赵 旭，赵朝阳，杜晓杰,2，张振清，刘松岩，郭海云，唐 明,2，王金桥,2

(1.中国科学院自动化研究所，北京100190;2.中国科学院大学，北京100049；3.铁道警察学院，河南 郑州450053；4.云南大学 信息学院,云南 昆明650504)

0 引言

场景文本检测一般是指将文本目标按矩形框或倾斜矩形框的形式定位出来，是文本识别的前序步骤。主流的场景文本检测算法采用面向图像分类任务的卷积神经网络作为主干网络。本文认为，由于文本形状的特殊性，现有方法所采用的主干网络结构并不适用于场景文本检测任务。

一方面，图像分类任务中的物体一般不会像文本有极大的宽高比。因此，图像分类网络的卷积核一般是方形的，例如3×3大小。在文本检测任务中，目标往往占据一块宽高比悬殊的狭长区域。这时，直接沿用方形卷积核在神经网络的理论感受野中引入了背景噪声，也会加大有效感受野[1]的收敛难度。

另一方面，图像分类网络一般层数越深准确率越高[2-4]，而本文认为由于文本目标的小尺寸特点，网络深度不宜过大，避免形成远大于目标尺寸的感受野。此外，文本检测网络的浅层网络层的宽度应该足够宽以容纳文本丰富的表观特征。

基于上述分析，提出了面向文本检测的十字感受野网络(CrossNet)，有效提高了文本检测性能。

1 十字感受野网络

十字感受野网络(CrossNet)是一种根据文本检测任务特点设计的网络结构，可以整合进任何现有的文本检测方法中。本节对其搭建细节进行了阐述。

1.1 十字感受野模块

为了处理文本检测的目标形状与主干网络感受野不匹配的问题，本文提出了采用不同宽高比的矩形卷积核来搭建网络的基础模块，然后通过堆叠该基础模块组合成具备合适感受野的主干网络，优化文本检测器的性能。……