OCR技术有着悠久的发展历史，从上世纪60年代第一个识别英文字母的OCR产品面世以来，OCR的识别领域逐步扩展到数字、符号，进而其他语言，譬如拉丁语系中的法文、德文、意大利文等，东亚语系中的中文、日文、韩文等。OCR一般包含两个基本模块，文本检测和文本识别。在深度学习技术发展之前，传统OCR的文本检测依赖于一些浅层次的图像处理方法或者图像分割方法以及一些复杂繁琐的后处理技术进行文字定位，譬如早期基于二值化的连通域提取，或者后期基于极大稳定区域的字符区域提取，之后再配合这些被提取区域进行一系列的连接操作来完成最终的文本定位。因为这些技术的使用，传统OCR所处理的对象往往局限于成像清晰，背景干净，字体简单而同时又排列规整的文档图像。
基于像素分割的文本检测框架首先通过图像语义分割获得可能的文本像素，之后通过像素点直接回归或者对文本像素的聚合得到最终的文本定位；而基于锚检测回归的文本检测框架是在通用物体检测的基础之上，通过设置更多不同长宽比的锚来适应文本变长的特性，以达到文本定位的效果。
基于像素分割的文本检测往往具有更好的精确度，但是对于小尺度的文本，因为适用的文本像素过于稀疏，检出率通常不高，除非以牺牲检测效率为代价对输入图像进行大尺度的放大；基于锚检测回归的文本检测对文本尺度本身不敏感，对小文本的检出率高，但是对于大角度的密集文本块，锚匹配的方式会不可避免的陷入无法适从的矛盾之中，此外，由于这种方法是基于文本整体的粗粒度特征，而并不是基于像素级别的精细特征，它的检测精度往往不如基于像素分割的文本检测。对于中文这样文本长度跨度很大的语言，目前的这两种方法在长文本上的效果都不尽人意。
针对这些问题，云从科技提出了一种端到端的深度学习文本检测框架Pixel-Anchor，通过特征共享的方式高效的把像素级别的图像语义分割和锚检测回归放入一个网络之中，把像素分割结果转换为锚检测回归过程中的一种注意力机制，使得锚检测回归的方法在获得高检出率的同时，也获得高精确度。
Pixel-Anchor这套文本检测框架，和目前主流的文本检测框架相比，提出了两个大的改进点：
第一点是提出了把像素级别的图像语义分割以及基于锚的检测回归方法高效融合在一起，可端到端训练的检测网络。在该网络中，像素级别的图像语义分割以及基于锚的检测回归方法共享基础特征，而像素级别的图像语义分割结果作为一种注意力机制，用以监督锚检测回归的执行过程，在有效保证文本检出率的同时，提升了文本检测的精度。
总体框架见上图，Pixel-Anchor采用学术界通用的ResNet-50作为特征提取主干网络，提取出1/4,1/8,1/16的特征图作为像素级别语义分割模块（Figure5）以及锚检测回归模块（Figure6）的基础特征，同时语义分割模块的输出结果以热力图的形式注入到锚检测回归模块中。整个网络简单轻巧，可通过ADAM优化方法进行端到端的训练。
第二点是在锚检测回归这个模块中引入了自适应预测层「AdaptivePredictorLayer」，该预测层连接在不同层级的特征图之后，根据各特征图感受野的不同，调整锚的长宽比，卷积核的形状以及锚的空间密度（anchordensity，见Figure7），用以高效的获得各特征图上的文本检测结果，进而对文本长度的变化获得更好的适应性。自适应预测层在检测水平长文本上的性能非常出色，和经典的CTPN方法相比，这一方法不需要复杂的后处理，更鲁棒的同时效率更高。