ssd 实现 文字识别 Textboxes

改进的SSD的地方：

1. default box的长宽比进行修改（长条形），使其更适合文字检测（单词）

2. 作为classifier的卷积滤波器大小从3*3变成1*5，更适合文字检测

3. SSD原来为多类检测问题，现在转为单类检测问题

4. 从输入图像为单尺度变为多尺度

5. 利用识别来调整检测的结果（text spotting）

---

网络结构

整个检测流程就是SSD+NMS，识别流程使用的CRNN。

TextBoxes是一个28层的全连接卷积网络。其中13层是继承的VGG-16的网络结构，保留了vgg16的conv1_1到conv4_3的层，vgg16最后的全连接层转换成了参数下采样的卷积层，后面在了一些卷积核池化层，称为conv6到pool11层，额外的9个卷积层添加在VGG-16层之后，Text-box层连接着6个卷积层。在每一个特征位置，一个text-box预测72维向量，这是文本出现的得分（text presencescores）（2维）和12个默认盒子的偏移（offsets）（4层）。一个非最大抑制（NMS）用来聚合所有文本盒子（text-boxlayers）层的输出。

Text-box layers

Text-box层是TextBoxes的关键组件，一个text-box层同时预测文本存在和边界盒子（bounding boxes）。

在训练阶段，ground-truth单词盒子与default box根据boxoverlap对应。根据匹配规则，每一个图位置和多个不同大小的默认盒子对应。这样就高效的把单词分为不同的纵横比和比例，并且TextBoxes还可以学习特定的回归和分类权重来处理相似大小的单词。因此，default box的设计是与特定任务息息相关的。

和一般的物体不一样，单词往往有较大的纵横比。因此，我们设计了纵横比较大的default box。特别地，我们设计了6种不同纵横比率的默认盒子，分别是1,2,3,5,7和10.可是，这使得在水平方向上的default box密集而在垂直方向上的默认盒子变得稀疏，这会导致很差的matchingboxes。

上图为4*4网格的默认盒子的解释，为了更好的可视化，仅仅只有一列默认盒子的纵横比为1和5被描绘出来。剩下的纵横比是2,3,7,10，放的方法都是相似的。黑色（纵横比是5）和蓝色的（纵横比是1）默认盒子位于单元的中心位置。绿色的（纵横比是5）和红色的（纵横比是1）的盒子有相同的纵横比（same aspect ratios）和相对于网格中心的垂直偏移（verticaloffset）（偏移是该单元高的一半）。

另外，在text-box层，我们采取了非常规的1*5的滤波器，而没有采取3*3的滤波器。这种inception风格的滤波器产生矩形接受域（receptive fields），使得能适应大纵横比的单词，也避免了正方形接受域带来的噪声信号（noisysignals）。