文本检测之DBNet，DBNet++

论文：

DBNet：Real-time Scene Text Detection with Differentiable BinarizationReal-time Scene Text Detection with Differentiable Binarization

DBNet++：Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion

Github：https://github.com/MhLiao/DB

在MSRA-TD500数据集上的测试效果。DBNet的检测效果F1值和速度FPS都比其他算法要好很多。而DBNet++比DBNet速度约略，精度要高。

主要贡献：

1. DBNet，DBNet++在5个场景任意方向文本检测的数据集上（水平文本，多方向文本，曲形文本）都取得了最好的效果。
2. DBNet的速度快，能够输出高度鲁棒的二进制分割图，大大的简化了后处理操作。
3. 即使使用ResNet-18这样的轻量网络，检测效果也非常好。
4. 在推理测试阶段，DB模块可以移除而不会对最终效果有影响。
5. DBNet++通过提出ASF模块来优化多尺度分割的效果。

文本检测方法汇总：

名称	代表方法	优点	缺点
基于回归 （Regression-based）的方法	TextBoxes++，EAST，DeepReg，DeRPN	后处理简单，只需要NMS操作	对于任意形状的文本效果不行
基于部件 （Part-based）的方法	SegLink， SegLink++	尤其擅长长文本行	连接算法比较复杂
基于分割（Segmentation-based）的方法	Mask TextSpotter， PSENet，SAE	可以出来任意形状的文本	后处理较为麻烦，大概会占用整个推理30%的时间

DBNet网络结构：

网络输入假设为w*h*3。网络整体结构采用FPN的设计思想，进行了5次下采样，3次上采样操作。最终的输出特征图大小为原图的1/4。网络头部部分，分别引出2个分支。一个负责预测概率图（probability map，(w/4)*(h/4)*1），代销为，另一个负责预测阈值图（threshold map，(w/4)*(h/4)*1）。概率图经过阈值图处理，进行二值化后得到二值图（approximate binary map，(w/4)*(h/4)*1）。最后经过后处理操作得到最终文字的边。

DBNet++网络结构：

DBNet++在DBNet的基础上增加了ASF（Adaptive Scale Fusion）模块。不同尺度的特征通过ASF模块处理，可以得到更佳的融合特征。

ASF模块通过引入空间attention机制，使得融合后的特征更加鲁棒。

其中N表示要融合的特征数，这里N=4，表示从4个不同的分支引出的特征。

传统二值化 vs差异二值化：

 

传统二值化Standard binarization

传统的二值化，只是使用固定的阈值t进行二值化处理。

差异二值化Differentiable binarization

 

差异二值化，每个像素都使用不同的阈值进行二值化处理。而这个不同的阈值矩阵又是网络学习得到的。为了保证整个优化过程有梯度的传递，这里又将概率图和阈值图的差传入sigmoid函数，以此来保证梯度的传递。通过梯度优化，保证了不同的图片使用不同的阈值矩阵，达到最佳的二值化效果。

这里k被设置为50

定义损失函数为二分类交叉熵，l+表示正样本的loss，l-表示负样本的loss。

 

分别对正负样本函数求导，得到下面的梯度公式。

其中x<0时，取l+，x>0时，取l-

可变形卷积Deformable convolution：

在ResNet-18和ResNet-50的主干网络conv3，conv4，conv5中使用了可变形卷积，以此保证足够大的感受野。

标签制作：

 

为了增大相邻文字之间的间距，缓解文字离得太近或者部分重叠的情况。概率图（probability map）的制作会在原始红色多边形的基础上，使用Vatti clipping算法，向内收缩D的距离。

 

r表示收缩率，这里设置为0.4

A表示原始红色多边形的面积

L表示原始红色多边形的周长

阈值图（threshold map）在红色多边形的基础上，分别向内收缩D距离形成蓝色多边形，向外扩张D距离形成绿色多边形。蓝色多边形和绿色多边形之间的像素形成阈值图。然后计算图内每个像素离最近的边（蓝色边，绿色边）的归一化距离，形成最终的阈值图。阈值图看起来中间像素亮，边缘像素暗。

后处理操作：

后处理操作中，使用概率图（probability map）或者使用二值图（approximate binary map）都是可以的。两者在效果上是一样的。这样在推理过程中，就可以去掉网络中的二值化过程，直接使用概率图。这样网络中的二值化过程的loss就更像一个辅助loss，来使得网络训练的效果更好。

后处理过程如下，

1. 使用固定阈值0.2对概率图或者二值图进行二值化操作，得到二值图
2. 从二值图中获得连通域区域
3. 将连通域区域向外膨胀D’得到真实的多边形轮廓

 

其中r’=1.5

A’为网络输出的二值化后的连通区域的面积

L’为网络输出的二值化后的连通区域的周长

损失函数：

 

a=1.0

β=10

Ls：概率图（probability map）的loss，采用二分类交叉熵损失，并基于ohem难例挖掘，保证正负样本比例为1:3

Lb：二值图（binary map）的loss，采用二分类交叉熵损失，并基于ohem难例挖掘，保证正负样本比例为1:3

Lt：阈值图（threshold map）的loss，采用L1损失，其中Rd表示绿色膨胀轮廓内的像素

实验结果：

DBNet 

DBNet++

DBNet VS DBNet++ 

总结：

1. 速度快，精度高
2. 能检测任意形状的文本，横着，竖着，斜着，曲形等多种类型的文本
3. 缺点，DBNet，DBNet++不能解决环形文字里面还有文字的情况。

One limitation of our method is that it can not deal with cases “text inside text”, which means that a text instance is inside another text instance.

     4.通过提出DB(Differentiable Binarization)，类似额外约束的loss，使得模型训练效果更佳。

     5.DBNet++在DBNet的基础上，通过引入ASF模块，在少量耗时增加的代价下，提升了准确性。

     6.可变形卷积（Deformable convolution）的引入，对精度提升巨大。