Bisherige state-of-the-art-Methoden zur Szenentexterkennung auf Basis tiefer Lernverfahren können grob in zwei Kategorien eingeteilt werden. Die erste Kategorie betrachtet Szenentext als eine Art allgemeiner Objekte und folgt dem Paradigma der allgemeinen Objekterkennung, um Szenentext durch die Regression der Textbox-Positionen zu lokalisieren. Diese Vorgehensweise stößt jedoch auf Schwierigkeiten infolge der beliebigen Orientierung und der großen Aspektverhältnisse von Szenentext. Die zweite Kategorie segmentiert Textregionen direkt, benötigt jedoch meist komplizierte Nachbearbeitungsschritte. In diesem Artikel präsentieren wir eine Methode, die die Ansätze beider Kategorien vereint, gleichzeitig jedoch deren Nachteile vermeidet. Wir schlagen vor, Szenentext durch die Lokalisierung von Ecken von Textumrandungsboxen und die Segmentierung von Textregionen in relativen Positionen zu erkennen. Im Inferenzstadium werden Kandidatenboxen durch Sampling und Gruppierung von Eckpunkten generiert, die anschließend mittels Segmentierungskarten bewertet und mittels NMS (Non-Maximum Suppression) unterdrückt werden. Im Vergleich zu früheren Methoden kann unsere Vorgehensweise lange, orientierte Texte natürlicher verarbeiten und erfordert keine komplizierte Nachbearbeitung. Experimente an den Datensätzen ICDAR2013, ICDAR2015, MSRA-TD500, MLT und COCO-Text zeigen, dass der vorgeschlagene Algorithmus sowohl in Bezug auf Genauigkeit als auch Effizienz bessere oder vergleichbare Ergebnisse erzielt. Bei Verwendung von VGG16 erreicht er eine F-Maßnahme von 84,3 % auf ICDAR2015 und 81,5 % auf MSRA-TD500.