【论文阅读】DBNet:Real-time Scene Text Detection with Differentiable Binarization

最新推荐文章于 2024-08-21 08:43:45 发布
最新推荐文章于 2024-08-21 08:43:45 发布
阅读量3.1k 收藏 1
点赞数
分类专栏： 论文阅读 文章标签： c语言 开发语言 后端
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43859829/article/details/121680600
版权
DBNet是一种实时场景文本检测方法，它通过引入可微分的二值化过程，解决了传统阈值转换的不可微问题，从而允许整个流程在神经网络中进行端到端训练。论文提出的方法优化了二值化步骤，提高了检测的准确性。实验结果显示了这种方法的有效性。
摘要由CSDN通过智能技术生成

题目：Real-time Scene Text Detection with Differentiable Binarization

motivation:
文字检测算法可以大致分为两类：基于回归的方法和基于分割的方法。基于分割的方法先通过网络输出图片的文本分割结果，使用预设的阈值将分割结果图转换为二值图。使用阈值来判定前景和背景的操作，这个操作是不可微的，所以无法使用网络将该部分流程放入到网络中训练，本文通过学习threshmap和使用可微的操作来将阈值转换放入到网络中训练。作者想让二值化更牛逼。

method：
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
牛逼吧。。。可微耶！

lossfun:

