A Text Detection Method Based on Multiscale Selective Fusion Feature Pyramid and Multisemantic Spatial Network for Visual IoT
Notice bibliographique
Résumé
With the rapid development of Visual Internet of Things (VIoT) and text detection technology, they have been widely combined and applied to many industrial production sites, such as label text detection, achieving impressive results. However, there are still many shortcomings in the text detection technology: 1) the existing VIoT system has very limited detection precision for text with large scale changes, especially for some small-scale text detection; 2) the existing text detection algorithms cannot meet the actual situation, as the labels often contain handwritten texts, and the text to be detected is arbitrary shape; and 3) in the actual detection, there are many creases or defects on the text label. To solve the above problems, this article designs a text detection method based on a multiscale selection fusion feature pyramid and multisemantic spatial network (MSNet) to assist the VIoT system in detecting label text. First, a multiscale selective fusion feature pyramid is designed, which not only uses the texture extraction module to effectively improve the text texture feature and multiscale feature extraction ability, but also uses the cross-scale selective fusion block to selectively fuse the features of different stages to reduce the influence of pollution on detection. In addition, a MSNet is designed to capture the multisemantic spatial information of each feature channel by using the multiscale deep shared 1-D convolution, which effectively integrates global context dependence and multisemantic spatial prior. Experimental results show that the comprehensive index F-measure on the public datasets ICDAR2015, total-text, and CTW1500 is increased by 5.7%, 3.3%, and 3.8%, respectively. Furthermore, the precision, recall, and F-measure on the dataset label-text are 94.6%, 90.7%, and 92.6%, respectively. The label text detection VIoT system we designed has been deployed in the field and achieved excellent performance. The code of our proposed method can be found in:https://github.com/rebornone1/MSNet
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».