1.一种弱监督文本检测方法，其特征在于，包括：

构建感受野生成器，将待检测图像输入所述感受野生成器，获取一个或多个感受野，并根据所述一个或多个感受野感知文本区域；其中，所述感受野生成器包括压缩路径和扩展路径，所述压缩路径和所述扩展路径形成对称U型结构；所述压缩路径和所述扩展路径分别包括对应数量的块；通过所述压缩路径进行降采样再通过所述扩展路径进行上采样，将压缩路径中各块得到的特征图复制到U型结构对应的扩展路径的块中进行特征图合并，所述扩展路径最后一个块连接一个卷积层；

构建感受野判别器，将所述文本区域输入所述感受野判别器，根据文本在所述文本区域的分布，获取识别结果；其中，所述感受野判别器包括卷积层、循环层和转录层，通过所述卷积层进行特征提取，获取所述文本区域的特征序列；通过所述循环层对所述特征序列进行分类，判断所述文本区域内是否包含文本，若是，则获取所述文本在所述文本区域的分布；所述转录层对所述文本在所述文本区域的分布进行回归处理，获取所述识别结果；

将所述识别结果反馈给所述感受野生成器，对所述一个或多个感受野进行校正，通过校正后的所述感受野生成器输出文本特征图。

2.根据权利要求1所述的弱监督文本检测方法，其特征在于，可将所述文本特征图输入一个或多个文本识别模型，获取所述文本特征图中的文本信息。

3.根据权利要求1所述的弱监督文本检测方法，其特征在于，采用U型全卷积网络构建所述感受野生成器。

4.根据权利要求1所述的弱监督文本检测方法，其特征在于，所述卷积层采用卷积神经网络，所述循环层采用循环神经网络，所述转录层采用CTC网络。

5.根据权利要求1所述的弱监督文本检测方法，其特征在于，还包括预先对构建的所述感受野判别器进行训练，将经过文本标注的图像数据集作为构建的所述感受野判别器的输入，获取训练后的所述感受野判别器。

6.根据权利要求1所述的弱监督文本检测方法，其特征在于，根据所述的一个或多个感受野感知文本区域，包括：将所述感受野与所述待检测图像进行叠加，提取出叠加后的图像区域作为所述文本区域。

7.根据权利要求1所述的弱监督文本检测方法，其特征在于，分别为所述循环层和所述转录层构建分类损失函数和回归损失函数，通过所述分类损失函数和所述回归损失函数计算损失值，将所述损失值作为所述识别结果反馈给所述感受野生成器。