[CRNN]

https://zhuanlan.zhihu.com/p/43534801

介绍

• CTPN是在ECCV 2016提出的一种文字检测算法。
  • CTPN <------ Faster RCNN【也就是接引入LSTM】
  • CNN作用是：提取感受野内的空间信息；
  • LSTM作用是：学习序列特征；

• 双向LSTM=2个相反方向的LSTM相连。【比单项更为优秀，可以做双向预测，即后验预测】

网络结构

conv5 feature map

• 取一点周围的9个点，每一个点都做处理：9*H*W，每个通道都要做。

为何使用双向LSTM?

• 我的手机坏了，我打算____一部新手机。

如何通过FC层输出产生图中的Text proposals？

• CTPN=“空间 + 序列”，在"FC"卷积层后接入RPN网络。这里的RPN与Faster R-CNN类似。
• 左边分支用于bounding box regression回归。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。
• 右边分支用于Softmax分类其Anchor的类别。

如何通过Text proposals确定最终的文本位置，即文本线构造算法？

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：

• 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。【恢复图像尺寸】
• CTPN为fc feature map每一个点都配备10个上述Anchors。好处：

• 保证在 方向上，Anchor覆盖原图每个点且不相互重叠。【因为宽度相同，每个点之间的宽度保证不重叠】
• 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。

• Anchor尺寸对应原图尺寸，就不需要回归到很大的位置，只需要小范围调整。
• bbox只修正Anchor的中心y坐标和高度，不修正Anchor的X坐标和宽度。【？？？】

• 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。

效果

• 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。

文本线构造算法

• 已经获得了图所示的一串或多串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。
• 假设某张图有图所示的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：

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

细节

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像素的候选Anchor（每个Anchor宽16像素，也就是最多正向找再反向寻找：

    

   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）。

   举例说明

   

   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 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 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。
2. 且 ，所以Anchor index 0->3->7组成一个文本，即蓝色文本区域。
3. 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。

损失函数

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样本的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）

• 在Bounding box regression的训练过程中，其实
  

   

   

  总结

  • 有LSTM，对水平文本识别效果好。
  • 由于Anchor设定尺寸原因，仅能检测水平文字，对倾斜文字检测效果不好。
  • 对LSTM的训练，容易造成梯度爆炸。

   

   

  。