文字定位 CTPN-黄伟林

论文翻译汇总
https://github.com/SnailTyan/deep-learning-papers-translation

2016年 ECCV

业界现在物体识别领域用的最多的是proposal region方法，即通过筛选出候选区域，然后对候选区域进行二分类(object/ no object), 同时还要对bound box进行回归，这是一般的物体识别所用的方法。 
CTPN这个方法是基于 fast-rCNN来进行的，具体来说就是同样通过筛选proposal region来识别出文字区域， 不同的是，它修改了RPN方法中的anchor产生window的方式，CTPN方法中的proposal region是固定宽度的(论文中是16px), 这样做的好处是可以发现任意宽度的文字序列。

ctpn方法的关键，将一个3 x 3的划窗划过整个feature map,每经过一个位置得到一个3 x 3 x C的特征向量，而对于每个窗口来说，都会有k = 10个anchor，也就是每个anchor产生一个text proposal，依次将这些特征输入一个双向LSTM中
https://gitee.com/mickelfeng/text_detection

CTPN 论文介绍：
文本检测和一般目标检测的不同——文本线是一个sequence（字符、字符的一部分、多字符组成的一个sequence），而不是一般目标检测中只有一个独立的目标。
难点体现在要检测出一个完整的文本线，同一文本线上不同字符可能差异大，距离远，要作为一个整体检测出来难度比单个目标更大。

CNN用来提取深度特征，RNN用来做序列的特征识别。RNN和CNN的无缝结合可以提高检测精度。
深度特征：图像深度层次特征(DHF),通过对图像的层层抽象表达,可以有效挖掘隐藏在图像内部的本质信息。

Side-refinement：文本线构造算法（多个细长的proposal合并成一条文本线）

RNN类型：BLSTM（双向LSTM），每个LSTM有128个隐含层神经元
 

这篇文章的方法最大亮点在于把RNN引入检测问题（以前一般做识别）。
文本检测，先用CNN得到深度特征，然后用固定宽度的anchor来检测text proposal（文本线的一部分），并把同一行anchor对应的特征串成序列，输入到RNN中，最后用全连接层来分类或回归，并将正确的text proposal进行合并成文本线。
https://blog.csdn.net/zchang81/article/details/78873347

文本检测的其中一个难点就在于文本行的长度变化是非常剧烈的。因此如果是采用基于faster rcnn等通用物体检测框架的算法都会面临一个问题？怎么生成好的text proposal？这个问题实际上是比较难解决的。
因此在这篇文章中作者提供了另外一个思路，检测一个一个小的，固定宽度的文本段，然后再后处理部分再将这些小的文本段连接起来，得到文本行。

基本想法就是去预测文本的竖直方向上的位置，水平方向的位置不预测。因此作者提出了一个vertical anchor的方法。与faster rcnn中的anchor类似，但是不同的是，vertical anchor的宽度都是固定好的了，论文中的大小是16个像素。而高度则从11像素到273像素变化，总共10个anchor.

对于水平的文本行，其中的每一个文本段之间都是有联系的，因此作者采用了CNN+RNN的一种网络结构，检测结果更加鲁棒。
http://slade-ruan.me/2017/10/22/text-detection-ctpn/

CTPN 代码
https://github.com/tianzhi0549/CTPN  （同caffe编译失败）

升级版CTPN
https://github.com/qingswu/CTPN