今天跟大家推薦一個Github項(xiàng)目，來自NAVER Clova AI Research的hwalsuklee同學(xué)匯總了近幾年的基于深度學(xué)習(xí)進(jìn)行文本檢測、識別的論文、代碼、數(shù)據(jù)集、教程資源，非常值得參考。

https://github.com/hwalsuklee/awesome-deep-text-detection-recognition

該項(xiàng)目不是簡單的網(wǎng)址羅列，作者還很用心的將各個算法在公認(rèn)標(biāo)準(zhǔn)測試集上的精度也一并列出，方便一目了然進(jìn)行算法比較。

作者首先統(tǒng)計了深度學(xué)習(xí)OCR方向的文獻(xiàn)：

可見這個方向基于深度學(xué)習(xí)的技術(shù)是大勢所趨。

按研究方向，在這些論文中，尤以文本檢測的數(shù)量最多，占比達(dá)48.9%，其次是文本識別21.7%，端到端文本識別占比14.1%。

文本檢測匯總

在下圖表格中，IC3代表該算法在ICDAR2013數(shù)據(jù)集上的精度，IC15代表該算法在ICDAR2015數(shù)據(jù)集上的精度，PRJ代表項(xiàng)目主頁，CAFFE/TF等代表使用深度學(xué)習(xí)框架Caffe/TensorFlow等實(shí)現(xiàn)的代碼。

從中我們可以看出，在ICDAR2013和ICDAR2015數(shù)據(jù)集上均為來自CVPR 2018的論文《FOTS: Fast Oriented Text Spotting with a Unified Network》取得了最高的精度，分別是0.925和0.8984，這是商湯科技的工作，代碼已經(jīng)開源。

下面是作者用論文發(fā)表時間和相應(yīng)精度制作的散點(diǎn)圖，可見該領(lǐng)域算法精度幾乎是以45度角直線上升式發(fā)展。

文本識別匯總

文本識別的精度是在四個數(shù)據(jù)集上比較的，如下圖。

在四個數(shù)據(jù)集上，綜合表現(xiàn)最好的當(dāng)屬《ASTER: An Attentional Scene Text Recognizer with Flexible Rectification》，這篇文章發(fā)表于PAMI2018，來自華中科技大學(xué)白翔老師組，代碼也開源了。

下面是來自兩個數(shù)據(jù)集的散點(diǎn)圖，同樣識別技術(shù)也幾乎以45度角直線式發(fā)展。

端到端文本識別

即包含文本檢測與識別的全流程的算法。

綜合看，來自商湯科技的FOTS和來自華科的Mask TextSpotter都很優(yōu)秀。

值得注意的是Mask TextSpotter算法也已經(jīng)開源了

（https://github.com/lvpengyuan/masktextspotter.caffe2），此處沒有列出。

下圖為端到端文本識別的精度-發(fā)表時間散點(diǎn)圖，相比之下，近兩年的提升并不是很明顯。

文本識別相關(guān)的其他方向

包括數(shù)據(jù)集、文本檢索、字體變換、文檔版面分析等。

作者還列出了該領(lǐng)域其他人做的資源總結(jié)和相關(guān)教程資源。

最后附上來自商湯科技的FOTS算法的Demo視頻，看看它到底多強(qiáng)大。

@我愛計算機(jī)視覺