In dieser Arbeit schlagen wir eine pixelweise Methode namens TextCohesion für die Erkennung von Szene-Text vor, die ein Textobjekt in fünf Schlüsselkomponenten unterteilt: einen Textskelett und vier Richtungspixelregionen. Diese Komponenten sind einfacher zu verarbeiten als das gesamte Textobjekt. Ein Vertrauensbewertungsmechanismus wurde entwickelt, um Zeichen zu filtern, die dem Text ähnlich sind. Unsere Methode kann Textkontexte intensiv integrieren, wenn Hintergründe komplex sind. Experimente an zwei anspruchsvollen Benchmarks mit gekrümmtem Text zeigen, dass TextCohesion den aktuellen Stand der Technik übertrifft und auf Total-Text einen F-Wert von 84,6 % sowie auf SCUT-CTW1500 einen F-Wert von 86,3 % erreicht.请注意，我在翻译中保留了“Total-Text”和“SCUT-CTW1500”这两个专有名词的英文形式，因为它们通常是国际上通用的数据集名称。如果您希望这些名称也翻译成德语，请告知我具体应该如何翻译。此外，原文中的“bfseries”似乎是排版指令的一部分（用于加粗），因此在德语文本中我将其转换为加粗格式。