合檢測(cè)方法

基于回歸的方法存在著感受野無法覆蓋大文本的問題，而基于分割的方法則可以對(duì)全體文本做大致的分割，因此，研究者根據(jù)回歸和分割方法的特點(diǎn)，提出了兩者混合的方法，既解決了感受野的問題，又解決了分割邊緣不準(zhǔn)確的問題。

混合方法的主要研究方向?yàn)槿绾斡行ЫY(jié)合檢測(cè)和分割，以及檢測(cè)和分割本身的研究方向。目前多數(shù)方法采用類似Mask R-CNN的先檢測(cè)后分割的流程，包括通過采用高斯分布填充分割標(biāo)簽的金字塔掩模網(wǎng)絡(luò)[41]和在骨干網(wǎng)絡(luò)中加入了inception 模塊以及可變形卷積提升任意方向文字檢測(cè)效果[42]；也可以在檢測(cè)過程中通過設(shè)計(jì)自適應(yīng)的區(qū)域建議網(wǎng)絡(luò)產(chǎn)生候選區(qū)域，在分割過程中對(duì)文本的水平和豎直方向的輪廓進(jìn)行分割，最后融合得到精準(zhǔn)的預(yù)測(cè)結(jié)果來提升檢測(cè)分支性能提高最終效果[43]；而針對(duì)場景文字的特點(diǎn)，提出了對(duì)分割分支進(jìn)行順序無關(guān)包圍框分解的方法，在Mask R-CNN的基礎(chǔ)上新增用于檢測(cè)文本關(guān)鍵邊的模塊，提升了長文本檢測(cè)效果[44]；此外，通過同時(shí)進(jìn)行角點(diǎn)檢測(cè)和語義分割，將分割作為檢測(cè)結(jié)果的評(píng)價(jià)指標(biāo)，利用語義分割的結(jié)果為每個(gè)檢測(cè)框打分來得到結(jié)果，通過剔除分割分?jǐn)?shù)過低的檢測(cè)結(jié)果提升了檢測(cè)準(zhǔn)確率[19]。

綜上所述，回歸分割混合檢測(cè)方法的研究主要關(guān)注在回歸分支和檢測(cè)分支的融合，上面提到的大多數(shù)方法將分割分支作為檢測(cè)結(jié)果的修正手段。因此，基于分割回歸混合方法優(yōu)點(diǎn)是可有效地融合前兩種方法的優(yōu)點(diǎn)，實(shí)現(xiàn)更好的檢測(cè)效果，但也導(dǎo)致網(wǎng)絡(luò)框架更復(fù)雜。

1.4 小結(jié)

綜上所述，基于間接回歸方法的改進(jìn)主要通過改變檢測(cè)方向產(chǎn)生自適應(yīng)任意形狀文本行的anchor，以及簡化模型等。基于直接回歸方法的改進(jìn)是通過融入注意力或者改變回歸目標(biāo)等方式提升直接回歸法對(duì)長文本的檢測(cè)效果。因此，基于回歸的方法一般通過改變通用目標(biāo)檢測(cè)模型使得適合場景文本檢測(cè)，其發(fā)展趨勢(shì)與通用目標(biāo)檢測(cè)相同。基于分割的方法的研究主要通過設(shè)計(jì)合理的后處理算法解決分割文本的粘連問題，其研究方向主要關(guān)注在提取更好的像素間關(guān)系，以及簡化后處理流程等?；诨貧w分割混合方法有效地結(jié)合了兩者優(yōu)點(diǎn)，主要思路有：（1）采用通用檢測(cè)框架進(jìn)行檢測(cè)，并在檢測(cè)基礎(chǔ)上進(jìn)行文字分割；（2）也有將分割信息作為評(píng)價(jià)指標(biāo)篩選檢測(cè)結(jié)果，提高檢測(cè)準(zhǔn)確率的。

2 檢測(cè)方法性能評(píng)價(jià)指標(biāo)

目前，常用的場景文本檢測(cè)算法的性能評(píng)價(jià)指標(biāo)包括：檢測(cè)速度（幀/s）、準(zhǔn)確率(P)、召回率(R)和綜合評(píng)價(jià)指標(biāo)(F)。

（1）檢測(cè)準(zhǔn)確率(P)

檢測(cè)準(zhǔn)確率是統(tǒng)計(jì)場景文字圖像通過網(wǎng)絡(luò)框架檢測(cè)后，正確預(yù)測(cè)文本框數(shù)與總預(yù)測(cè)文本框比值，計(jì)算公式如式（1）所示：

其中，TP為網(wǎng)絡(luò)輸出的正確預(yù)測(cè)數(shù)，F(xiàn)P為錯(cuò)誤預(yù)測(cè)數(shù)。正確預(yù)測(cè)與錯(cuò)誤預(yù)測(cè)的判定過程是假設(shè)網(wǎng)絡(luò)對(duì)于一張圖像的檢測(cè)結(jié)果為{(bi,pi)}，其中bi為預(yù)測(cè)的包圍框，pi為置信度，i為索引，那么第i個(gè)預(yù)測(cè)在滿足以下條件時(shí)為真：

