DBNet理论知识（草稿）

基于分割的文本检测网络

检测方法：

基于回归的方法（文本框）：

基于分割（基于像素点的分类）的方法（DBNet）：

分割：

 

 

 

 

 

 

考：https://www.bilibili.com/video/BV1xf4y1p7Gf?p=2

https://zhuanlan.zhihu.com/p/94677957

项目层级（README）

模型部分：

config/open_dataset_resnet18_FPN_DBhead_polyLR.yaml 配置模型参数，模型结构

models/model.py  完整的DBnet过程

models/backbone/resnet.py  上图对应卷积部分（在models/backbone/_init_.py中实例化。resnet.py __all__ = ['build_backbone']）

models/neck/FPN.py  上图对应卷积部分（models/neck/_init_.py实例化。resnet.py __all__ = ['build_neck']）

models/head/DBHead.py  上图对应卷积部分（models/neck/_init_.py实例化。resnet.py __all__ = ['build_neck']）

推理部分：

tools/predict.py(models/_init_.py实例化model)

推理部分的后处理部分：

post_processing/seg_detector_representer.py

label制作部分：

data_loader/modules/make_shrink_map.py（通过文本框得到probability(shrink) map标注，原图大小）

data_loader/modules/make_border_map.py（threshold map标注）

train部分：

tools/train.py

trainer/trainer.py（_on_epoch_finish()函数：一个epoch评估一次）

评估部分：

DBnet\utils\ocr_metric\icdar2015\quad_metric.py (DetectionIoUEvaluator()核心)

指标： recall, precision, hmean

控制台：训练查看readme文件；预测修改predict.sh文件

DBNet代码实现过程，部分函数原理：

1.推理部分+后处理部分

转置卷积=up-sampling ：nn.ConvTranspose2d(in_channels // 4, in_channels // 4, 2, 2)

 

 推理阶段，计算点的轮廓

2.label制作部分：

threshold map label制作

 

3.训练评估部分

评估多边形/矩形

trainer/trainer.py（_on_epoch_finish()函数：一个epoch评估一次）

DBnet\utils\ocr_metric\icdar2015\quad_metric.py (DetectionIoUEvaluator()核心)

DBnet\utils\ocr_metric\icdar2015\detection\iou.py  ---->继上部调用evaluate_image()

DBnet\utils\ocr_metric\icdar2015\quad_metric.py (gather_measure()函数)把所有batch整个一下，求得整个数据集上的评估结果

(trainer/trainer.py调用_eval()函数，再调gather_measure()函数)