相關(guān)背景介紹

文本在人機交互中扮演著重要的角色, 圖片中的文本所包含的豐富而精確的信息在基于視覺的設(shè)備中應(yīng)用非常廣泛,能夠輔助設(shè)備獲得更精確的物體和周邊環(huán)境信息。隨著智能機器人、無人駕駛、醫(yī)療診斷的飛速發(fā)展,文本的檢測與識別已經(jīng)成為定位和理解物體信息的重要途徑[28]。現(xiàn)實當中,許多跟文本識別相關(guān)的應(yīng)用極大地方便了我們的生活,如車牌識別、發(fā)票識別、拍圖識字等。

文本識別demoOCR相關(guān)概念:提到文本檢測識別，我們會聯(lián)想到的一個詞就是 OCR，OCR 是光學(xué)字符識別 Optical Character Recognition的簡稱，是指對文本資料的圖像文件進行分析識別處理，獲取文字的過程 [19]。現(xiàn)在所說的OCR 通常也指場景文字識別，根據(jù)識別場景，可大致將 OCR 分為識別特定場景的專用 OCR 和識別多種場景的通用 OCR。比如車牌識別就是對特定場景的 OCR，而對自然場景中的文字識別則是通用場景 OCR，一般來說，自然場景的文字識別由于環(huán)境更加復(fù)雜多樣，其識別難度相對困難。文字識別通常包含文本檢測和文字識別兩個階段。文本檢測特點:1、相比于常規(guī)物體檢測，文字行長度、長寬比例變化范圍很大。 2、文本行有方向性，anchor-based的檢測通常是水平和垂直方向的矩形。 3、有些藝術(shù)字體形狀變化非常大，很多是彎曲的,并且字體類型豐富,語言種類豐富。 4、由于豐富的背景圖像干擾，手工設(shè)計特征在自然場景文本識別任務(wù)中不夠魯棒。

文本檢測比普通物體檢測存在更多特點

本文將介紹以下幾部分

一、配置Docker環(huán)境為什么要特意提一下Docker，當然是因為這東西挺有意思，可以幫助我們高效的做項目! 接下來就來看看，什么是Docker吧。 做深度學(xué)習(xí)項目時，配環(huán)境是一件很讓人頭疼的事情，尤其是當你要跑別人代碼時,自己的環(huán)境跟別人的環(huán)境不一致,就會出現(xiàn)各種bug，這就是所謂的生產(chǎn)環(huán)境(別人的環(huán)境)跟測試環(huán)境不一致(你的環(huán)境)，那么，我們可以想象，如果現(xiàn)在有一種工具,可以把別人的環(huán)境克隆一份，放到自己電腦上，然后自己用這個環(huán)境，豈不就不會出現(xiàn)環(huán)境不一致的問題啦，美滋滋。 那么,有沒有這種工具呢？答案是有的，這個工具就是Docker。第一步，想要用docker，首先就要安裝docker在我們的計算機上，安裝docker教程如下:跟著教程復(fù)制粘貼命令就行了~ https://docs.docker.com/install/linux/docker-ce/ubuntu/第二步，安裝好了docker，得學(xué)學(xué)怎么用docker，類似于git，在Linux上可用命令可以操作:先學(xué)習(xí)一下docker里邊的基本概念，再學(xué)習(xí)一下基本命令(如果pull下一個鏡像,如果run等等)，參考資料如下: https://blog.csdn.net/fgf00/article/details/51893771 蟈蟈：Docker，救你于「深度學(xué)習(xí)環(huán)境配置」的苦海，https://zhuanlan.zhihu.com/p/64493662二、介紹多種文本檢測算法1、CTPN(Detecting Text in Natural Image with Connectionist Text Proposal Network)ECCV 16這篇論文的亮點是結(jié)合了CNN與雙向LSTM，能有效的檢測出復(fù)雜場景的橫向分布的文字, 在當時也算是開坑之作。 總的來說，該算法的重點部分有三個： 1、在網(wǎng)絡(luò)上改進，似的提取的特征能夠在雙向LSTM中使用。 2、使用了雙向LSTM。 3、采用了一組（10個）等寬度，不同高度的的Anchors，用于定位文字位置。 4、采用文本線構(gòu)造算法，把這些text proposal連接成一個文本檢測框。 這篇論文的細節(jié)內(nèi)容知乎上已經(jīng)有大佬寫的很好了，我就不重復(fù)搬磚了，可參考： 白裳：場景文字檢測—CTPN原理與實現(xiàn)（https://zhuanlan.zhihu.com/p/34757009） 但是我還是要把這篇文章的實驗結(jié)果搬出來，這樣后續(xù)的文章可以跟他比較~實驗結(jié)果：

