以深度学习为基础的文本检测有基于回归的模型和基于分割的模型，目前这两种模型的应用效果各有优劣。为解决回归模型对训练数据的依赖，以及分割模型受目标尺度影响的问题，本书提出了两种新的模型，即TSFnet和Mnet。全书分为5章，概述了自然场景下文本检测的研究现状，陈述了相关算法的问题、数据集与存在的挑战，并通过实验对基于融合网络的TSFnet模型及结合区域网络与注意力网络的Mnet模型进行了详细的介绍，最后对相关的应用进行了简介。
本书结构清晰，文字流畅，图文并茂，适合从事场景文本检测与识别研究的相关读者阅读，也适合作为高校相关专业学生的参考书。

赵雪专，男，汉族，河南濮阳人，中共党员，2016年毕业于中国科学院大学，获得博士学位。现任郑州航空工业管理学院计算机学院专职教师，主讲课程有计算机应用基础、C程序设计、软件测试技术等，主要研究方向为计算机视觉、机器学习、模式识别等。近年来，主持或参与多项省部级科研项目，发表相关学术论文20余篇。

第1章 绪论
1.1 研究背景
1.2 问题与挑战
1.3 主要研究内容
1.4 本文的组织结构
第2章 场景文本检测算法综述
2.1 简介
2.2 场景文本检测和识别过程概述
2.3 场景文本检测和识别算法分类
2.3.1 基于传统机器学习的场景文本检测和识别算法
2.3.2 基于深度学习的场景文本检测和识别算法
2.4 文本检测和识别的评价指标
2.5 文本检测和识别的数据集
2.5.1 ICDAR数据集
2.5.2 SVT数据集
2.5.3 IIIT数据集
2.5.4 KAIST数据集
2.5.5 CTW数据集
2.5.6 RCTW-17数据集
2.5.7 ICPR MWI 2018数据集
2.5.8 Total-Text数据集
2.5.9 Google FSNS数据集
2.5.10 COCO-TEXT数据集
2.5.11 Synthetic数据集
2.6 总结
第3章 基于融合网络的TSFnet模型
3.1 问题形成
3.2 相关研究
3.2.1 基于回归的模型
3.2.2 基于分割的模型
3.3 TSFnet
3.4 实验
3.4.1 评价指标
3.4.2 参数设置
3.4.3 结果与分析
3.5 本章小结
第4章 结合区域建议网络与注意力网络的Mnet算法
4.1 问题形成
4.2 相关研究
4.2.1 基于回归的模型
4.2.2 基于分割的模型
4.2.3 两阶段检测模型
4.3 Mnet
4.3.1 Scale-RPN
4.3.2 回归网络
4.3.3 分割网络
4.3.4 注意力网络
4.4 实验
4.4.1 评价指标
4.4.2 参数设置
4.4.3 实验对比与分析
4.5 本章小结
第5章 场景文本检测与识别应用
5.1 卡证文字检测与识别
5.1.1 证件文字检测与识别
5.1.2 银行卡文字检测与识别
5.1.3 名片文字检测与识别
5.1.4 营业执照文字检测与识别
5.2 票据文字检测与识别
5.3 汽车场景文字检测与识别
5.3.1 车牌检测与识别
5.3.2 汽车VIN码检测与识别
5.4 文档文字检测与识别
5.5 自然场景文字检测识别
后记：总结与展望
参考文献