【文本检测】1、DBNet | 实时文本检测器

论文：Real-time Scene Text Detection with Differentiable Binarization

代码：https://github.com/MhLiao/DB

出处：AAAI 2020

本文贡献：

• 提出了二值化函数的近似形式 Differentiable Binarization，是完全可微的，保证了二值化过程能够和分割网络同时优化
• DB 可以简化其他方法中的繁重后处理过程，提高 infer 效率，并且能够得到更鲁棒的二值化特征图
• DB 可以和轻量化的 backbone 结合
• DB 在 infer 的时候可以移除，且不会降低模型效果，不会对 infer 带来额外的耗时

一、背景

文本检测是文本识别的基础，但文本检测也面临很多问题，比如其尺度和形状很多变，有水平、竖直、多方向、曲线形状等。

由于分割的方法能够提供 pixel-level 的结果，即能够更准确的识别出文本区域，包括曲线排列的文本，故基于分割方法的文本检测近来比较流行。

二值检测特征图的后处理对分割方法非常重要，这个过程能够将分割方法得到的概率特征图转换成文本区域的 bounding box 或 bounding region。但是，后处理的过程在推理的时候很耗时。

现有的方法一般使用如图 2 所示的后处理过程，如蓝色箭头：

• 首先，设定一个固定的阈值，将分割结果转化成二值图
• 然后，使用一下启发式的方法，如像素聚合，来将 pixels 聚合成 text 实例

本文中，作者提出了名为 Differentiable Binarization（DB）的差分二值化方法，可以在分割网络中实现二值化的过程，让 DB 模块和分割网络同时优化，能够自适应的调整二值化的阈值，能够简化后处理的阈值选取且提升效果。

本文方法的结构，如图 2 ，红色箭头：

• 本文的目标就是将二值过程嵌入分割网络来同时优化
• 图像中每个位置的阈值都可以被自适应的估计，于是就可以将前景和背景更好地区分开来，尤其是那些模棱两可的区域，如边界区域等
• 但标准的二值化函数是不可微的，所以，作者又提出了一个 Differentiable Binarization 作为二值化的近似函数，是可微的。

二、方法

本文方法的主要结构如图 3 所示：

• 首先，将图像输入金字塔形式的 backbone
• 然后，将所有金字塔特征图上采样到相同的尺度，concat 得到特征图 F，将 F 用于预测 probability map（P）和 threshold map（T）
• 之后，使用 P 和 T 来计算 binary map $\hat{B}$
• 在训练过程中，监督信号会监督 P、T、$\hat{B}$，且 P 和 $\hat{B}$ 是共享监督信号的，
• 在推理过程中，可以通过 box formulation module 从 $\hat{B}$ 或 P 来得到 bounding box

2.1 二值化

1、标准二值化

给定从分割网络得到的 probability map $P\in R^{H\times W}$，将其二值化后，就会得到只包含 0 和 1 的二值化图，其中，0 表示背景，1 表示有效的文本区域，标准二值化过程如下：

• t 是阈值

2、Differentiable binarization

如公式 1 所示的标准二值化是不可微的，所以不能和分割网络一起来训练，所以，本文作者提出了一个二值化的近似形式：

• $\hat{B}$ 是近似的二值图
• T 是从网络中学习到的 adaptive threshold map
• k 是一个增强因子，设定为 50
• 该近似的二值化函数和标准的二值函数类似，但可微，就可以随模型一起训练

DB 能够提升模型效果的原因可以用梯度的反向传播来解释，以二值化交叉熵 loss 为例。

定义 DB 函数为：$$f(x)=\frac{1}{1+e^{-kx}}$$

• 其中，$x=P_{i,j}-T_{i,j}$

positive label 的 loss $l_{+}$ 和 negative label 的 loss $l_{-}$ 如下：

loss 的梯度如下：

$l_{+}$ 和 $l_{-}$ 的衍生物如图 4 所示，可以观察到：

• 使用增强因子 k 能够增强梯度
• 梯度的增强对
• 很多预测错误的区域（x<0 for $L_{+}$，和 x>0 for $L_{-}$）很重要，所以能够促进网络优化，并有助于得到更具有区分力的预测结果
• 此外，由于 $x=P_{i,j}-T_{i,j}$，故 P 的梯度会随着 T 的前向和反向传播而被影响和缩放

2.2 Adaptive threshold

有监督和无监督的 threshold map 如图 6 中所示，尽管没有监督时，文本区域也会高亮，这说明 border-like threshold map 对最终结果是有益的，所示，作者使用了 border-like 的监督信号来获得更好的指导。

2.3 可变形卷积

可变形卷积被证明能够提供更灵活的感受野，对文本实例，尤其是一些边界实例会有更好的特征提取效果，所以，本文在 conv3、conv4、conv5 的所有 3x3 卷积层中都使用了可变形卷积。

2.4 生成标签

这里需要给 probability map 和 threshold map 都生成标签

• 红色是标注的文本区域边界
• 蓝色是收缩操作后的，收缩比例为 0.4，计算得到偏移量 $D$ 后对红色进行收缩偏移，就能得到蓝色的线框，蓝色即为 probability map 的真值
• 绿色是膨胀操作后的，使用上面计算得到的偏移量 $D$，对红色区域进行膨胀，得到绿色区域，绿色线和蓝色线中间的就是 threshold map 的真值
  

