任务由两部分组成，第一部分是检测到图片中的店面招牌区域，即输入一张街景图片，输出其中的店面招牌的包围框的bbox坐标，可以理解为对于招牌的目标检测任务；第二部分是招牌文字识别，对于第一部分中得到的招牌区域，过滤掉区域中的非招牌文本，找出“招牌文字”并给出识别结果。对于一张输入图片，整个流程的输出如右图所示，由招牌区域的包围框坐标和其对应的招牌文本组成。
我负责算法总流程的整合以及目标检测和文本检测的实现。参考了baseline中目标检测、文本检测、文本识别的一套流程，在中间有一个透视变换矫正模块。其中我们使用的目标监测模型为Cascade Mask-RCNN, 文本检测模型为PANet，文本识别模型为含TPS矫正的CRNN模型，最后输出招牌检测坐标和招牌文本信息。