-CTPNシーンテキスト検出原理と実装

オリジナル住所：  https://zhuanlan.zhihu.com/p/34757009  オリジナルをお勧めします

文字認識複雑なシーンのために、テキスト、すなわち、テキスト検出への最初の定位位置。これは、ホットな話題となっています。

コネテキスト提案ネットワークで自然画像内のテキストを検出arxiv.org

 

CTPNはECCV 2016年に提案されているテキスト検出アルゴリズムです。CTPNが有効図1のシーン結果の複合文字の横方向分布を検出することができるLSTM深CNNネットワークと組み合わせ、比較的良好なテキスト検出アルゴリズムです。CTPNが速くRCNNを向上させるから来ているので、デフォルトの紙リーダは原則と高速RCNN CNNネットワーク構造に精通しています。

図1検出SceneText

CTPN 関連：

カフェコード：

tianzhi0549 -概要github.com

CTPNのネットワーク構造

CTPNは唯一のオリジナルテキストが横方向に配置された検出します。実質的に類似するが、付加LSTM層とCTPN高速R-CNN構造。仮定すると、入力   RFロイヤリティーフリー：

• サイズ取得する最初のVGGの特徴抽出   のconv5特徴マップを。
• 実行conv5後の   スライディングウィンドウを、結合の周り即ち各点   の長さが得られる前記領域   の特徴ベクトルを。出力   研究に明らかにのみCNN空間特性を備えています特徴マップ、。
• この機能は、マッピングして、形状変更可能

 

• 次いで   、時間の最大の長さ   データは、各ラインの配列特性を学習、入力双方向LSTMをストリーミングします。LSTM双方向出力   し、その後回復リシェープ形状：

 

機能はまたLSTMが学習シーケンスの特性が含まれ、両方の空間特性を含んでいます。

• そして、「FC」畳み込み層は、後になっ   機能
• 最後に、同様の高速R-CNN RPNネットワーク後、テキスト提案を得る、図2-B。

図2 CTPNネットワーク構造

具体的には、ネットワーク構成、使用netscopeはのCTPNを表示deploy.prototxtネットワークプロファイル。

ここでconv5特徴マップがどのように説明すること  になり ：

元のコードでim2col各点の近傍点の近くカフェ9を抽出し、次いで、こうして各列を処理しています。

 

このように処理された各チャネルがあります。

 

そしてim2col加速操作はBLASライブラリを使用して、非常に速く計算なる、すなわちA行列乗算畳み込み、畳み込みです。

特記事項：上記のオリジナルペーパー+カフェコードの説明があり、他のコードは、ここで議論されていない類似点と相違点の範囲を達成するために！

次に、以下の3つの質問の周りの記事：

1. なぜ使用双方向LSTM
2. 図を生成する方法をテキストの提案。FCによって出力層の2-B
3. テキストテキストの提案、すなわち、テキスト行構築アルゴリズムにより、最終的な位置を確認する方法

なぜ双方向LSTMを使うのか？

• RNNの読者は、原則を理解していないために、RNN原則導入を参照してください。

完全解析RNN，Seq2Seq和Attention机制​zhuanlan.zhihu.com

• 关于LSTM长短期记忆模型，请参考

Understanding LSTM Networks​colah.github.io

• CTPN中为何使用双向LSTM？

图3 CNN卷积计算示意图

CNN学习的是感受野内的空间信息，LSTM学习的是序列特征。对于文本序列检测，显然既需要CNN抽象空间特征，也需要序列特征（毕竟文字是连续的）。

CTPN中使用双向LSTM，相比一般单向LSTM有什么优势？双向LSTM实际上就是将2个方向相反的LSTM连起来，如图r。

图4 BLSTM

一般来说，双向LSTM都好于单向LSTM。还是看LSTM介绍文章中的例子：

我的手机坏了，我打算____一部新手机。

假设使用LSTM对空白部分填词。如果只看横线前面的词，“手机坏了”，那么“我”是打算“修”还是“买”还是“大哭一场”？双向LSTM能看到后面的词是“一部新手机“，那么横线上的词填“买“的概率就大得多了。显然对于文字检测，这种情况也依然适用。

如何通过"FC"卷积层输出产生图2-b中的Text proposals?

图5 CTPN的RPN网络

CTPN通过CNN和BLSTM学到一组“空间 + 序列”特征后，在"FC"卷积层后接入RPN网络。这里的RPN与Faster R-CNN类似，分为两个分支：

1. 左边分支用于bounding box regression。由于fc feature map每个点配备了10个Anchor，同时只回归中心y坐标与高度2个值，所以rpn_bboxp_red有20个channels
2. 右边分支用于Softmax分类Anchor

具体RPN网络与Faster R-CNN完全一样，所以不再介绍，只分析不同之处。

竖直Anchor定位文字位置

由于CTPN针对的是横向排列的文字检测，所以其采用了一组（10个）等宽度的Anchors，用于定位文字位置。Anchor宽高为：

 

 

需要注意，由于CTPN采用VGG16模型提取特征，那么conv5 feature map的宽高都是输入Image的宽高的   。

同时fc与conv5 width和height都相等。

如图6所示，CTPN为fc feature map每一个点都配备10个上述Anchors。

图6 CTPN Anchor

这样设置Anchors是为了：

1. 保证在   方向上，Anchor覆盖原图每个点且不相互重叠。
2. 不同文本在   方向上高度差距很大，所以设置Anchors高度为11-283，用于覆盖不同高度的文本目标。

