简介
论文链接：https://arxiv.org/abs/1904.01941
这篇论文的主要是解决文本检测的问题，思路是利用分割的方法，与图像分割有些不同的是，CRAFT不是对整个图像进行像素级分类，而是做了回归，它有两个分支，一个是目标是字符的中心的概率（这里用概率可能不是很准确，或许说是距离字符中心的距离更好一些），另一个是字符之间的连接关系，然后经过一步后处理，得到文本的边界框。
网络结构
CRAFT的网络结构如图。看起来并不复杂，基于VGG16的结构，整体类似UNet，是一个标准的分割模型。Region Score表示该点是文字中心的概率，Affinity Score可以认为是该点是两个字之间的中心的概率。这个结构还是比较简单的，其实大部分基于分割的模型网络结构都比较简单，主要是后处理与训练数据。
训练数据格式
CRAFT的训练数据label不是二值化的图像，而是采用了类似热力图的的图像，这也对应了上面说的，表示的是该位置在文字中心的概率。
上图是训练数据的label的生成示意图。首先看左边，有了一个字符级的标注（图2的红框， Character Boxes），这个字符的四个点（图1绿边）构成一个四边形，做对角线，构成两个三角形（图1蓝边），取三角形的中心，两个框之间就有四个点，构成了一个新的边框，这个边框就是用来表示两个字符之间的连接的label的（Affinity Boxes）。图3是根据Box生成Label的过程，先生成一个2D的高斯图，通过透视变换，映射成与box相同的形状，最后粘到对应的背景上。
弱监督学习
由于训练数据的label生成需要字符级标注，所以这个方法其实获取数据是很困难的，因此作者在这里采用了一个弱监督学习的方法来训练模型，取得了较好的效果。
上图是整个弱监督学习的框架。首先，我们有两种数据，一种是合成数据，这些数据的标注是准确的，另一种是真实数据，这些数据的标注是文本行等级的，合成数据就正常的训练。真实数据训练分以下几步：
- 根据真实数据的标签，将文本行crop出来。
- 跑网络，得到结果图。
- 根据网络输出的图，分割出单个文字。
- 根据上一步的结果，生成label。
实际上，这些label并不一定准确，所以用这些数据训练，并不一定能使模型训得更好，尤其是一开始模型并不够准的时候。因此，论文中利用了一个已有的标注结果来给出一个置信度，那就是利用文本长度。简单来说，如果文本长度与模型跑出来的结果是一样的，那就认为置信度高，否则置信度比较低（置信度直接乘到loss上）。
后处理
在网络输出score map之后，下面就要把这些像素级的label合成box，这篇论文里用的方法并不复杂，首先是通过阈值过滤score map，进行二值化，然后接一个连通域分析（Connected Component Labeling ），接下来通过连通域画出最终的QuadBox，论文里讲的不是特别清楚，可以看一下它的示意图：
看起来是利用单字的score map，得到绿点，之后连起来就好了，具体是怎么做的没太说清，但是到了这一步其实就不难了。