1、probability map 标签生成：

1）给定 text image，每个多边形都被认为是一个待分割的集合：

• n 是顶点的个数，不同数据集中是不同的，如 ICDAR 2015 中是 4，CTW1500 是16

2）使用 Vatti clipping algorithm 方法进行多边形收缩，从 $G$ 收缩为 $G_s$，得到 positive area，偏移 D 是从原始的多边形区域的周长 L 和面积 A 计算得来的。

• r 是收缩比率，本文设置为 0.4，用于得到偏移量 $D$

2、threshold map 标签生成

1）使用上面计算得到的 D 对 G 进行膨胀（也就是膨胀和收缩用的相同的偏移量），得到 $G_d$，作者认为 $G_s$ 和 $G_d$ 的 gap 是 text region 的 border，也就是边界区域

2）通过计算和 G 中的分割区域的最近距离，来生成 threshold map 的标签，也就是绿色和红色的中间区域为 threshold map

2.5 优化过程

训练 loss：

• $L_s$：probability map 的 loss
• $L_b$：binary map 的 loss
• $L_t$：threshold map 的 loss
• $\alpha =1$，$\gamma =10$

1、$L_s$ 和 $L_b$ 的 loss 都使用二值交叉熵，为了平衡正负样本，使用了难例挖掘

• $S_l$ 是正负样本 1:3 的样本集合

2、$L_t$ 是计算了在膨胀文本多边形区域 $G_d$ 内的 prediction 和 label 的 L1 距离之和

• $R_d$：在膨胀多边形区域 $G_d$ 内的像素的索引
• $y\ast$：threshold map 的 label

推理过程：

推理的时候，可以使用 probability map 或 approximate binary map 来生成 text bounding boxes，两者生成的很接近。为了高效，作者使用 probability map 来生成，所以 threshold map 就可以舍弃了。

box 生成包含 3 步：

• probability map 首先使用 0.2 的阈值进行二值化
• 从二值图中得到连接的区域（收缩 text 区域的方式来实现）
• 使用 offset $D^{\prime }$ 来进行收缩区域的膨胀，$D^{\prime }=\frac{A^{\prime }\times r^{\prime }}{L^{\prime }}$，其中，$A^{\prime }$ 是收缩后多边形的面积，$L^{\prime }$ 是收缩后多边形的周长，$r^{\prime }=1.5$

三、效果

对比的指标：P/R/F

• P：Precision
• R：Recall
• F：F1_Score

通常意义上的三个指标都可以通过混淆矩阵来得到，混淆矩阵如下：

	预测：1	预测：0
真实：1	TP	FN
真实：0	FP	FN

$$\text{Precsion}=\frac{TP}{TP+FP}$$
$$\text{Recall}=\frac{TP}{TP+FN}$$
$${\text{F}}_1=\frac{2PR}{P+R}$$

在精度或召回率较差的情况下，F1-score也会较差。只有当准确率和召回率都有很好的表现时，F1-score才会很高。

但文本检测的计算方式不同，具体如下：

• 首先，得到预测的 pred_polygon（也就是多边形区域的角点坐标，且坐标已经恢复到原图坐标中）
• 然后，对每个 pred_polygon，计算该 pred_polygon 和其所在的图中的其他所有 gt polygon 的 IoU
• 接着，如果 IoU>阈值（如0.5），则判定该 pred_polygon 预测正确，预测正确 polygon 的数量 + 1
• 最后，计算指标，假设一个测试集中，共预测正确了 N 个 polygon：
  • Precision = N / pred_polygon 总数
  • Recall=N / gt_polygon 总数
  • F1 = 2PR/(P+R)

3.1 实验数据

• SynthText：包含 800k 图片，是从 8k 大图中抽取得到的，本文中用这个数据进行 pre-train
• MLT-2017 dataset：多语言数据集，包括 9 种语言，6 种字体，7200 张训练，1800 张验证，9000 张测试
• ICDAR 2015 dataset：包括 1000 张训练数据，500 张测试数据，从 google 得到，分辨率为 720x1280，标注到 word level
• MSRA-TD500 dataset：多语言数据集，包括英文和中文，300 张训练集，200 张测试集，标注到 text-line level
• CTW1500 dataset：主要关注曲线文本的一个数据集，包括 1000 训练集，500 测试集，标注到 text-line level
• Total-Text dataset：包括各种形状的 text，水平、多角度旋转、曲线形式等，1225 训练集，300 测试集，标注到 word level

3.2 实验细节

• 在 SynthText 上进行预训练，训练 100k iterations，然后再对应的数据集上 finetune 1200 epochs
• batch size 为 16
• 数据增强：① 在 （-10°，10°）内进行随机旋转；② 随机裁剪；③ 随机翻转
• 训练图像大小：所有图被 resize 到 640x640 大小
• 推理阶段，在保持原始纵横比的基础上，对每个数据集缩放到合适的大小，测试推理速度的时候保持 batch = 1，在 1080ti 上测试，infer 时间包括模型前向推理时间和后处理时间，后处理大概耗时占总推理时间的 30%。

3.3 消融实验

1、DB 的效果

如表 1 所示

2、可变形卷积的效果

3、对 threshold map 监督的效果

4、Backbone

resnet 50 比 resnet 18 高 2.1%（MSRA-TD500） 和 2.8%（CTW1500）

3.4 和其他方法的对比