①pi＞α，其中α為置信度閾值，一般為0.7。

即第i個(gè)預(yù)測(cè)在置信度大于置信度閾值且與任意標(biāo)注框IOU值大于IOU閾值的情況下為真，否則為假。

（2）召回率(R)

召回率是網(wǎng)絡(luò)輸出的正樣本個(gè)數(shù)與標(biāo)注正樣本個(gè)數(shù)的比值，又稱查全率，計(jì)算公式如式（2）所示：

表3 常用數(shù)據(jù)集介紹與下載方式

其中，F(xiàn)N為網(wǎng)絡(luò)未能檢測(cè)到的正樣本，TP+FN為所有標(biāo)注的真實(shí)樣本。

（3）綜合評(píng)價(jià)指標(biāo)(F)

綜合評(píng)價(jià)指標(biāo)是準(zhǔn)確率P和召回率R的調(diào)和平均，計(jì)算公式如式（3）所示：

其中，P是準(zhǔn)確率，R是召回率。

3 數(shù)據(jù)集

目前，場景文字檢測(cè)領(lǐng)域有著若干公開數(shù)據(jù)集，常用數(shù)據(jù)集如表3所示。

4 結(jié)束語

本文對(duì)近5 年（2016—2020 年）來深度學(xué)習(xí)場景文字檢測(cè)的主流方法進(jìn)行了梳理、分類、歸納，以及分析、評(píng)述了各類方法的優(yōu)缺點(diǎn)?；谝陨匣A(chǔ)，提出了未來場景文字檢測(cè)領(lǐng)域的研究趨勢(shì)：

（1）對(duì)準(zhǔn)確度與速度的權(quán)衡

隨著場景文字檢測(cè)的廣泛應(yīng)用，單純地提升檢測(cè)準(zhǔn)確度已經(jīng)不再是唯一的研究目的，實(shí)時(shí)檢測(cè)將會(huì)是場景文字檢測(cè)研究的另一個(gè)目標(biāo)，因此，通過模型剪枝，框架優(yōu)化得到一個(gè)速度、準(zhǔn)確度都很好的模型將是學(xué)術(shù)界和工業(yè)界都關(guān)注的熱點(diǎn)問題。

（2）對(duì)長文本的檢測(cè)

自底向上方法對(duì)于長文本的檢測(cè)取決于相應(yīng)的后處理算法，目前該方法更傾向于解決復(fù)雜問題，如招牌識(shí)別這種字符間距大的場景，采用圖神經(jīng)網(wǎng)絡(luò)充分挖掘文本區(qū)域或字符間的關(guān)系是一個(gè)發(fā)展趨勢(shì)。而自頂向下方法則傾向于檢測(cè)流程的簡化，在檢測(cè)長文本的同時(shí)提升對(duì)于小文本任意形狀文本的檢測(cè)效果是發(fā)展趨勢(shì)。

（3）對(duì)多樣性、有損場景文字的檢測(cè)定位

由于場景文字的方向、形狀、字體、字號(hào)等呈多樣性，多樣性場景文字檢測(cè)將依然是場景文字檢測(cè)研究的重點(diǎn)。低對(duì)比度、強(qiáng)光暈、模糊、遮擋等有損現(xiàn)象是場景文字圖像中的常見狀況，但還沒有研究者開展以上方面的場景文字檢測(cè)工作，有損場景文字的檢測(cè)定位研究幾乎是一片空白，也缺少相應(yīng)數(shù)據(jù)集支撐，因此，有損場景文字的檢測(cè)定位研究將是下個(gè)待解決的難點(diǎn)，在此方面，超分辨率重構(gòu)是一個(gè)可行的研究方向。

（4）對(duì)檢測(cè)網(wǎng)絡(luò)模型的泛化

目前，研究者基本上是以公開數(shù)據(jù)集或特定領(lǐng)域（如車牌識(shí)別、拍照翻譯等）為基礎(chǔ)開展場景文字檢測(cè)研究。數(shù)據(jù)集的不完整性，將會(huì)影響檢測(cè)網(wǎng)絡(luò)模型的泛化，導(dǎo)致模型的局限性，在此方向上，可以采用遷移學(xué)習(xí)進(jìn)行模型的遷移。

（5）多語種文本檢測(cè)

目前，大多數(shù)場景文字檢測(cè)數(shù)據(jù)集都是單一語種（或少量語種），檢測(cè)方法更多地研究單一語種的檢測(cè)問題，但隨著國際化發(fā)展以及地球村合作，多語種場景文字?jǐn)?shù)據(jù)集的建設(shè)與檢測(cè)將是未來的研究重點(diǎn)與熱點(diǎn)。