Pyramid Mask Text Detector阅读笔记

2020.9.9

Pyramid Mask Text Detector

  作者分析了先前以Mask-RCNN为基础的方法存在的问题，并在此基础上提出了改进办法并设计了PMTD。

问题分析

1.多数文本检测数据集采用矩形框坐标的形式标注文本所在位置，与Mask-RCNN中使用Mask来区分前后景区域的思想相悖。使用矩形标签训练并不能凸显Mask-RCNN的优势；
2.根据矩形坐标标签虽然也可以生成像素级的分割标签以用于训练Mask-RCNN类方法，但其中存在大量的假真区域，由于标签形状的限制，图中存在大量的非字符区域也被划分到了正样本集合中，而导致的结果必然是准确率降低；

3.Mask-RCNN使用的hard mask硬分割，导致文本区域检测不全，文本检测与目标检测的目的不同，目标检测的结果若与实际存在些许偏差，或许并不会影响下一步的分类或其他工作，但文本检测的误差会直接导致后续文本识别信息缺失。通俗的说，好比通过一个人的全身像和半身像，都可以对这个人的身份进行辨识，但是一句话缺了一半，我们很难判断其所表达的意思。

解决方法

1. 采用金字塔式的Label：根据给定的矩形框坐标，确定矩形框中心点O，并设O点值为1。使用线性插值法对分割标签赋值，取值与其距O点距离成反比。

   

   假设A、B、C、D为标签边界框四顶点，则根据四点坐标可得文本区域中心点O，设O点值为1，假设一点P位于$\Delta ODC$区域内，则向量$\overrightarrow{OP}$