《TextSnake：A Flexible Representation for Detecting Text of Arbitrary Shapes》论文笔记

╰+哭是因爲堅強的太久メ 2021-12-17 01:33 187阅读 0赞

代码地址：[TextSnake][]

# 1. 概述 #

> 导读：为了解决任意形状文本的检测难题，文章提出了基于全卷积网络（Fully Convolutional Network，FCN）形式的文本检测器TextSnake，它是基于分割的文本检测方法。在该模型中将文本实例通过一串有序且重叠的圆盘组成，每个圆盘都有决定其属性的半径（文本宽度）与方向（文本方向），从而可以自由检测出任意形状的文本区域。

下面是分别使用传统水平框、带旋转角度的矩形框、任意四边形与文章提出方法进行文本区域检测得到的结果对比：  
![在这里插入图片描述][20190706204110838.png]

# 2. 方法设计 #

## 2.1 检测结果的表达 ##

文中的检测算法得到的检测结果表达见图2所示，是由一系列的带角度的圆盘串联组成的，需要注意的是每个圆盘并不是与每个字符相对应的。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70]  
上面的一串圆盘可以使用一个集合进行表示， S ( t ) = \{ D 0 , D 1 , … , D n \} S(t)=\\\{D\_0,D\_1,\\dots ,D\_n\\\} S(t)=\{ D0,D1,…,Dn\}，而每个圆盘有三个属性 D = ( c , r , θ ) D=(c,r,\\theta) D=(c,r,θ)，分别代表圆的中心、半径以及该圆的方向。该方向是过中心点c的正切方向。

## 2.2 方法的流程 ##

文章的方法是基于FCN的，因而首先会预测生成文本区域（Text Region，TR，用于确定文本区域）与文本中心线（Text Center Line，TCL，用于区分开文本行），以及一些集合属性：半径 r r r、 c o s θ cos\\theta cosθ、 s i n θ sin\\theta sinθ。TCL与TR分割结果相与得到相与之后的掩膜Masked TCL。之后使用striding算法提取中心点的集合与重建的文本区域。其流程见图3  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 1]

## 2.3 网络结构 ##

文中采用的是VGG16作为主干网络，分成5个stage，其结构见图4所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 2]  
重建分割结果的过程中使用上采样与concat上一个stage的特征图的形式完成特征融合，其过程如下所示：  
![在这里插入图片描述][20190706204523158.png]  
最后一个stage的处理过程如下：  
![在这里插入图片描述][20190706204534455.png]  
其生成的结果 P ∈ R h ∗ w ∗ 7 P\\in R^\{h\*w\*7\} P∈Rh∗w∗7，其中4个channel代表的是TR与TCL的逻辑分割，另外的3个channel代表的是 r , c o s θ , s i n θ r, cos\\theta, sin\\theta r,cosθ,sinθ。

## 2.4 网络Inference ##

网络在前向传播过程中会生成TCL与TR分割结果，之后使用阈值 T t c l T\_\{tcl\} Ttcl与 T t r T\_\{tr\} Ttr分别对两个分割的结果进行二值化操作。再将两者的二值化之后的结果取交集得到文本区域的分割掩膜，这样的好处是文本行之前可以极大减少粘连。  
最后使用striding算法生成最后的文本区域，其算法运行流程如图5所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 3]  
其中更有两个比较简单的准则可以用以排除一些无效的的TCL区域：

*  1）TCL区域的像素个数应该至少是其半径均值的0.2倍；
 *  2）重建之后的文本区域应该有至少一半的像素在TR中；

文本检测的后处理可以分为三个步骤Act(a), Act(b),Act©，主要过程可以概括为：在分割结果上随机选择一个起始点，并将其中心化得到算法迭代的起始点，之从起始点开始往两头进行搜索，从而搜索得到文本区域。具体的操作步骤见图6所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 4]

*  1）**Act(a) Centralizing**，随机选取分割结果外围的一个点，做该点的切线与法线，法线就会穿过文本区域，因而按着法线的方向进行搜索得到中心点；
 *  2）**Act(b) Striding**，在进行文本区域搜索的过程中需要指定每次行进的步长，文中对于两个方向的搜索步长的定义为 ( 1 2 r ∗ c o s θ , 1 2 r ∗ s i n θ ) (\\frac\{1\}\{2\}r\*cos\\theta , \\frac\{1\}\{2\}r\*sin\\theta) (21r∗cosθ,21r∗sinθ)与 ( − 1 2 r ∗ c o s θ , − 1 2 r ∗ s i n θ ) (-\\frac\{1\}\{2\}r\*cos\\theta , -\\frac\{1\}\{2\}r\*sin\\theta) (−21r∗cosθ,−21r∗sinθ)，如果搜索的点下一步超出了TCL区域，就减少搜索的步长，或者到达了区域的终点；
 *  3）**Act© Sliding**将这些寻找到的点使用其对应的半径画圆，这些圆组成的区域就是对应的文本区域了；

## 2.5 标签生成 ##

对于任意形状的文本区域其可以看做是一个多边形，则对于该多边形文本区域可以使用下面的流程生成文本区域的标注，其流程见图7所示  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 5]  
在图中将文本区域使用顺时针方向串联起来，则可以寻找到文本的左边界与右边界，文中近似将其假设为是平行的（估计是为了方面说明），如图a所示。之后在左右边界线条的中间间隔一定的距离寻找文本区域的中心线，图b图所示。之后对左右边界收缩 1 2 r e n d \\frac\{1\}\{2\}r\_\{end\} 21rend的距离进去，其它部分扩展 1 5 r \\frac\{1\}\{5\}r 51r的范围，如图c所示（线条分割起来太难，还是扩展了一些）

对于之前文章中提到的参数 r , θ r,\\theta r,θ， r r r是中心线与边界的距离， θ \\theta θ是线上的倾斜角度（注意，这的标注是针对TCL区域，并不只针对中心线，否则如何训练呢）。对于其它的地方设置为0就可以了。

## 2.6 网络的损失函数 ##

文章中将损失函数描述为TR与TCL组成的分割损失函数，半径与角度损失函数相加的形式，其定义如下：  
![在这里插入图片描述][20190706204848971.png]  
对于角度与半径的损失函数是使用SmoothedL1的形式：  
![在这里插入图片描述][20190706204900350.png]

# 3. 实验结果 #

ICDAR2015数据集：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 6]

[TextSnake]: https://github.com/princewang1994/TextSnake.pytorch
[20190706204110838.png]: /images/20211214/c38dc31abda949a5b20b85800e2d6944.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70]: /images/20211214/66a17b2df51943be9ee6120cbb639321.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 1]: /images/20211214/d8f0e9d0561d4ed98d8fc08441242bdb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 2]: /images/20211214/332c2540a0474dbdb2c9d7f398cc546c.png
[20190706204523158.png]: /images/20211214/7133e312f1c0455db63ec42993f613da.png
[20190706204534455.png]: /images/20211214/6f5d4d7ac7244dcd81f7815d0a08ad89.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 3]: /images/20211214/d7faef05e7924b7daac537e917db8175.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 4]: /images/20211214/7e16a78178f64e87a2cfb97eaddf383f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 5]: /images/20211214/0f30d66925ae4176a32c37105cd87772.png
[20190706204848971.png]: /images/20211214/96d838a0097a4e489310df130a2a3cb4.png
[20190706204900350.png]: /images/20211214/8c3636233e1a4ad2a160f5ddc37c9a4b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 6]: /images/20211214/fd909f6bbf2e43a49e86d04495070ea0.png