[论文解读]|PAN:Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network

最新推荐文章于 2025-05-11 15:10:22 发布

一碗白开水一

最新推荐文章于 2025-05-11 15:10:22 发布

阅读量1.4k

点赞数

CC 4.0 BY-SA版权

分类专栏：计算机视觉论文阅读（持续更新）

本文链接：https://blog.csdn.net/weixin_43859829/article/details/105656414

计算机视觉论文阅读（持续更新）专栏收录该内容

34 篇文章

订阅专栏

本文介绍了PAN（Pixel Aggregation Network），一种旨在解决场景文本检测中速度与准确性问题的模型。PAN由FPEM（Fast Pyramid Encoding Module）和FFM（Feature Fusion Module）组成，能有效处理变化形状的文本。FPEM提供不同尺度的特征，FFM则对这些特征进行融合。模型通过Pixel Aggregation策略处理可能重叠的文本像素，并用损失函数确保文字区域、文本核及其相似向量的准确预测。实验结果显示，PAN在多个数据集上表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

题目：Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network
作者：Wenhai Wang, Enze Xie,Xiaoge Song, Yuhang Zang, Wenjia Wang, Tong Luy, Gang Yu, and Chunhua Shen

Motivation:
作者认为目前场景文字检测难点在于速度和效果间的差异，及变化形状的文字检测。作者在考虑速度与效果兼得的前提下提出PAN模型。

Method
在这里插入图片描述
作者提出如上图的pipeline的PAN方法。

PAN模型包括FPEM和FFM网络
**FPEM:**是一个可变大小的计算速度快的网络，以获得大小特征图的信息。

**FFM（特征整合模型）😗*对上面多个FPEM网络进行融合

最后通过上采样将它们Concatenate到一起。

模型最后预测三种信息：
1、文字区域
2、文字kernel
3、文字kernel的相似向量

Pixel Aggregation：
由于文字与文字可能出现部分重叠，作者采用Kernel的方法。使文字的像素与kernel的距离最小化，其Loss为：
在这里插入图片描述
其中，
$G(K_i)$ 就是相似向量，就用了聚类的思想，使各个文字的像素各成一类。（牛逼）
然而文字与文字间的kernel要保持一定的距离以区分开来，因此，作者又使用：

LossFunction:

其中文字区域和kernel预测loss为：
在这里插入图片描述
Experiment：
不多说，直接上图。

作者在多个数据集上做过实验，而且效果都不错，作者验证很充分。