注意力机制与自适应尺度融合的场景文本检测

在场景文本检测任务中，由于图像背景复杂、文本实例尺度不一等问题，导致现有模型的文本检测精度不高。为此，本文设计了一种基于注意力机制与自适应尺度融合的场景文本检测模型。首先，通过引入高效通道注意力机制，提高了特征提取网络的表征能力，降低了文字的漏检率和误报率；其次，通过设计自适应尺度融合模块，动态融合不同尺度特征，增强了模型对不同尺度文本实例的检测和定位能力。实验结果表明，本文提出的模型在Total-Text和MSRATD500共2个数据集上的F综合指标分别达到85.1%和84.1%，在同类型算法中处于领先水平。     

基于Canopy的KFCM聚类优化算法

在以模糊集为理论支持的聚类算法中,KFCM(kernel fuzzy c-means clustering)是一种对核函数进行优化的模糊聚类算法。KFCM算法需要人为指定数据的分类个数,对数据噪声敏感会降低其性能,且类边缘数据点相互影响会导致分类错误。针对这些问题,该文提出一种改进的C-KFCM模糊算法,先用Canopy粗聚类算法给出数据集大致的分类数,接着在聚类部分使用KFCM算法。改进了原KFCM算法的隶属度函数,在噪声点和边缘数据的隶属度中引入其邻域数据的隶属度平均值,使数据中的噪声对算法的影响减小或消失。实验结果表明,改进的C-KFCM算法能自动确定分类数,并且与原KFCM算法相比,C-KFCM将平均准确率提高了0.09%,且聚类效果更稳定。