Imagens de alta resolução apresentam características com grandes diferenças de escala. Para lidar com os problemas de dificuldade na captura de características finas e má fusão de características multiescala, propõe-se um método de detecção de texto em cenas complexas baseado em convoluções dilatadas com núcleo compartilhado e FPN guiado por atenção (Kernel-Sharing Dilated Convolutions and Attention-guided FPN, KDA-FPN); propõe-se uma estratégia de pós-processamento de interseção sobre o mínimo (Intersection Over Minimum, IOM) para melhorar o fenômeno de sobreposição de máscaras causado pela grande variação da proporção de aspecto do texto, aprimorando a eficácia da detecção. Primeiramente, o modelo utiliza Resnet50 como rede principal com estrutura FPN para capturar características multiescala; em seguida, utiliza convoluções dilatadas para expandir o campo receptivo das características, aumentar a capacidade de captura multiescala de informações, extrair características finas de texto em profundidade, e através do compartilhamento de núcleo reduzir o número de parâmetros do modelo e o custo computacional; ao mesmo tempo, utiliza um módulo de atenção contextual (Context Attention Module, CxAM) para capturar as relações semânticas entre múltiplos campos receptivos, e um módulo de atenção de conteúdo (Content Attention Module, CnAM) para localizar com precisão a posição do alvo, reforçando a capacidade de fusão multiescala e melhorando a qualidade do mapa de características; finalmente, as caixas candidatas previstas para a mesma região de texto são ordenadas por tamanho, propondo o uso da proporção da área da interseção entre a maior caixa e a área entre caixas de texto adjacentes em relação à área da caixa menor como índice para filtrar as caixas candidatas, inibindo o fenômeno de sobreposição de máscaras nos resultados da detecção e alcançando a detecção precisa do texto. Experimentos comparativos foram realizados nos conjuntos de dados ICDAR2013, ICDAR2015 e Total-Text; os resultados mostram que a precisão e o recall para detecção de texto horizontal são 95,3 e 90,4, respectivamente; para texto inclinado, 87,1 e 84,2; para texto de forma arbitrária, 69,6 e 57,3. O algoritmo proposto supera efetivamente os impactos da resolução da imagem, forma e comprimento do texto, melhorando a precisão da detecção e obtendo contornos de texto mais precisos.

detecção de texto; estrutura de atenção; convoluções dilatadas de núcleo compartilhado; rede piramidal de características