卷积神经网络的理论表明,移位阶段性的特性,即移动输入会导致同样移动的输出。但是,实际上,情况并非总是如此。这为场景文本检测带来了一个很好的问题,对于文本检测,一致的空间响应至关重要,无论文本在场景中的位置如何。使用简单的合成实验,我们证明了最先进的完全卷积文本检测器的固有移位方差。此外,使用相同的实验设置,我们展示了较小的体系结构变化如何导致改善的移位等效性和较小的检测器输出变化。我们使用文本检测网络上的现实世界培训时间表来验证合成结果。为了量化转移变异性的量,我们提出了一个基于公认的文本检测基准测试的度量。虽然提出的架构更改无法完全恢复移位均衡性,但添加平滑过滤器可以显着提高公共文本数据集的变化一致性。考虑到小移位的潜在影响,我们建议通过本工作中描述的指标扩展常用的文本检测指标,以便能够量化文本检测器的一致性。
translated by 谷歌翻译