總結(jié)分析:現(xiàn)在來看這算法已經(jīng)挺老了,缺點很明顯,只能檢測橫向或者縱向(改anchor比例后可檢測縱向)的文本, 但是不能檢測其他方向, 并且在精度上也落后了.Github 開源代碼：https://github.com/eragonruan/text-detection-ctpn2、EAST(EAST: An Efficient and Accurate Scene Text Detector)CVPR 17這篇論文提出了一種端到端的快速有效的文本檢測方法，消除了中間多個stage(如候選區(qū)域聚合，文本分詞，后處理等)，直接預(yù)測文本行，從下圖中可看出，EAST的 pipeline（e）最為簡潔。

EAST pipeline與其他框架pipline對比論文亮點：提出了一種基于兩階段的端到端的快速有效的文本檢測方法（借鑒了DenseBox和FCN）,不熟悉DenseB。 ox的可以看看這篇文章中對其的介紹 。 陀飛輪：目標檢測：Anchor-Free時代 即可以檢測單詞級別，又可以檢測文本行級別．檢測的形狀可以為任意形狀的四邊形(QUAD)或傾斜矩形 (RBOX)。 采用了Locality-Aware NMS來對生成的框進行過濾。網(wǎng)絡(luò)部分：這個網(wǎng)絡(luò)的基本結(jié)構(gòu)是以2015年發(fā)表的DenseBox中的網(wǎng)絡(luò)為基礎(chǔ)構(gòu)建的。基于上述主干特征提取網(wǎng)絡(luò)，抽取不同level的feature map,然后上借鑒U-net的合并規(guī)則進行合并。 輸出是稠密的每個像素對于文本的預(yù)測信息。我們以RBOX為例，網(wǎng)絡(luò)輸出的通道數(shù)應(yīng)為6（1個為score map，4個為文本框的坐標信息，1個為角度）。我們預(yù)測的幾何形狀分為RBOX和QUAD（輸出為9維，包括8個坐標，一個score map）兩種，在后面為每一種也相應(yīng)設(shè)計了不同的loss值。其中score所代表的含義是在該像素位置預(yù)測的目標的可信度，其值為[0, 1]。在最后我們會將score值大于我們所設(shè)計的閾值的預(yù) 測框留下來，并進行NMS獲取最終結(jié)果[10,21,22]。

網(wǎng)絡(luò)標簽的生成：要對網(wǎng)絡(luò)進行訓(xùn)練，就要有標簽，讓我們預(yù)測的結(jié)果和標簽進行對比，然后通過不斷優(yōu)化參數(shù)，最終得到我們想要的網(wǎng)絡(luò)。 Score map 標簽的產(chǎn)生：根據(jù)論文的描述，我們Score map的正樣本的范圍，其實就是在圖片中我們標注框的一個縮進框，如下圖的（a）到（b）所 示，具體的公式請看原論文 [10]。 Geometry Map 標簽產(chǎn)生：不詳細說明，請參照原論文 [10]。

損失函數(shù):由Score map 和 Geometry Map 兩部分產(chǎn)生的損失加權(quán)組成。

loss 對Score map 采用了class-balanced cross-entropy，如下：

class-balanced cross-entropy 是平衡因子，計算公式如下 (是標簽，? 是預(yù)測的Score map） ： 平衡因子 對Geometry Map計算損失：“we adopt the IoU loss in the AABB part of RBOX regression, and a scale-normalized smoothed-L1 loss for QUAD regression”[10]這里只以RBOX為例說明：IoU loss 部分：

IoU loss loss of rotation angle：

loss of rotation angle Geometry Map loss 總和： Geometry Map loss 總和 Locality-aware NMS： 與標準的NMS相比，主要在于多了一個合并階段。迭代兩兩候選框，如果兩個候選框高于某個權(quán)值，進行一個加權(quán)的合并操作，合并完再做一個標準的NMS [21,22]。實驗結(jié)果：從實驗結(jié)果中可以看出，這篇文章比14和15年的一些算法在精度上要高出很多。

