Kürzlich haben Modelle auf der Basis tiefer neuronaler Netze die Bereiche der Texterkennung und -detektion in Szenen dominiert. In dieser Arbeit untersuchen wir das Problem der Textlokalisierung in Szenen, das darauf abzielt, Text simultan zu detektieren und zu erkennen in natürlichen Bildern. Ein neuronales Netzwerkmodell, das von Anfang bis Ende trainiert werden kann, wird vorgeschlagen, um Textlokalisierung in Szenen durchzuführen. Das vorgeschlagene Modell, als Mask TextSpotter bezeichnet, wurde von der kürzlich veröffentlichten Arbeit Mask R-CNN inspiriert. Im Gegensatz zu früheren Methoden, die ebenfalls Textlokalisierung mit neuronalen Netzen durchführen können, die von Anfang bis Ende trainiert werden, nutzt Mask TextSpotter einen einfachen und glatten Trainingsprozess von Anfang bis Ende, bei dem präzise Textdetektion und -erkennung durch semantische Segmentierung erreicht werden. Darüber hinaus übertrifft es frühere Methoden bei der Verarbeitung von Textinstanzen unregelmäßiger Formen, wie zum Beispiel gekrümmtem Text. Experimente auf den Datensätzen ICDAR2013, ICDAR2015 und Total-Text zeigen, dass die vorgeschlagene Methode sowohl in den Aufgaben der Textdetektion in Szenen als auch in der end-to-end-Texterkennung standesüberragende Ergebnisse erzielt.