【文献学习】OCR-文本检测 之 DB模型

目   录

摘 要

1、问题：

2、创新点：

一、背景介绍

1、传统分割方法的缺点

2、后处理Pipline

3、主要贡献

二、相关工作

1、基于回归的方法

2、基于分割的方法

3、文本检测速度较快的算法

三、本文方法

1、模型框架

2、可微二值化

3、自适应阈值

4、可变形卷积

5、标签生成

6、损失函数

结 论

---

摘 要

        蓝线——传统意义上的文本检测 ， 需对segmentation map 人为的设定一个阈值，转换为二值化图，即binarization map，然后，通过binarization map中的红色区域，慢慢扩张，找到文字区域，即detection results。 属于自底向上的过程，先找到像素点，再确定文字区域。

        缺点在于 segmentation map中区域选择的阈值是人为固定的。

        红线——与传统方法区别在于阈值选取方面，通过网络预测每一个位置处的阈值，而不是采用一个固定的值，可以很多的将背景和前景分离出来，但是这样的操作会遇到一个问题：给训练带来了梯度不可微的情况，因此，对于此二值化提出了Differentiable Binarization （DB）来解决不可谓的问题。

1、问题：

        针对曲形文本检测任务，基于分割的算法比回归算法的表现更好，但是分割算法都需手工设置二值化的后处理算法，将分割生成的概率图转换成文本的包围框。

2、创新点：

        提出Differentiable Binarization（DB），可以在分割网络中执行二值化的过程，可以自适应的设置二值化阈值，不仅可以简化后处理，并且提高了文本检测的性能。

一、背景介绍

1、传统分割方法的缺点

        需要复杂的后处理，导致推理阶段耗时较长（Ps : PSE-Net 、Pixel Embedding）

2、后处理Pipline

        a.通过设定一个固定阈值将概率图转化为二值化图像；

        b. 利用启发式算法（像素聚类）将像素聚合成文本实例；

        本文解决办法：

        期望将二值化操作融入到分割网络中进行联合优化，进而形成一个自适应学习二值化阈值的过程。

3、主要贡献

        a. 在5个基准数据集上获得最好的性能，包括水平、多方向和弯曲文本；

        b. 在速度上，比以前的文本检测方法都要快；（微分二值化方法的运用，极大的简化了后处理过程）；

        c. 利用轻量级的骨架也可以取得很好的效果；（如：ResNet-18）

        d. DB部分可以在推理阶段移除，但不影响网络性能。（因为网络已经训练好）

二、相关工作

1、基于回归的方法

        TextBoxes、TextBoxes++、DMPNet、SSTD、RRD、、DeepReg、SegLink、DeRPN，以上后处理算法（回归框）比较简单，但是它们不适用于不规则文本和弯曲文本。