總結(jié)分析:優(yōu)點:用了特征圖多尺度融合,所以可檢測不同尺度的文本區(qū)域, 預(yù)測的文本框是帶角度的,所以可以對任意方向的文本進行檢測. 缺點:由于感受野和anchor大小的限制, 對長文本和曲線文本檢測困難.Github 開源代碼：https://github.com/argman/EAST https://github.com/huoyijie/AdvancedEAST https://github.com/songdejia/EAST3、SegLink (Detecting Oriented Text in Natural Images by Linking Segments) CVPR 17從EAST算法中可以知道, 檢測長文本是比較困難的, 或者說,想要一次性檢測整個文本行是比較困難, 針對這個問題, 本文提出了一種新的思想Seglink (segment + link)，它是在SSD目標檢測方法的基礎(chǔ)上進行改進的,但是不通過矩形框來回歸文本區(qū)域的位置.Seglink模型的做法是:先將每個單詞切割成更易檢測的有方向的小文字塊(segment)，然后用鄰近連接將各個小文字塊link成單詞。也就是說,網(wǎng)絡(luò)會輸出兩類信息:1、一個是segment，它可能是一個字符或者幾個字符等, 它不是整個文本行的框，而是文本行的一部分, 這個信息是帶有角度的，如下圖的黃框表示。 2、另一個是不同segment之間的link信息，而這個link也是在網(wǎng)絡(luò)中自動學(xué)習(xí)的，由網(wǎng)絡(luò)判定哪些segment屬于一個文本行，由下圖的綠線表示。

segment 與 link網(wǎng)絡(luò)結(jié)構(gòu):對segments的預(yù)測：２個segment score和５個geometric offsets為**default box:本文每個feature map的每個位置只采用了一個aspect ratio=1的default box，而SSD中是一系列(1, 2, 3, 1/2, 1/3).default box scale size:本文的是根據(jù)當前層的感受野來進行設(shè)置scale size，而SSD是通過人工設(shè)定的. 對于link的預(yù)測包括同層(within-layer link)的和跨層(cross-layer link)的兩種: 對于conv4_3層，對于feature map的每個位置需要預(yù)測其link輸出的維度為2*8(文中對feature map中每個位置只預(yù)測一個segment,所以8就是當前層8鄰域)=16；對于conv7, conv8_2, conv9_2, conv10_2, conv11其輸出的link維度為2*8(8是當前層8鄰域)+2*4(4是上一層4鄰域)=24

主框架

within-layer link 和cross-layer link 可視化圖網(wǎng)絡(luò)最后總共輸出通道數(shù)為31,如下圖:

網(wǎng)絡(luò)最后總共輸出通道數(shù)Combining Segments with Links算法預(yù)測出Segment 和 Link 之后,需要用一種算法將預(yù)測出的Segments組合起來或者叫連接起來. 作者的算法是:首先通過人工設(shè)定的 α 和β(這兩個值是采用網(wǎng)格搜索找到最優(yōu))，對網(wǎng)絡(luò)預(yù)測的segments和links進行濾除. 然后將每個segment看成node，link看成edge，建立圖模型，再用DFS(depth first search)找到連通分量，每個連通分量包含一系列segments(用B表示). 最后,輸出連接segments后的文本框的算法如下:

連接segments成一個框損失函數(shù):包含三部分,segment classification loss (softmax)，offsets regression loss (L1 regression)，link classification loss (softmax).

實驗結(jié)果:

總結(jié)分析:缺點: 間隔較大的文字塊不能檢測出來，比較link只是針對鄰域的.Github 開源代碼：https://github.com/dengdan/seglink https://github.com/bgshih/seglink4、TextBoxes(TextBoxes: A Fast Text Detector with a Single Deep Neural Network)AAAI 17這篇文章的主要貢獻提出了一個快速而精確的文本檢測器，叫做TextBoxes，也是在SSD的基礎(chǔ)上進行改進的。相對SSD的改變?nèi)缦滤狞c：1、修改了default box的apect ratio，分別為[1 2 3 5 7 10]，變成長條狀。 2、修改classifier卷積核的大小為1*5，而SSD中卷積核的大小為3*3，這樣更適合文本檢測。 3、提出了一個端到端的訓(xùn)練框架．在測試的時候，輸入圖像由單尺度變成了多尺度 。 4、利用識別來調(diào)整檢測的結(jié)果。