最低0.47元/天 解锁文章
一碗白开水一
关注
专栏目录
深度学习论文: Real-time Scene Text Detection with Differentiable Binarization及其PyTorch实现
mingo_敏
11-16 189
传统的文本检测算法流程是先通过网络输出文本分割的概率图，然后使用预先设定好的阈值将概率图转换为二值图，最后使用后处理操作将像素级的结果转换为检测结果。然而，这样就会使得算法性能很大程度上取决于二值化时阈值的选择。DBNet对这个流程进行了优化，对每个像素点进行自适应二值化，二值化的阈值由网络学习得到，彻底将二值化这一步骤加入到网络里一起训练，这样最终的输出图对于阈值就会非常鲁棒。
深度学习论文: Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion
mingo_敏
11-16 213
在 DBNet 中，在分割网络中直接对多尺度的特征图聚合来提高对不同尺度的鲁棒性，直接聚合缺少了对特征的选择性DBNet++ 中，作者提出了 Adaptive Scale Fusion (ASF) module，来动态聚合多尺度特征图联合优化分割网络的 DB 模块，能够获得更加鲁棒的结果并提升文本检测的效果在 infer 过程中，DB 模块可以被移除且对最终效果没有明显的影响，故在 infer 过程中不会带来额外的时间消耗ASF 模块能够给分割网络引入更鲁棒的特征。
Real-Time Scene Text Detection with Differentiable Binarization
一只大憨憨的博客
05-23 627
摘要 最近，基于分割的方法在场景文本检测中非常流行，因为分割结果可以更准确地描述各种形状的场景文本，例如曲线文本。然而，二值化的后处理对于基于分割的检测是必不可少的，其将分割方法产生的概率图转换为文本的边界框/区域。在本文中，我们提出了一个名为可微二值化（DB）的模块，它可以在分割网络中形成二值化过程。优化与DB模块一起，分割网络可以自适应地设置二值化阈值，这不仅简化了后处理，而且提高了文本检测的性能。基于简单的分割网络，我们验证了DB在五个基准数据集上的性能改进，在检测精度和速度方面始终如一地实现了最先
《DB：Real-time Scene Text Detection with Differentiable Binarization》论文笔记
m_buddy的博客
11-28 8156
代码地址：DB 1. 概述 由于分割网络的结果可以准确描述诸如扭曲文本的场景，因而基于分割的自然场景文本检测方法变得流行起来。基于分割的方法其中关键的步骤是其后处理部分，这步中将分割的结果转换为文本框或是文本区域。这篇文章的文本检测方法也是基于分割的，但是通过提出Differenttiable Binarization module（DB module）来简化分割后处理步骤（加了一个变的预测），...
DBNet 开源项目教程
最新发布
gitblog_01042的博客
08-21 709
DBNet 开源项目教程 项目地址:https://gitcode.com/gh_mirrors/db/DBNet 项目介绍 DBNet 是一个专注于驾驶行为分析的开源项目，旨在通过深度学习技术识别和分析驾驶员的行为。项目主要利用计算机视觉和机器学习算法，对车载摄像头捕捉到的视频数据进行处理，以识别驾驶员的分心、疲劳等不良驾驶行为，从而提高道路安全。 项目快速启动 环境准备 在开始之前，请确保您的...
DB：Real-time Scene Text Detection with Differentiable Binarization论文阅读
11-05 264
DB：Real-time Scene Text Detection with Differentiable Binarization论文阅读，关于它的可微二值化的思想，Ground TRUE的定义，loss定义，threshold map以及box formation的过程。
DBNet：Real-time Scene Text Detection with Differentiable Binarization —— 论文阅读笔记
学无止境
01-05 1555
https://github.com/MhLiao/DB https://github.com/WenmuZhou/DBNet.pytorch 速度很快！ 传统的基于分割的文本检测的后处理方法比较复杂，提出的差分二值化不仅可以简化后处理还可以增强文本检测的性能。 在5个基准集上实现了比较好的表现 比先前的方法更快，DB可以提供一个二值化图，简化了后处理 使用轻量级的主干也可以表现好，在ResNet-18主干网络上增强了检测性能 在推理阶段，可以移除DB，不影响性能 Standard binariz.
AAAI2020: Real-time Scene Text Detection with Differentiable Binarization
Highlight_Jin的博客
06-30 949
DBNet
DB：Real-time Scene Text Detection with Differentiable Binarization
northeastsqure的专栏
12-04 202
1.基本过程 网络最终特征层，预测两个图：概率图，和阈值图。 概率图是，原始文本mask收缩后的图；阈值图，是文本边界向内、向外扩展后，得到的差集区域，更好的描述文本的边界。 合并方法： 2.损失函数 ...
OCR模型DBNet-------《Real-time Scene Text Detection with Differentiable Binarization》论文，模型，代码解剖
Chown先森
11-16 3172
首先，我先对DBNet的论文进行重点翻译解释说明，之后再对整个模型进行解剖，最后再对官方源码的实现方法，关键代码进行分析，所以篇幅也比较长，之间会附带一些例子说明，让你更深刻的了解DBNet。 论文解析： Abstract 基于语义分割的文本检测模型得到广泛应用，因为其对各种形状的文本，如曲线文本，都有更好的精准度。然而，用于后处理生成区域的二值化对最终的检测效果起到关键影响，在这论文，提出了可微分二值化（Differentiable Binarization (DB)），它可以融入分割网络，结合
Real-time Scene Text Detection with Differentiable Binarization
没有期待的日子反而会顺顺利利
