聚光灯文本检测器：像相机一样聚焦候选区域

该研究提出了一种统一的网络，通过卷积特征和2D注意力模型实现对任意形状文本的鲁棒定位和识别。

提出了一种基于端到端文本检测的点定位方法，能够读取任意形状的文本，并在多个数据集上取得最佳表现。

ContourNet算法解决了场景文本检测中的误检和规模变化问题，达到了更为准确的任意形状文本检测。

提出了文本特征对齐模块（TFAM）和位置感知非极大值抑制模块（PA-NMS），显著提高文本定位质量。

基于核心表示的端到端文本发现框架在自然场景中检测和识别任意形状的文本，取得了竞争性的精度和高速度。

CentripetalText方法通过将文本实例分解为文本核和向心移位的组合，提高了检测精度。

KPN创新型Kernel Proposal Network通过预测高斯中心图解决邻近文本实例粘连问题，取得了优异的性能表现。

LRANet文本检测器利用低秩近似的文本轮廓表示方法，提高了不规则形状文本的检测速度与准确性。

Expand Kernel Network (EK-Net)通过扩展内核距离解决偏差问题，实现了任意形状文本的精确定位，并在性能和速度之间取得平衡。

新的任意形状文本检测器结合聚焦整体模块（FEM）和感知环境模块（PEM），提高了文本检测的准确性，尤其在处理不同尺寸文本时表现优越。