主框架 TextBoxes是一個28層的全連接卷積網(wǎng)絡(luò)，從主框架中可以看出，使用了1*5的卷積核，在每一個特征位置，預(yù)測一個72維的向量，因為每一個特征位置會有12個默認框（12個框怎么來的呢，首先有6種比例就有六個框，但是論文中指出了，為了防止水平方向的框太過密集，而垂直方向稀疏，所以每個默認框都設(shè)有一個垂直方向的偏移，相當于框的數(shù)量翻了一倍，如下下圖默認框圖所示）。72維（12*2+12×4）包括文本出現(xiàn)的得分（2維）和12個默認盒子的偏移（offsets）（4層）。

默認框圖，這里只展示了兩種比例（1和5的）損失函數(shù)：見下文TextBoxes++，與其相同。

實驗數(shù)值結(jié)果

實驗效果圖，包含成功案例和失敗案例分析總結(jié):不能檢測任意方向文本塊.Github 開源代碼：https://github.com/gxd1994/TextBoxes-TensorFlow https://github.com/shinjayne/shinTB5、R2CNN(R2CNN: Rotational Region CNN for Orientation Robust Scene Text Detection)CoRR 17這篇文章提出了一種旋轉(zhuǎn)區(qū)域CNN (Rotational Region CNN，R2CNN)，用于檢測自然場景圖片中任意方向的文本框，當然這種方法并不局限于斜框文字檢測，也可以用在其他領(lǐng)域。 傾斜四邊形如何表示，下邊這邊文章中寫的比較清楚了，這篇文章用矩形的兩個坐標點和矩形的高(x1,y1,x2,y2,h)來表示： stone：基于Faster RCNN的斜框檢測：R2CNN https://zhuanlan.zhihu.com/p/41662351

網(wǎng)絡(luò)架構(gòu)：

主框架第一步：通過RPN網(wǎng)絡(luò)，得到正框的Proposal，并且把anchor的大小從(8,16,32)改為(4,8,16,32) 或 (4,8,16)，論文里說了，將anchor調(diào)小對檢測是有幫助的。第二步：ROIPooling，使用了不同pooled size (7 × 7, 11 × 3, 3 × 11) 的 ROIPooling，將三種結(jié)果concate在一起，再經(jīng)過fc6，fc7進行正框預(yù)測，斜框預(yù)測以及分類預(yù)測，之后，再通過斜框的NMS進行后處理。 作者在論文里指出，每一個傾斜框都跟一個正框相關(guān)聯(lián)，如下圖中的（a）與（c）,之所以既要對正框預(yù)測，又要對斜框預(yù)測，作者認為這能提升實驗的效果。

斜NMS 斜NMS算法參考Arbitrary-Oriented Scene Text Detection via Rotation Proposals損失函數(shù)：包含分類損失和回歸損失，回歸損失又包含正框和斜框兩部分。

loss實驗結(jié)果：在精度上超過EAST和Seglink.

在不同參數(shù)設(shè)定下，R2CNN的結(jié)果比較

在ICDAR 2015數(shù)據(jù)集上的實驗結(jié)果

在ICDAR 2013數(shù)據(jù)集上的實驗結(jié)果 在ICDAR 2013數(shù)據(jù)集上的實驗結(jié)果，作者認為效果沒有超過sota的原因是由于他們使用的訓(xùn)練數(shù)據(jù)不包含單個字符，如果包含，將可能會超過sota。總結(jié)分析:對斜的小的目標可能效果好一點Github 開源代碼：https://github.com/yangxue0827/R2CNN_FPN_Tensorflow https://github.com/DetectionTeamUCAS/R2CNN_Faster-RCNN_Tensorflow6、TextBoxes++(TextBoxes++: A Single-Shot Oriented Scene Text Detector)TIP 18從論文名字就可以看出，TextBoxes++是對TextBoxes的改進。

