PSENET——OCR文本检测论文阅读

摘要

1. 介绍

PSENet的优势有：

• 基于分割的办法，能检测任意形状的文字
• 提出了一种渐进扩张算法，能有效分割位置很近的文本
• 每个文本实例（目标区域）有多个预测的分割实例（如何整合得到输出的？）
• 为了得到最后的文本区域采用了Breadth-First-Search (BFS)。从最小的预测分割实例开始扩张的。因为最小的分割实例map中文字之间的距离是比较大的，容易分割。

如图：

3. 提出的方法

3.1 整体框架

图：

• 采用ResNet做主干网络
• 将低层次的特征和高层次的分割实例特征进行融合
• 这些映射在F中进一步融合，以编码具有各种接受视图的信息
• 在用F产生n个branchs：S1,S2,—Sn，Si整个图片分割结果。S1是最小的分割结果，Sn是最大的分割结果。用递进比例尺展开算法得到最后的文字区域R

3.2 网络设计

PSENet采用特征金字塔网络为主干网络，将P2,P3,P4,P5融合成1024channel的F

3.3 渐进式尺度扩展算法

示意图：

idea来源于数据结构中的广度优先搜索算法

• 首先是在S1（最小的文字分割map）上可以得到能很好分割开的文本中心区域
• 第二步，利用S2的像素融合到S1中，来扩张S1
• 第三部，用S3来扩张上一步得到的结果
• 最后用上一步得到的结果

这里可能有像素冲突，就是1个点属于两个文字区域，采用谁先扩张就是谁的。

3.4 目标标签

在我们的实践中，通过收缩原始文本实例，可以简单而有效地执行这些基本真值标签。
示意图：

将原始多边形pn缩小di像素，得到缩小后的多边形pi
di的计算规则(没细看)：

3.5 损失函数

其中Lc和Ls分别表示完整文本实例和收缩文本实例的损失

• 采用dice loss作为损失函数
• 此外，还有许多类似于文本笔画的模式，如栅栏、格，和FOTS一样采用了OHEM（困难样本挖掘）

其中，D是dice loss，M是OHEM输出的掩码

• Ls是收缩文本实例的损失。由于它们被完整文本实例的原始区域所包围，为了避免一定的冗余，我们忽略了分割结果Sn中非文本区域的像素。因此，Ls可以表述为
  
  其中W就是原始的文本区域掩码
  就是后面的dice loss是在最大文本掩码的基础上计算的

---

4. 实验

no time to write