【论文笔记】Deep Direct Regression for Multi-Oriented Scene Text Detection

文献： Wenhao He, Xu-Yao Zhang, Fei Yin, Cheng-Lin Liu. Deep Direct Regression for Multi-Oriented Scene Text Detection[J]. arXiv preprint arXiv:1703.08289v1.

　　本文将目前的检测方法归类为以下两种：直接回归和间接回归。间接回归指通过预测bounding box proposals的offsets进行的检测方法，如faster-rcnn，ssd等；直接回归指通过一个给定的点预测它的offsets得到边界的检测方法。本文提出了一种基于直接回归的自然场景下的多方向文本检测算法。

-网络结构
-Groundtruth和Loss函数
-Post Processing
-实验设置

---

　　本文的检测系统如下图所示，主要包括四个部分：特征提取，特征融合，多任务学习以及后处理。

1. 网络结构

　　检测系统的前三个部分组成了文章的网络结构。
1）特征提取：在多个卷积层进行特征提取，增加了最大感受野的范围。确保回归任务可以检测出更长的文本，同时提高边界预测的准确度。
2）特征融合：从多个尺度的feature map上提取特征，再进行融合。为了减少计算量，文章仅将融合特征map上采样至原图像尺寸的1/4，具体见下图所示（在原论文图基础上做了尺寸的标注）。
3）多任务学习：主要有两个任务的学习，分类任务和回归任务。分类任务的输出$M_{cls}$是一个大小为$\frac{S}{4}\times\frac{S}{4}$的2维张量，用来预测是否为文本，张量内的元素分数越高是文本的可能性就越大；回归任务的输出$M_{loc}$是一个大小为$\frac{S}{4}\times\frac{S}{4}\times8$的3维张量，$M_{loc}$中位置$(w,h,c)$的值$L_{(w,h,c)}$表示原始图像中点$(4w,4h)$到文本bounding box的4个顶点的offsets。所以，四边形 B(w,h