随着人工智能和深度学习在图像分类方面的成功，研究界将其兴趣集中在利用深度学习的能力来促进各种过去被认为具有挑战性和不可能实现的任务。深度学习取得很大成功的一个领域就是自然图像中文本的检测。随着越来越多的数据和更好的计算资源的可用性，将深度学习应用于场景文本检测和识别已经取得了很大的进展，一些最新的结果有时甚至超过了人类的能力。在这一领域，对于其广泛的商业应用来说，在更具挑战性的场景中检测文本方面正在取得进展。然而，尽管在自然图像中检测具有挑战性的文本取得了巨大的成功，但大多数方法和数据集的焦点都集中在对场景图像中出现的属性的一个方面进行攻击。大多数可用于场景文本检测的数据集都包含一个主要是拉丁语脚本的单一语言文本。在创建和管理可用于深度学习模型的多语种培训的数据集方面，进展有限。由于各种语言数据集的可用性有限，研究特别侧重于解决现有数据集中图像中经常出现的挑战。
　　本文试图将文本检测的领域扩展到包含不同语言文本的图像中，并为这些实例的本地化创建一个深度学习模型。首先，提出了一个1200幅图像的数据集，该数据集主要由英语、阿拉伯语、波斯语和乌尔都语四种语言的场景文本实例组成。这个数据集还包含一小部分图像，其中包含希伯来语和普什图语的文本实例。为了融合多样性，模仿自然条件，并引入挑战元素，这些图像从大范围收集，具有巨大变化，如水平文本、垂直文本、长文本和聚焦文本、短文本和模糊文本、弯曲文本和不规则文本实例。设计了一个端到端卷积神经网络，它由三部分组成：使用ResNet-50提取特征，然后逐步合并，以提高网络对所有文本实例的回忆能力。预测头将图像分为文本/非文本区域，文本实例的头/尾以及使用头和尾部分的边界框的偏移。实验结果表明，在ICDAR-MLT数据集上，一个简单快速的多语种文本检测模型的准确率、查全率和h均值分别为0.90、0.65和0.76。