DBNet即Real-time Scene Text Detection with Differentiable Binarization，用于OCR文本检测。网上有较多对该论文解读的文章，为了更熟悉pytorch的使用以及对DBNet更深入的理解，我利用业余时间以及参考了大佬的代码，对DBNet进行了简单版本的复现。
简单回顾一下DBNet网络。
网络结构：
图1 网络结构图
Backbone采用resnet，后接FPN，再对不同尺寸的特征图进行concat，最终由两个不同的输出头给出结果。
创新点：
加入自适应二值化，二值化阈值由网络学习得到。
label的生成：
论文中对label的生成讲解得较为简洁，label分为二值化label和阈值label，这里以我自己采用的仿真数据为例子说一下。
图2 仿真数据原图
二值化label的生成相对比较简单。
将文本框的轮廓按照公式D=A(1-r2)/L的偏移量进行缩小，其中L是标注框的周长，A是标注框的面积，r为预设的缩放因子，论文中为0.4。
图3 仿真数据二值化label(为了显示，填充了蓝色)
阈值label的生成
1). 将文本框的轮廓按照上述偏移量D进行扩大
2). 取得扩大后的轮廓的外接矩形（方便采用numpy的广播进行快速计算）
3). 计算外接矩形中的每个点到文本框原始轮廓每条线段的距离，并取其中的最小距离
4). 将所求的最小距离除以偏移量D进行归一化
5). 1-归一化结果，小于0的值变为0，大于1的值变为1
6). 因为是阈值label，需要进行缩放，论文中将1缩放到0.7,0缩放到0.3
图3 仿真数据阈值label(为了显示，该图阈值未进行缩放)
图4 仿真数据阈值label与二值化label叠加
Loss函数：
L = Ls + α×Lb + β×Lt，其中，Ls为概率图的loss， Lb为二值图的loss， Lt 为阈值图的loss。本文中α和β取值分别为1.0和10。Ls和Lb采用二值交叉熵(BCE)求解，并使用了hard negative mining，Lt使用的是L1 loss。
我的复现：
完全从零搭建了Resnet50、FPN以及DB_Head，搭建的代码不够简洁，但逻辑清晰，便于理解和修改。大佬的代码中loss函数修改为了BalanceCrossEntropyLoss、DiceLoss以及MaskL1Loss，而我的只用了pytorch自带的BCE以及L1loss。数据的读取，标签的生成，网络结构，以及模型的训练和推测都放在DBnet_pytorch.py文件中。
https://github.com/yts2020/DBnet_pytorch
在仿真数据集上进行了训练，模型的推测结果如下：
图5 模型预测结果