Milyen képen belüli szövegdetekciós modellek (DBNet, EAST, CRAFT)?

A DBNet, EAST és CRAFT modern modellek az képekben lévő szöveg detektálására, amelyeket OCR (optikai karakterfelismerés) feladatokban használnak. Különböznek architektúrában és megközelítésben a szövegterületek kiemelésében.

• EAST (Hatékony és pontos jelenet szöveg detektor)

  • Konvolúciós neurális hálózatot használ, hogy téglalap alakú vagy irányított kereteket jósoljon a szövegterületek körül.
  • Gyors és pontos, jól alkalmas a természetes jelenetekben lévő szöveg detektálására.

• CRAFT (Karakter régió tudatosság a szöveg detektálásához)

  • Egyedi karakterek és kapcsolataik detektálására összpontosít.
  • Kiemeli a magas valószínűségű területeket, és összekapcsolja őket szavakká vagy sorokká.
  • Különösen hatékony összetett és heterogén szövegstruktúrák esetén.

• DBNet (Differenciálható binarizációs hálózat)

  • Differenciálható binarizációt használ a szövegterületek szegmentálásának minőségének javítására.
  • Pontosabb szöveg régiók detektálását teszi lehetővé, különösen összetett háttéren.

Ezek a modellek általában az OCR rendszerek első lépéseként használatosak — a szöveg lokalizálására, majd a karakterfelismerésre.

CRAFT használati példája:

• Egy kép bemenetként kerül be.
• A modell valószínűségi térképeket generál a karakterekről és kapcsolataikról.
• Ezek alapján határoló dobozokat alkotnak szavak vagy sorok számára.

A modell kiválasztása a feladattól függ: az EAST gyors detektálásra jó, a CRAFT összetett szövegstruktúrákra, a DBNet pedig pontos szegmentálásra.