主框架相對TextBoxes的改變?nèi)缦拢?、對文本框的表示方式進行了改進。 在TextBoxes中，default box 是水平的框，不能檢測傾斜的文字。論文中討論了兩種表示方式：分別是4個點坐標（x1,y1,x2,y2,x3,y3,x4,y4）（四邊形）和兩個點的坐標外加四邊形的高（x1,y1,x2,y2,h）（傾斜矩形）。但論文推薦使用四個坐標的表示方式。四邊形和矩形表示的計算方法如下：

四邊形和矩形表示的計算方法 其中（x0,y0）是default box的中心點，(w0,h0)是default box的寬度和高度。 在每個feature map后的text-box layer將預(yù)測每個box上的文本存在概率以及位置偏置，以傾斜矩形為例，其預(yù)測輸出為： 預(yù)測輸出 根據(jù)預(yù)測輸出，計算檢測框的坐標和高度，公式如下（傾斜矩形形式）：

計算坐標和高度

從默認框回歸的過程 在TextBoxes++中，也為文本設(shè)置了垂直偏移，使得默認框在垂直方向密集，如下圖所示，沒有垂直偏移的只有黑色虛線框，就會漏掉很多連續(xù)的垂直方向文本。黃色虛線框是加入了垂直偏移后的，文本信息都被包圍了進去（本人覺得這里的作圖太過于刻意了，說服力并不是很強）。

垂直偏移 損失函數(shù)包含預(yù)測得分和預(yù)測定位兩部分損失（與TextBoxes相同）： loss 其中，N是與GT匹配的default boxes數(shù)量，_α_設(shè)為0.2，對于分類用兩分類sotmax，對于定位用smooth L1。 此外，文章還用了On-line hard negative mining、數(shù)據(jù)增強、多尺度訓(xùn)練、有效級聯(lián)NMS等技巧。實驗結(jié)果：從ICDAR和COCO-text的實驗數(shù)值上對比可以看出，這篇18年的文章已經(jīng)完全干掉了17年的 EAST。

四邊形與傾斜矩形對比

可視化結(jié)果分析總結(jié):對TextBoxes 不能檢測任意方向文本塊的缺點進行了改進,其精度已經(jīng)完全干掉了頭一年的EAST.Github 開源代碼：https://github.com/Shun14/TextBoxes_plusplus_Tensorflow https://github.com/MhLiao/TextBoxes_plusplus7、FOTS(FOTS: Fast Oriented Text Spotting with a Unified Network)CVPR 18與前面幾篇只是檢測部分的不一樣，這篇論文是一個集合了文本檢測跟文字識別兩部分的一個統(tǒng)一的端到端的框架，可同時對圖像中的文字進行檢測跟識別。之前的大部分方法都是將檢測跟識別當做兩個獨立的任務(wù)去做，先檢測，再識別。這篇論文提出的框架處處是可微的，所以可以對其進行端到端的訓(xùn)練，結(jié)果表明，該網(wǎng)絡(luò)無需復(fù)雜的后處理和高參數(shù)整定，易于訓(xùn)練，并且在保證精度的前提下大大提高速度，如下圖所示：

可以看出，本文提出的統(tǒng)一的框架要比兩階段的方法快論文的主框架如下：

主框架 FOTS的整體結(jié)構(gòu)由 shared convolutions，the text detection branch，RoIRotate operation，the text recognition branch 4部分組成。Shared Convolutions：FOTS的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)為Resnet50，共享卷積層采用了類似U-net的卷積的共享方法，將底層和高層的特征進行了融合。這部分和EAST中的特征共享方式一樣。最終輸出的特征圖大小為原圖的1/4，如下圖所示：

shared convolutionsText Detection Branch：該模塊和EAST一樣，采用了FCN作為文本檢測器，損失包含分類的loss（cross entrop）和坐標的回歸的loss（IOU loss+角度loss）,公式如下：

