Detección de texto en escenas consciente de la geometría con la red de transformación de instancias

Localizar texto en la naturaleza es un desafío en situaciones de disposiciones geométricas complicadas de los objetivos, como la orientación aleatoria y una gran relación de aspecto. En este trabajo, proponemos un enfoque de modelado consciente de la geometría adaptado para la representación de texto en escenas con un esquema de aprendizaje de extremo a extremo. En nuestro enfoque, se presenta una nueva Red de Transformación de Instancias (ITN) para aprender la representación consciente de la geometría que codifica las configuraciones geométricas únicas de las instancias de texto en escena con incrustación de transformación en la red, resultando en un marco robusto y elegante para detectar palabras o líneas de texto en una sola pasada. Se adopta una estrategia de aprendizaje multi-tarea de extremo a extremo con regresión de transformación, clasificación de texto/no texto y regresión de coordenadas en la ITN. Los experimentos en los conjuntos de datos de referencia demuestran la efectividad del enfoque propuesto en la detección de texto en escena en varias configuraciones geométricas.