多说一句，我看还有人不停的问Anchor大小为什么对应原图尺度，而不是conv5/fc特征尺度。这是因为Anchor是目标的候选框，经过后续分类+位置修正获得目标在原图尺度的检测框。那么这就要求Anchor必须是对应原图尺度！除此之外，如果Anchor大小对应conv5/fc尺度，那就要求Bounding box regression把很小的框回归到很大，这已经超出Regression小范围修正框的设计目的。

获得Anchor后，与Faster R-CNN类似，CTPN会做如下处理：

1. Softmax判断Anchor中是否包含文本，即选出Softmax score大的正Anchor
2. Bounding box regression修正包含文本的Anchor的中心y坐标与高度。

注意，与Faster R-CNN不同的是，这里Bounding box regression不修正Anchor中心x坐标和宽度。具体回归方式如下：

其中，   是回归预测的坐标，   是Ground Truth，   和   是Anchor的中心y坐标和高度。Bounding box regression具体原理请参考之前文章。

Anchor经过上述Softmax和   方向bounding box regeression处理后，会获得图7所示的一组竖直条状text proposal。后续只需要将这些text proposal用文本线构造算法连接在一起即可获得文本位置。

图7 Text proposal

在论文中，作者也给出了直接使用Faster R-CNN RPN生成普通proposal与CTPN LSTM+竖直Anchor生成text proposal的对比，如图8，明显可以看到CTPN这种方法更适合文字检测。

图8

文本线构造算法

在上一个步骤中，已经获得了图7所示的一串或多串text proposal，接下来就要采用文本线构造办法，把这些text proposal连接成一个文本检测框。

图9

为了说明问题，假设某张图有图9所示的2个text proposal，即蓝色和红色2组Anchor，CTPN采用如下算法构造文本线：

1. 按照水平   坐标排序Anchor
2. 按照规则依次计算每个Anchor   的   ，组成 
3. 通过   建立一个Connect graph，最终获得文本检测框

下面详细解释。假设每个Anchor index如绿色数字，同时每个Anchor Softmax score如黑色数字。

文本线构造算法通过如下方式建立每个Anchor   的   ：

正向寻找：

1. 沿水平正方向，寻找和   水平距离小于50的候选Anchor
2. 从候选Anchor中，挑出与   竖直方向   的Anchor
3. 挑出符合条件2中Softmax score最大的 

再反向寻找：

1. 沿水平负方向，寻找和   水平距离小于50的候选Anchor
2. 从候选Anchor中，挑出与   竖直方向   的Anchor
3. 挑出符合条件2中Softmax score最大的 

最后对比   和   :

1. 如果   ，则这是一个最长连接，那么设置 
2. 如果   ，说明这不是一个最长的连接（即该连接肯定包含在另外一个更长的连接中）。

图10 构造文本线

举例说明，如图10，Anchor已经按照   顺序排列好，并具有图中的Softmax score（这里的score是随便给出的，只用于说明文本线构造算法）：

1. 对于   的   ，向前寻找50像素，满足   且score最大的是   ，即   ；   反向寻找，满足   且score最大的是   ，即   。由于   ，   是最长连接，那么设置 
2. 对于   正向寻找得到   ；   反向寻找得到   ，但是   ，即   不是最长连接，包含在   中。

然后，这样就建立了一个   的Connect graph（其中   是正Anchor数量）。遍历Graph：

1.  且   ，所以Anchor index 1->3->7组成一个文本，即蓝色文本区域。
2.  且   ，所以Anchor index 6->10->12组成另外一个文本，即红色文本区域。

这样就通过Text proposals确定了文本检测框。

训练策略

由于作者没有给出CTPN原始训练代码，所以此处仅能根据论文分析。

 

明显可以看出，该Loss分为3个部分：

1. Anchor Softmax loss：该Loss用于监督学习每个Anchor中是否包含文本。   表示是否是Groud truth。
2. Anchor y coord regression loss：该Loss用于监督学习每个包含为本的Anchor的Bouding box regression y方向offset，类似于Smooth L1 loss。其中   是   中判定为有文本的Anchor，或者与Groud truth vertical IoU>0.5。
3. Anchor x coord regression loss：该Loss用于监督学习每个包含文本的Anchor的Bouding box regression x方向offset，与y方向同理。前两个Loss存在的必要性很明确，但这个Loss有何作用作者没有解释（从训练和测试的实际效果看，作用不大）

说明一下，在Bounding box regression的训练过程中，其实只需要注意被判定成正的Anchor，不需要去关心杂乱的负Anchor。这与Faster R-CNN类似。

总结

1. 由于加入LSTM，所以CTPN对水平文字检测效果超级好。
2. 因为Anchor设定的原因，CTPN只能检测横向分布的文字，小幅改进加入水平Anchor即可检测竖直文字。但是由于框架限定，对不规则倾斜文字检测效果非常一般。
3. CTPN加入了双向LSTM学习文字的序列特征，有利于文字检测。但是引入LSTM后，在训练时很容易梯度爆炸，需要小心处理。