DBNet 文本检测网络论文解读（原创）Real-time Scene Text Detection with Differentiable Binarization

DBNet 文本分割网络

论文：https://arxiv.org/pdf/1911.08947
源码：https://github.com/MhLiao/DB.
=转载需表明出处=

网络结构图

本人总结的论文贡献

1.sigmod计算得到的是概率值，需要阈值去筛选，所以本文训练了一个分支是阈值图，这样就不用人为固定阈值。但是作者更进了一步，即后处理也不需要用到阈值图，所以他的二值化是优化版的sigmod函数，也可以说二值化是可微的二值化函数
2.作者将二值化操作融入到分割网络进行联合优化（这里应该就是指DB操作,因为标准二值化不可微，sigmod又是概率值，但是作者提出所谓的DB，实际是sigmod的变种函数），目的是结合阈值图更好的训练得到概率图，最终概率图与二值化图基本无差别，推理过程只需要概率图。
3.推理过程并不需要DB操作，不需要额外的时间、内存成本
（这块自己也绕了很久，关于本人对论文的理解如有不当，希望大家指正。）

方法

1. 将图像送入特征金字塔结构的主干网络（backbone）
2. 将主干网络每一层的输出上采样到上一层的尺寸进行融合得到特征F
3. F特征用于预测概率图P和阈值图T(probability map P and the threshold map T)
4. 训练过程通过P和T得到近似二值化图（DB）
   • 传统二值化计算 ，不可微 * DB二值化
   • 可以发现可微二值化就是一个近似sigmod
   • k为放大因子，经验设置为50
     

• 如图（a），可微二值化是对标准二值化的一个近似结果
• 带有自适应阈值的可微分二值化不仅可以区分文本区域和背景，还可以分离紧密连接的文本实例。(这里有点牵强，即使不加入自适应阈值根据本人经验来看也是可以实现的，只是加入可能提升了一定的性能)
• k值作为经验值不做研究，那么作者DB中(P-T）的理论依据如图（b）和（c）,损失函数是二分类交叉熵，分别对应正负样本的损失函数如下
  
  x = Pi,j −Ti,j .求导：
  
  x<0 => L+ x>0 => L-
  根据图（b）（c）我们就轻易发现，预测错误的区域梯度非常大,同时可以解释k取50的作用和意义。

5. 可变形卷积
   • 提升感受野，对于宽高比极端的文本有利
6. 数据集标签制作
   • 收缩和外扩标签
   • 为了增大相邻文字之间的间距，缓解文字离得太近或者部分重叠的情况。概率图（probability map）的制作会在原始多边形的基础上，使用Vatti clipping（1992）算法，向内收缩D的距离
     
     r收缩比=0.4，A表示原始多边形的面积，L表示原始多边形的周长，如下所示
     
   • 阈值图（threshold map）在多边形的基础上，分别向内收缩D距离形成蓝色多边形，向外扩张D距离形成绿色多边形。蓝色多边形和绿色多边形之间的像素形成阈值图。然后计算图内每个像素离最近的边（蓝色边，绿色边）的归一化距离，形成最终的阈值图。阈值图看起来中间像素亮，边缘像素暗。
   • 根据本人理解，可以如下类比，两边值小，中间值大
     

损失

a=1.0
β=10
Ls：概率图（probability map）loss，采用二分类交叉熵损失
Lb：二值图（binary map）loss，采用二分类交叉熵损失
Lt：阈值图（threshold map）loss，采用L1损失

• 本文交叉熵损失
  
  基于ohem难例挖掘，保证正负样本比例为1:3（后续了解）参考：1 和 2

推理处理

• 通过概率图映射成二值化图（恒定阈值0.2），这里就又绕回去了这和直接使用sigmod然后给定阈值有区别嘛？有待考证。
• 对收缩区域扩展回去，得到最终二值化图

总结

1. 通过训练作者得到结论，在推理时使用概率图和DB后的近似二值图对最后的检测结果基本一致，所以为提高效率选择使用概率图和固定阈值直接生成结果，作者固定阈值0.2本人推测是根据训练的动态阈值图得到的规律吧。
2. 总之作者的一些训练策略值得我们借鉴，后续有深入的理解在进行进一步补充。