RoIRotate：RoiRotate將變換應(yīng)用于定向特征區(qū)域（有角度的），以獲得軸對齊的特征映射，如下圖所示：

特征區(qū)域角度變換 RoiRotate計算公式如下：

M是放射矩陣，包含旋轉(zhuǎn)，縮放，平移 使用變換參數(shù)，可以使用仿射變換輕松生成最終的roi特征：

這里的幾個公式涉及到很多參數(shù)的概念，涉及到雙線性插值，更具體的含義請看論文 :仿射變換矩陣，包含旋轉(zhuǎn)，縮放，平移 :仿射變換后的特征圖的高度，實驗中為8 :仿射變換后的特征圖的寬度 :特征圖中的點的坐標 :特征圖中的點距離旋轉(zhuǎn)的框的上下左右的距離 :檢測框的角度 :在位置（i,j），通道c處的輸出值。 :在位置（n,m），通道c處的輸入值。 :輸入的高度 :輸入的寬度 總之，經(jīng)過變換之后，我們可以獲得變換后的特征圖，然后將該特征圖輸入到 Text Recognition Branch進行識別。Text Recognition Branch：這個分支使用共享卷基層的特征和變換后的特征來識別文字，其結(jié)構(gòu)類似CRNN結(jié)構(gòu)，使用了類似VGG的順序卷積，一個雙向LSTM，最后再接CTC解碼器，對CRNN和CTC不熟悉的可先看： 白裳：一文讀懂CRNN+CTC文字識別 https://zhuanlan.zhihu.com/p/43534801

Text Recognition Branch Structure實驗結(jié)果：精度上可以說是很不錯了

On ICDAR 2015

On ICDAR 2017

On ICDAR 2013

速度和模型大小比較總結(jié)分析:精度高,速度相對也比較快Github 開源代碼：https://github.com/jiangxiluning/FOTS.PyTorch https://github.com/xieyufei1993/FOTS https://github.com/Pay20Y/FOTS_TF8、PixelLink(PixelLink: Detecting Scene Text via Instance Segmentation)AAAA 18通過前邊的文章我們可以發(fā)現(xiàn)，對文本的檢測大都采用邊框回歸的思想來做，而這篇文章提出了不一樣的方法，文章提出采用實例分割的方法分割出文本行區(qū)域，然后直接找對應(yīng)文本行的外接矩形框，這樣就實現(xiàn)了對文本的檢測。 但是，通常文本之間挨得很近，很難將他們分割開來，如圖所示：

接下來我們就看看這篇文章是如何做的......框架結(jié)構(gòu)：主干網(wǎng)絡(luò)是沿用了SSD網(wǎng)絡(luò)結(jié)構(gòu)，用VGG16作為base net，并將VGG16的最后兩個全連接層改成卷積層； 論文中給出了兩種網(wǎng)絡(luò)結(jié)構(gòu)：PixelLink+VGG16 2s （特征圖大學(xué)下降為原圖的1/2）和PixelLink+VGG16 4s （特征圖大小下降為原圖的1/4）。

主框架 1、提取不同層的feature map，對于PixelLink+VGG16 2s網(wǎng)絡(luò)結(jié)構(gòu)：提取了conv2_2, conv3_3, conv4_3, conv5_3, fc_7． 2、對已提取的特征層，采用自頂向下的方法進行融合，融合操作包括先向上采樣，然后再進行add操作．注意：這里包含了兩種操作：pixel cls和pixel link（文本/非文本預(yù)測和Link預(yù)測），所以對應(yīng)的卷積核個數(shù)分別為２和16 。注意，fc6和fc7，被轉(zhuǎn)換為卷積層。

網(wǎng)絡(luò)結(jié)構(gòu)連接像素：到這一步，我們已經(jīng)得到了文本/非文本預(yù)測和Link預(yù)測，設(shè)定兩個閾值（一個用于像素分類，一個用于像素鏈接），可以得到pixel positive集合和link positive集合。然后根據(jù)link positive將pixel positive進行連接，得到CCs(conected compoents)集合（數(shù)字圖像處理中連通分量的概念），集合中的每個元素代表的就是文本實例。注意：給定兩個相鄰的pixel positive，它們之間的link預(yù)測是由當前兩個pixel共同決定的，兩個link中至少有一個是link positive。連接的規(guī)則采用的是Disjoint set data structure(并查集)的方法。外接矩形：直接使用Opencv里邊的minAreaRext提取文本的帶方向信息的外接矩形框。后期處理：在鏈接的過程可能引入噪聲，加入后期處理階段，可以通過矩形的長、寬、面積、長寬比信息等將一些明顯的錯的區(qū)域過濾掉，以提高檢測精度。損失函數(shù)：網(wǎng)絡(luò)的損失函數(shù)包含兩個部分：pixels loss和links loss： loss 損失函數(shù)的具體內(nèi)容在此不展開討論，除了在損失函數(shù)上進行的設(shè)計，作者還借鑒了SSD里邊的數(shù)據(jù)增強的方法，具體的pixel loss 跟link loss如何設(shè)計以及如何生成訓(xùn)練數(shù)據(jù)的ground truth可參考大佬寫的（我只是個搬運工）： 燕小花：文本檢測之PixelLink https://zhuanlan.zhihu.com/p/38171172實驗結(jié)果：從數(shù)值結(jié)果從可以看出，確實比EAST強，但是好像沒有比Seglink強太多。