02-15 1759
我们提出了一个名为可微二值化(DB)的module，它可以在分割网络中执行二值化过程。DB module和分割网络一起优化，可以自适应设置二值化的阈值，从检测精度和速度两方面来看，它达到了19年最先进的结果，检测1器实现了 F-measure of 82.8,速度为62FPS, 在MSRA-TD500 数据集上 传统做法：大多数现有的检测方法使用类似的post-processing，如图所示(蓝...
阅读笔记——Real-time Scene Text Detection with Differentiable Binarization
哇哇的博客
12-12 3082
目录概述方法二值化标签生成优化目标实验及指标 概述 当前文字检测主要分为基于检测和基于分割两种方法。相对于检测的方法，分割方法更便于检测各种不同形状的文本。它的缺点主要是后处理复杂，而且这部分可能成为时间性能瓶颈。而基于检测的方法优点是后处理简单，缺点是不好处理不规则形状的文本，例如弧形文本。 对于现有的基于分割的方法，在后处理方面思路基本上一致：对于一个概率图，首先要选定一个固定阈值，将这个概率图进行二值化，随后需要设计算法将二值化区域形成一个个的文字实例。这个阈值的设置，对于检测精度有着较大的影响。如下
【文本检测】DB:Real-time Scene Text Detection with Differentiable Binarization
chen1234520nnn的博客
04-15 4161
DB:Real-time Scene Text Detection with Differentiable Binarization 关键创新点：Differentiable Binarization(DB,可微分二值化)，作者提出了一种可微分的二值化方式，相比于传统的二值化操作，DB能够在网络中进行端到端训练。 一.网络整体流程 网络整体流程如下图所示： backbone提特征 + FPN结构 进行多尺度图像特征融合 FPN结构融合特征后会生成两个特征图 probability map(预测
Real-time Scene Text Detection with Differentiable Binarization 问题记录
无左无右的博客
01-18 1150
官方：https://github.com/MhLiao/DB 周军大神实现的：https://github.com/WenmuZhou/DBNet.pytorch 1.官方的 官方的按照安装流程很容易安装，只是我的环境是ubuntu16.04+cuda8，所以一直用的pytorch1.0.1（py3.7）的。也可以跑起来.但是训练的模型推理预测出来全是空啊，txt全是空的，visual...
Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion
qq_42882457的博客
05-08 1679
文章目录Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale FusionAbstract1 INTRODUCTION2 RELATED WORK2.1 Text Detection2.2 Attention Mechanisms for Image Classification2.3 Multi-Scale Feature Fusion and Context Enhancement for S
Real-time Scene Text Detection with Differentiable Binarization 阅读笔记
weixin_41874599的博客
12-04 1747
1.基于回归的方法（EAST(像素回归)，textboxe++(anchor回归)，pixel-anchor（像素回归+anchor回归））往往由更简单的post-processing(NMS就非极大值抑制)，由于是基于回归在做，因此对于不规则形状的文本检测并不准确 2.基于分割的方法,相对回归可以处理不同形状的文本，但是post-processing太费时间。 3.相对于现有的快速文本检测算...
DB/DBNet：Real-time Scene Text Detection with Differentiable Binarization 一些问题
无左无右的博客
02-21 3353
论文地址：https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/1911.08947.pdf github：https://github.com/MhLiao/DB 捣鼓DB有一段时间了，年前就开始训练了。 问题1：不收敛，原来是我的数据标签有问题，双cuda 刚开始是训练死活不收敛，训练ic15数据集也不收敛，官方数据集都不收敛？？不由怀疑...
【OCR理论】DBNet:任意形状文本检测模型1911.Real-time Scene Text Detection with Differentiable Binarization
进一寸有一寸的欢喜
09-27 534
检测任意形状的文本，基于实例分割的DBNet算法。DBNet将二值化进行近似，使其可导，融入训练，从而获取更准确的边界，大大降低了后处理的耗时
DBnet推理获取threshold map
05-17
DBNet（Real-time Scene Text Detection with Differentiable Binarization）是一种实时的场景文本检测方法。在DBNet中，二值化模块是一个非常重要的模块，它可以将特征图中的文本区域与非文本区域区分开来。 在DBNet中，threshold map是指二值化模块中计算得到的阈值映射，用于将特征图二值化为文本区域和非文本区域。获取threshold map的过程如下： 1. 首先，使用一个卷积层对特征图进行卷积操作，得到一个通道数为1的特征图，即阈值特征图。 2. 对于每个像素，根据其在特征图中的位置，计算其对应的阈值。具体而言，通过在特征图中以该像素为中心的一个固定大小的窗口内计算像素的均值或最大值来获得阈值。 3. 将阈值特征图中每个像素的值与其对应像素的阈值进行比较，将像素值大于阈值的像素标记为文本区域，将像素值小于阈值的像素标记为非文本区域。 通过以上步骤，就可以获取到threshold map，并用它将特征图二值化为文本区域和非文本区域。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值