آشکارسازی و بازشناسی یکپارچه متن از تصاویر طبیعی با به کارگیری فرهنگ لغت

 در سال های اخیرآشکارسازی و بازشناسی متن در تصاویر طبیعی به طور گسترده مورد مطالعه قرار گرفته است. در این پژوهش، یک سیستم مکان یابی متن در صحنه چندجهته مقاوم برای به دست آوردن بازدهی بالا در آشکارسازی متن بر اساس شبکه عصبی پیچشی(CNN) ارائه شده است. روش پیشنهادی شامل سه لایه استخراج ویژگی، ادغام ویژگی و خروجی می باشد. در لایه استخراج ویژگی، یک لایه ReLU بهبود یافته(i.ReLU)  معرفی شده است. همچنین به منظورآشکارسازی متون با ابعاد متنوع، یک لایه inception بهبود یافته (i.inception)  ارائه شده است. سپس، برای بهبود استخراج ویژگی از یک لایه اضافی استفاده شده است که ساختار پیشنهادی را قادر می سازد متون چندجهته حتی منحنی و عمودی را آشکارسازی نماید. همچنین، یک چارچوب خط لوله برای بازشناسی کاراکتر پیشنهاد نموده ایم. چارچوب خط لوله پیشنهادی شامل دو خط لوله موازی است که به طور هم زمان پردازش می شوند. خط لوله اول، متشکل از کلمات برش یافته و خط لوله دوم شامل زوایای متن می باشد. سپس، یک فرهنگ لغت جهت اصلاح خطای احتمالی کلمات بازشناسی شده استفاده نمودیم. آزمایش ها بر روی مجموعه داده های ICDAR ۲۰۱۳، ICDAR ۲۰۱۵ وICDAR ۲۰۱۹، نشان از برتری بارز سیستم پیشنهادی نسبت به کارهای پیشین دارد.

کلیدواژه ها:

مکان یابی متن در صحنه ، آشکارسازی تصویر متن ، چندجهته ، شبکه عصبی پیچشی ، بازشناسی متن ، بازشناسی یکپارچه متن ، فرهنگ لغت