Total-Text是一个用于场景文本检测的基准数据集，由多伦多大学的研究人员及其他机构于2017年提出。它旨在解决早期数据集主要关注水平或大致对齐文本的局限性，通过包含大量弯曲和任意方向文本实例来实现这一目标。该数据集已成为场景文本检测领域（人工智能和计算机视觉的一个子领域）中机器学习和深度学习模型的标准评估资源。
该数据集包含从真实世界场景（如街道标志、店面招牌和海报）收集的1,555张图像。每张图像都标注了词级边界多边形，精确勾勒出文本区域，包括弯曲和多方向文本。标注格式支持多边形和矩形表示，便于灵活评估检测算法。Total-Text包含1,255张图像的训练集和300张图像的测试集，总计超过9,000个标注文本实例。该数据集以其高比例的弯曲文本而著称，这对假设轴对齐或水平文本的传统检测方法构成了重大挑战。
Total-Text已广泛应用于学术研究和竞赛中，例如ICDAR（国际文档分析与识别会议）挑战赛，用于基准测试文本检测系统的性能。它推动了先进神经网络架构的发展，包括基于残差网络和U-Net类分割方法的方法，以及利用数据增强和批量归一化来提高鲁棒性的技术。
数据集构成与标注
Total-Text中的图像来源于多种城市环境，捕捉了不同语言、字体、光照条件和视角下的文本。标注在词级进行，每个词由遵循文本形状（无论是弯曲、旋转还是水平）的多边形包围。数据集还为每个词提供了一组轴对齐的边界框，可用于需要矩形区域的评估方法。真实标注以文本文件格式存储，每行对应一个词，包含多边形坐标和文本转录。
评估指标与协议
Total-Text的标准评估遵循ICDAR竞赛建立的协议，使用精确率、召回率和F值作为主要指标。检测结果根据交并比（IoU）阈值（通常设为0.5）与真实标注多边形进行匹配。数据集的官方评估代码可供使用，以确保不同方法之间的一致性比较。鼓励研究人员在测试集上报告结果，许多已发表的论文在Total-Text上与其他数据集（如ICDAR 2015和MSRA-TD500）一起进行比较。
对场景文本检测研究的影响
Total-Text显著影响了现代文本检测系统的设计。早期方法依赖手工特征和连通组件分析，但弯曲文本的复杂性促使研究转向深度学习方法。许多最先进的模型现在采用全卷积网络、多头注意力机制和编码器-解码器架构，以像素级方式预测文本区域。该数据集还用于训练和评估结合检测与识别的端到端文本识别系统，通常利用序列到序列模型和变换器骨干网络。
局限性与扩展
尽管Total-Text提供了一个具有挑战性的基准，但它存在局限性，包括与一些现代数据集相比图像数量相对较少，且主要关注英语文本。后续数据集，如CTW1500和ArT，已扩展范围以涵盖更多样化的文本形状和语言。尽管如此，Total-Text仍然是评估文本检测算法鲁棒性（特别是在处理弯曲和任意方向文本方面）的广泛引用和使用的资源。