Focus-Enhanced Scene Text Recognition with Deformable Convolutions//论文笔记

论文： https://arxiv.org/pdf/1908.10998.pdf

摘要

2.方法

采用CRNN作为基线网络，并在其中插入deformable modules，插入的位置是在cnn的中间部分，作者说：浅层学到的是基本特征，深层特征图的尺寸太小（一般最后为H/4×W/32）学到的偏移可能不够精确，文字检测中一般将deformable 加到cnn的最后，但是文字检测图片的尺寸要大很多，加入了残差模块，和自适应的最大值池化
网络结构

---

3. 实验

训练数据为：

1. MJSynth Dataset
2. SynthText in the Wild Dataset
   测试数据有：

• totaltext
• IC13
• IC15
• SVT
• IIIT5K
  图片resize到200×64,用CTC loss，SGD优化器，64的batchsize，lr=0.00005（好小）
  结果：
  
  DConv+resblock相较于单独的DConv和resblock并没有提高多少。

DConv放置位置的影响

放到较深的层，最多用两层。