参考：
https://zhuanlan.zhihu.com/p/37363942
https://zhuanlan.zhihu.com/p/34757009
https://zhuanlan.zhihu.com/p/31426458 【 Faster RCNN 非常详尽】
对于理解RNN／LSTM首先推荐阅读以下2篇文章，里面有详细的公式推导：
零基础入门深度学习(5) - 循环神经网络
零基础入门深度学习(6) - 长短时记忆网络(LSTM)
简介
文章基本信息
论文题目：Detecting Text in Natural Image with Connectionist Text Proposal Network,简称CTPN.该文章是ECCV2016乔宇老师的文章
论文地址：https://arxiv.org/pdf/1609.03605.pdf
代码实现：https://github.com/tianzhi0549/CTPN(作者的caffe实现)，
https://github.com/eragonruan/text-detection-ctpn(其他人tensorflow实现)
作者提供的caffe实现没有训练代码，不过训练代码可以参考faster-rcnn的训练代码
文本检测概述
文本检测可以看成特殊的目标检测，但它有别于通用目标检测．在通用目标检测中，每个目标都有定义好的边界框，检测出的bbox与当前目标的groundtruth重叠率大于0.5就表示该检测结果正确．
文本检测中正确检出需要覆盖整个文本长度，且评判的标准不同于通用目标检测，具体的评判方法参见(ICDAR 2017 RobustReading Competition)．所以通用的目标检测方法并不适用文本检测。
原始CTPN只检测横向排列的文字。CTPN结构与Faster R-CNN基本类似，但是加入了LSTM层。假设输入 Images：
- 首先VGG提取特征，获得大小为 的conv5 feature map。
- 之后在conv5上做 的滑动窗口，即每个点都结合周围 区域特征获得一个长度为 的特征向量。输出 的feature map，该特征显然只有CNN学习到的空间特征。
- 再将这个的feature map每一行都作为一个 的数据流，输入Bi-directional LSTM（双向LSTM），学习每一行的sequence feature。经过reshape后最终输出 特征，既包含空间特征，也包含了LSTM学习到的序列特征。
- 再经过“FC”卷积层，变为 的特征
- 最后经过类似Faster R-CNN的RPN网络，获得text proposals，如图2-b。
图2 CTPN网络结构
-
更具体的网络结构，请使用netscope查看CTPN的deploy.prototxt网络配置文件。
接下来，文章围绕下面三个问题展开：
-
- 为何使用BLSTM
- 如何通过FC层输出产生图2-b中的Text proposals
- 如何通过Text proposals确定最终的文本位置，即文本线构造算法
-
回答这三个问题，基本原理就了解了。感谢作者，写的很详细。
详见知乎：https://zhuanlan.zhihu.com/p/34757009