【论文笔记】Deep Direct Regression for Multi-Oriented Scene Text Detection
文献: Wenhao He, Xu-Yao Zhang, Fei Yin, Cheng-Lin Liu. Deep Direct Regression for Multi-Oriented Scene Text Detection[J]. arXiv preprint arXiv:1703.08289v1.
本文将目前的检测方法归类为以下两种:直接回归和间接回归。间接回归指通过预测bounding box proposals的offsets进行的检测方法,如faster-rcnn,ssd等;直接回归指通过一个给定的点预测它的offsets得到边界的检测方法。本文提出了一种基于直接回归的自然场景下的多方向文本检测算法。
-网络结构
-Groundtruth和Loss函数
-Post Processing
-实验设置
本文的检测系统如下图所示,主要包括四个部分:特征提取,特征融合,多任务学习以及后处理。
1. 网络结构
检测系统的前三个部分组成了文章的网络结构。
1)特征提取:在多个卷积层进行特征提取,增加了最大感受野的范围。确保回归任务可以检测出更长的文本,同时提高边界预测的准确度。
2)特征融合:从多个尺度的feature map上提取特征,再进行融合。为了减少计算量,文章仅将融合特征map上采样至原图像尺寸的1/4,具体见下图所示(在原论文图基础上做了尺寸的标注)。
3)多任务学习:主要有两个任务的学习,分类任务和回归任务。分类任务的输出
结合两个任务,即得到
2. Groundtruth和Loss函数
整体多任务的loss函数公式如下:
1)classification task:分类任务的groundtruth基于每一个像素进行标注,距离文本中心线
2)regression task:回归任务的groundtruth值在一个范围内变化,文中采用一个Scale&Shift 模块实现快速收敛,具体网络结构见上图。Scale&Shift 通过以下公式将输入
3. Post Processing
output map上的每一个点都对应了一个有分数的四边形,通过分类任务过滤掉分数低的点,仍然会有多个点对应的四边形有重叠,即结果有冗余。故再采用一种后处理算法解决这个问题。文中提出一种后处理方法叫做Recalled Non-Maximum Suppression(Recalled NMS)。
对于一个检测结果,字符间的紧密程度与分数有关,我们既希望踢除掉那些包含了文本间间隙的检测结果,又希望保留那些字符间间隙较大但属于同一文本的检测结果,而Recalled NMS可以在这两个目标中取得一个平衡。传统的NMS方法,简单的说,就是对于有相交的就选取其中置信度最高的一个作为最后结果,对于没相交的就直接保留下来,作为最后结果,本文的方法如下图所示:1)按传统的方法先从有大量overlap的四边形集合
4. 实验设置
- 训练样本在原始图片进行旋转后裁切,旋转角度在
0,π/2,π ,or3π/2 ,大小为320× 320 -
λloc 设置为[0.01,0.5] - 先学习分类任务,再学习回归任务
- 测试阶段,采用一个多尺度sliding window,window的尺寸为320
× 320,步长为160 - 分类任务中判断一个像素是否为text的阈值为0.7
- 后处理阶段,IoU设置为0.5
- 训练数据:ICDAR2013和ICDAR2015,以及网络上下载的200个负样本
- 测试数据:ICDAR2013, ICDAR2015 Incidental Scene Text和MSRA-TD500