《Mathematics》:DAC-Net: Dual-Attention Collaborative Network for Robust Shui Script Detection
编辑推荐:
水书是一种古老的象形文字系统,具有重要的文化和历史价值。自动字符检测是实现水书手稿数字化保存的基本步骤,但由于纤细笔画、密集分布的小尺寸字符以及复杂背景干扰,该任务仍然具有挑战性。为应对这些挑战,研究人员提出了DAC-Net,一种基于YOLOv9的轻量级双注意
水书是一种古老的象形文字系统,具有重要的文化和历史价值。自动字符检测是实现水书手稿数字化保存的基本步骤,但由于纤细笔画、密集分布的小尺寸字符以及复杂背景干扰,该任务仍然具有挑战性。为应对这些挑战,研究人员提出了DAC-Net,一种基于YOLOv9的轻量级双注意力协作网络。具体而言,双注意力特征增强模块(Dual-Attention Feature Enhancement Module,DAFEM)增强弱笔画表示并保留精细结构细节,而解耦空间-通道注意力融合模块(Decoupled Spatial-Channel Attention Fusion Module,DSAF)将空间定位与通道语义建模解耦,以抑制背景干扰并提高特征判别性。大量实验表明,DAC-Net在多个IoU阈值下相对于具有代表性的检测方法取得了有竞争力的性能,同时保持了实时推理效率。值得注意的是,在IoU = 0.6和IoU = 0.7下,DAC-Net相对YOLOv9的性能提升仅约为1%。在亮度变化、运动模糊、高斯噪声和部分遮挡条件下的鲁棒性评估进一步验证了所提方法的有效性和泛化能力。
水书是水族先民创造的一种古老象形文字系统,作为我国少数民族中为数不多的仍在使用的象形文字之一,它承载了丰富的历史、宗教和文化信息,已被列入国家级非物质文化遗产。对水书进行数字化保存和智能分析是数字人文与人工智能交叉领域的重要课题,而精确的水书文字检测是字符识别、手稿理解和数字归档等下游应用的基础前提。然而,水书字符具有纤细不规则笔画和大量字形变体,导致弱特征响应和细粒度判别困难;历史手稿、石刻和礼器常受侵蚀、污渍和光照不均影响,引入严重的前景–背景干扰;同时水书字符往往呈现密集分布的小尺寸目标,进一步加大了准确定位的难度。现有检测方法主要针对自然场景文本设计,对古代文字的细弱笔画、密集布局和图像退化适应性不足;已有水书研究多集中于字符识别,字符检测研究相对有限;基于两阶段检测器的方法仅能处理有限类别和较干净场景,对真实水书手稿适应性差。因此,迫切需要一种针对水书特性的鲁棒、高效检测框架。
针对上述问题,研究人员在发表于《Mathematics》的论文中提出了一种基于YOLOv9的轻量级双注意力协作网络DAC-Net,用于鲁棒水书文字检测。该网络通过双注意力特征增强模块(Dual-Attention Feature Enhancement Module,DAFEM)增强弱笔画表示并保留精细结构细节,通过解耦空间-通道注意力融合模块(Decoupled Spatial-Channel Attention Fusion Module,DSAF)抑制背景干扰并提升特征判别性。在自建的水书整页检测数据集Shui-MSD上的大量实验表明,DAC-Net在IoU = 0.5、0.6、0.7下均取得具有竞争力的性能,并保持实时推理速度;在亮度变化、运动模糊、高斯噪声和部分遮挡等退化条件下也表现出良好的鲁棒性和泛化能力。该研究为水书手稿的数字化保存提供了高效的技术方案,也为其他古代文字的自动检测提供了可借鉴的轻量级注意力设计思路。
研究人员采用的主要关键技术方法包括:构建了水书整页检测数据集Shui-MSD(继承S842的842个核心类别和1366个变体字形,采集自贵州文化遗产机构保存的珍稀水书古本扫描图,经筛选保留2200幅原始整页图像,按7:1:2划分训练、验证和测试集,仅对训练集进行Mosaic、随机裁剪、旋转、翻转、亮度/对比度调整及高斯噪声注入等增强,共得到9200幅图像和14762个标注字符实例);设计了基于YOLOv9轻量级骨干的检测框架,在颈部网络中嵌入DAFEM和DSAF两个注意力模块;检测头保留YOLOv9的anchor-free与NMS-free设计,损失函数采用分类的二元交叉熵(Binary Cross-Entropy,BCE)损失(配合在线困难样本挖掘OHEM)和回归的CIoU损失,并通过可学习权重系数强调定位优化。
研究结果方面,论文从多个维度进行了实验验证。在数据集构建上,Shui-MSD真实反映了水书手稿的复杂场景,包括竖排从右到左、笔画重叠、墨迹褪色、光照不均和杂乱背景,并通过双盲标注和专家审核保证了标注质量,Cohen's Kappa达到0.92。在与先进方法比较中,DAC-Net在多个IoU阈值下优于传统投影法、EAST、DBNet、PSENet、Mask R-CNN以及YOLO系列检测器;在IoU = 0.5时F
1-score达到0.9474,较YOLOv9提升2.18%;从IoU = 0.5到0.7的F
1下降仅1.4%,为所有方法中最小,表明其定位精度和稳定性更好。在消融研究中,模块有效性分析表明DAFEM主要增强细粒度笔画和小目标特征,DSAF主要抑制复杂背景干扰;两者结合在IoU = 0.5时进一步将F
1提升至0.9474。解耦融合策略对比表明,DSAF优于BiFPN、PAN、ASFF和FPN,验证了其自适应动态融合的优势。注意力增强模块对比表明,DAFEM优于SE、SIMAM、ECA和CBAM,在三个IoU阈值下均取得最高F
1。计算复杂度分析表明,DAC-Net同时将参数和FLOPs降至23.913M和48.392G,推理速度提升至85.69 FPS,比原始YOLOv9更快,这是因为将颈部RepNCSPELAN4模块替换为轻量模块并剪枝冗余通道。鲁棒性评估中,在亮度变化、运动模糊、高斯噪声和部分遮挡四种干扰下,DAC-Net的F
1-score均高于所有对比方法,尤其在遮挡率0.4和0.5时较YOLOv9分别提升11.0%和23.9%,体现了良好的抗干扰能力。
论文讨论部分指出,所提方法通过DAFEM和DSAF的协作增强,有效解决了水书字符检测中纤细笔画、密集小目标和复杂背景干扰三大挑战,验证了双注意力协作设计的有效性。研究结论部分总结为:基于YOLOv9的轻量级水书字符检测方法通过将DAFEM和DSAF嵌入颈部网络,增强了细粒度特征表示并改善了前景–背景判别;在IoU = 0.5时达到0.94的F
1-score,并在光照变化、运动模糊、高斯噪声和遮挡等视觉退化条件下保持鲁棒检测性能,验证了所提方法在水书字符检测中的有效性和鲁棒性。同时,当前框架仍存在局限性:主要关注字符级检测而未利用上下文语义信息;在严重遮挡、字符退化和极端密集排列下仍可能检测失败。未来工作将研究更先进的注意力架构和多尺度特征融合策略,并开发集检测与识别于一体的端到端水书理解框架,以提升在实际复杂场景中的实用性。