總結(jié)分析：優(yōu)點：無需在imagenet上預(yù)訓(xùn)練. 缺點：跟Seglink一樣，間隔較大的文字塊不能檢測出來.Github 開源代碼：https://github.com/ZJULearning/pixel_link https://github.com/cheerss/PixelLink-with-pytorch9、PSENet(Shape Robust Text Detection with Progressive Scale Expansion Network)CVPR 19文章的目的是要解決彎曲文字檢測的問題,如下圖所示,對于彎曲文字,現(xiàn)有方法存在較大的問題.

b中容易重疊，c中誤把多個實例識別成一個實例 作者認為現(xiàn)在的文本檢測主流方法可以分成regression-based和segmentation-based兩類,本文提出來的方法屬于segmentation-based.論文的三大特點:1、Segmentation-based方法能很好地解決任意形狀文本區(qū)域檢測這個問題，因為語義分割可以從像素級別上分割文字區(qū)域和背景區(qū)域. 2、對于如何分離靠的很近的文字塊,如上圖 (c) 所示,不能將他們分割開. 一個直觀的想法是增大文字塊之間的距離，使它們離得遠一點。基于這個思路，論文引入了新的概念 kernel. 3、有了kernel的概念, 作者通過一種基于廣度優(yōu)先搜索的漸進擴展算法來構(gòu)建完整的文字塊。這個方法的核心思想是：從每個kernel出發(fā)，利用廣度優(yōu)先搜索來不斷地合并周圍的像素，使得kernel不斷地擴展，最后得到完整的文字塊。 下面就來看看這些特點具體是如何做的......Pipeline :框架的主干網(wǎng)絡(luò)是FPN，一張圖片通過FPN可以得到四個Feature Map (），然后通過函數(shù)合并這四個特征圖()得到.

pipeline的具體公式如下：

其中, || 代表 concatenation, U代表上采樣。 接著，通過來預(yù)測不同kernel scale的分割圖。其中是最小kernel scale的分割圖，里面不同的連通區(qū)域都可以看作不同文字塊的“kernel”。是最大kernel scale的分割圖，是個完整的文字快。最后通過一個漸進擴展算法（Progressive Scale Expansion）去不斷地擴展中的每個“kernel”.[1]漸進擴展算法（Progressive Scale Expansion）:

Progressive Scale Expansion 該算法的輸入是, 在上圖中以n=3為例, CC 代表尋找連通分量的操作, 對著上圖來分析: 1、首先，對求連通區(qū)域，得到不同文字塊的“kernel”。 2、然后，通過 (g)所示的擴展操作合并中的文字像素，得到擴展后的結(jié)果 (c)。最后，使用同樣的擴展操作合并中的文字像素，得到最后的文字塊(d)。 3、(g)所示的擴展操作是基于廣度優(yōu)先搜索實現(xiàn)的。 我們可以把(g) 操作放大: 在邊界上有些像素點會混淆,不知道該屬于那個kernel, 在實踐中，處理沖突的原則是，混淆的像素可以在先到先得的基礎(chǔ)上由一個內(nèi)核合并。

標簽生成 (Label Generation) :使用 Vatti clippingal gorithm 參考論文 generic solution to polygon clipping. 來生成不同核尺度的標簽.

Label Generation損失函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)細節(jié):在此不細講,請參考原文：Shape Robust Text Detection with Progressive Scale Expansion Network實驗結(jié)果:

總結(jié)分析:總實驗數(shù)值結(jié)果可以看出,其檢測精度效果好,但是速度慢.Github 開源代碼：https://github.com/liuheng92/tensorflow_PSENet https://github.com/WenmuZhou/PSENet.pytorch https://github.com/liuheng92/tensorflow_PSENet