DB文本检测算法论文笔记

0 概述

​ 基于分割的文本检测算法，后处理是必须的，将概率图转成文本框（区域）。DB算法在分割网络中执行一个二值化处理。随着DB模块的优化，分割网络可以自动设置二值化阈值，不仅简化了后处理而且增强了性能。

补充：F-measure 即：
$$F_1=\frac{2\ast PR}{P+R}$$
P 是精确率（Precision），R是召回率（Recall）。

1 介绍

当前大部分检测算法都是使用如下流程：

（1）设置一个固定的阈值，将概率图转成二值图。

（2）然后一些启发式的方法通过聚类得到文本区域 。

而这篇论文 里的流程是插入一个二值化操作放到分割网络里来一起优化。在这种方式下，每个像素的阈值将自适应预测，更能区分前景背景。标准的二值化函数是不可微分的，我们使用一个近似的二值化函数，称为DB。

相比之前基于方法的方法有四个优点：

1. 更好的性能 ，包括水平、多方向、弯曲。
2. 更快。因为显著改善了后处理。
3. 在轻量级backbone上表现好。
4. 测试时没有额外内存和时间消耗。

2 相关工作回顾

2.1 基于回归的方法

优点：基于回归的方法，后处理简单。

缺点：很难表示不规则的形状，例如弯曲文本。

• 2017 TextBoxes 直接回归矩阵，基于SSD，修改了anchor和scale。
• 2017 DMPNet 、2018 TextBoxes++ 直接回归四边形，来检测多方向文本。
• 2017 SSTD 引入注意力机制来识别文本区域。
• 2018 RRD 旋转不变性做分类、旋转敏感性来做回归。
• 2017 EAST / DeepReg 像素级回归多方向 文本实例。
• 2017 SegLink 回归分割框和预测它们的连接。
• 2019 DeRPN 维度分解（dimension-decomposition）解决文本检测中的尺度问题。

2.2 基于分割的方法

• 2016 基于MSER 和语义分割，检测多方向 文本。
• 2018 文本边界分割文本实例
• 2018 Mask TextSpotter 基于 Mask R-CNN 检测任意形状文本。
• 2019 PSENet 渐进尺度扩张 ，使用不同的kernel。

3 方法

1. 将图像喂给特征金字塔。
2. 特征金字塔降采样成相同尺度级联产生特征 $F$ 。
3. F 预测概率图P和阈值图T。
4. 计算得到二值图B。

3.1 二值化

3.1.1 标准二值化

3.1.2 可微二值化

可微二值化不仅能区分文本区域和背景，而且把邻近的文本区域也分开。
$${\hat{B}}_{i,j}=\frac{1}{1+e^{-k(P_{i,j}-T_{i,j})}}=\frac{1}{1+e^{-kx}}=\frac{e^{kx}}{1+e^{kx}}$$

其中：
$$x=P_{i,j}-T_{i,j}$$

损失函数：
$$l_{+}=-log\frac{1}{1+e^{-kx}}=log(1+e^{-kx})$$

$$l_{-}=-log(1-\frac{1}{1+e^{-kx}})=-log(\frac{e^{-kx}}{1+e^{-kx}})=-log(\frac{1}{1+e^{kx}})=log(1+e^{kx})$$

后边的式子是我加的，简化上边的公式后对数函数里没有分式，后边求导就变得容易多了。
$$\frac{\partial l_{+}}{\partial x}=-kf(x)e^{-kx}$$

$$\frac{\partial l_{-}}{\partial x}=kf(x)$$