高解像度画像は特徴スケールの差異が大きいという特性を持っています。これにより細粒度特徴の取得が困難であり、多尺度特徴の融合が不十分となる問題に対処するため、共有カーネル拡張畳み込みと注意機構誘導型FPN（Kernel-Sharing Dilated Convolutions and Attention-guided FPN、KDA-FPN）を用いた複雑シーンテキスト検出手法を提案します。最小交差（Intersection Over Minimum、IOM）後処理戦略を提案し、テキストの縦横比の大きな変動によるマスクの重なり現象を改善し、検出性能を向上させます。まず、モデルはResnet50をバックボーンとしてFPN構造で多尺度特徴を抽出します。次に、拡張畳み込みを用いて特徴の受容野を拡大し、多尺度情報の捕捉能力を高め、細粒度テキスト特徴を深く掘り下げ、共有カーネル方式でモデルパラメータ数を削減し計算コストを低減します。同時に、コンテキスト注意モジュール（Context Attention Module、CxAM）で複数の受容野間の意味情報関係を捕捉し、コンテンツ注意モジュール（Content Attention Module、CnAM）でターゲットの位置情報を正確に特定し、多尺度融合能力を強化して特徴マップの品質を向上させます。最後に、同一テキスト領域で予測された候補ボックスをサイズ順に並べ、大きいボックスとその隣接テキストボックス間の交差領域の面積が小さいボックスの面積に占める割合を候補ボックスのフィルタリング指標として提案し、検出結果のマスク重複現象を抑制してテキストの精密検出を実現します。ICDAR2013、ICDAR2015、Total-Textデータセットで比較実験を行い、本モデルの水平テキスト検出における精度および再現率はそれぞれ95.3および90.4、傾斜テキスト検出では87.1および84.2、任意形状テキスト検出では69.6および57.3となりました。提案アルゴリズムは画像解像度、テキスト形状および長さの影響を効果的に克服し、検出精度を向上させ、より正確なテキスト境界を得ました。

テキスト検出;注意機構構造;共有カーネル拡張畳み込み;特徴ピラミッドネットワーク