- 类似于faster rcnn的二阶段检测算法，通过anchor作为中间元素进行回归；不同之处是增加了LSTM单元；
- anchor 固定宽度为16个像素，高度设定为10个值；
- IOU的计算，由于anchor指定宽度16，所以对GoundTruth的坐标也进行变换，得到宽度为16的GT。和faster rcnn一样计算anchor与GT的IOU；
- RPN为LSTM输出序列经fc后得到部分；
- proposal直接与网络的预测值计算损失。proposal不涉及pooling操作。
- loss
- 预测时，对预测框先进行nms得到固定宽度的栅格框
- 合并栅格框——文本线构造算法
参考文献：
- 场景文字检测—CTPN原理与实现
- 深度学习-TextDetection
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/220725.html原文链接：https://javaforall.net
