作为信息传递的中间介质,图片占据着举足轻重的位置。而对图片中的文字内容进行检测以及识别,则有助于加速图片在人们之间的传播,使信息传递更加高效便捷。在计算机视觉领域,自然场景文本检测可以说是一个热门且具有挑战性的问题。在很多情况下,图片本身所包含的文本信息是理解该图片场景内容的重要因素,因此对于自然场景文本检测的越准,我们对图片所包含语义的理解也就越准。目前来看,之前研究人员所提出的CTPN网络存在一些不足之处,例如文本检测精度不高,以及只能检测水平方向的场景文本。本文基于对CTPN的深入研究与改进,提出了新的场景文本检测网络。论文的主要研究内容及成果如下:1.基于ResNet具有较强特征提取能力的特性,本文使用ResNet代替原网络中的VGG16来提取更深层次的图片特征,使得所提取图片特征的语义性更强。在此基础之上,本文还使用了多层网络特征融合技术,使得提取到的图片特征更加丰富。2.在一些基于深度学习的网络模型之中,attention注意力机制常用于和RNN网络相结合,从而对上下文序列进行更加合理的权重分配。本文在双向LSTM之后引入了 attention机制,用于更好地学习各个文本检测框之间的上下文联系,从而得到更加准确的场景文本检测结果。3.由于网络模型本身的限制,原CTPN网络只能将检测得到的各种尺寸文本检测框在水平方向上连接起来,本文通过使用最小二乘法对原有网络的文本行构造法进行改进,从而能够将场景文本检测的方向由水平拓展为倾斜。本文的主要内容是对原有CTPN网络的优化与改进,包括:特征提取网络的升级、多层网络特征融合的使用、attention机制的应用以及将CTPN的场景文本检测方向由水平拓展为倾斜。文中的多组对比实验表明改进后的网络在整体性能上强于原有的CTPN。