场景文字识别

V1：以mask rcnn为基础，基于分割来进行端到端的文本识别。mask分支不仅能预测分割图来分割文本区域还可以预测字符概率图。 V2：在v1基础上在识别部分加入空间注意力以提升框架的文本识别能力。