目标检测之模型篇（1）【CTPN连接文本提议网络】

1. 前言

本周开始看模型篇，本周目标：CTPN,RRPN,DMPNet,EAST,冲鸭！!
第一篇，CTPN（Connectionist Text Proposal Network），其实是基于Faster R-CNN改进的，将RPN的体系结构扩展到文本识别上面，达到了state-of-art水平。

2. 实现

2.1 关键idea

1.开发了一种锚（anchor）回归机制，可以联合预测每个文本提案的垂直位置和文本/非文本得分，从而获得极好的定位精度；
2.RNN网络内递推机制，它优雅地在卷积特征映射中处理顺序文本建议；
3.CNN+RNN无缝集成，以满足文本序列的本质，形成统一的端到端可培训模型。能够在一个进程中处理多尺度和多语言的文本，避免了进一步的后过滤或细化。

2.2 模型结构

1.用VGG16的前5个Conv stage（到conv5）得到feature map(WxHxC)；
2.在Conv5的feature map的每个位置上取3x3xC的窗口的特征，这些特征将用于预测该位置k个anchor对应的类别信息，位置信息;
3.将每一行的所有窗口对应的3x3xC的特征（Wx3x3xC）输入到RNN（BLSTM）中，得到Wx256的输出;
4.将RNN的Wx256输入到512维的fc层;
5.fc层特征输入到三个分类或者回归层中。第二个2k scores 表示的是k个anchor的类别信息（是字符或不是字符）。第一个2k vertical coordinate和第三个k side-refinement是用来回归k个anchor的位置信息。2k vertical coordinate表示的是bounding box的高度和中心的y轴坐标（可以决定上下边界），k个side-refinement表示的bounding box的水平平移量。这边注意，只用了3个参数表示回归的bounding box，因为这里默认了每个anchor的width是16，且不再变化（VGG16的conv5的stride是16）。回归出来的box如上图a中那些红色的细长矩形，它们的宽度是一定的;
6.用简单的文本线构造算法，把分类得到的文字的proposal（图b中的细长的矩形）合并成文本线。

2.3 具体细节

1.检测小尺度文本框（Detecting Text in Fine-scale Proposals）

• k个anchor的设置：宽度固定为16，高度范围为11~273像素(每次除以0.7)
• 预测k个垂直坐标：
  带*的都是Ground Truth；带a的都是anchor的；啥也不带的是预测的。
  
  左边是RPN的检测框，小尺度检测提议的检测框，显然右边更加精细，更适合文本检测。

2.循环连接文本框（Recurrent Connectionist Text Proposals）

• RNN类型：双向LSTM(可以利用文本序列的上下文信息，使得检测的文本行更加精确，尽可能减少误检)，每个LSTM有128个隐含层
• RNN输入：每个滑动窗口的3x3xC的特征（可以拉成一列），同一行的窗口的特征形成一个序列
• RNN输出：每个窗口对应256维特征
  
  上面的：没用RNN
  下面的：用了RNN
  对比可知，用了RNN之后，图1减少了误检率；图2图3根据上下文检测到了没用RNN没检测到的文本。

3.文本行边细化（Side-refinement）

• 只接受分数大于0.7的提议。
• 文本线构造算法：

主要思想：每两个相近的proposal组成一个pair，合并不同的pair直到无法再合并为止。
判断两个proposal，Bi和Bj组成pair的条件：Bj->Bi， 且Bi->Bj。
Bj->Bi条件1：Bj是Bi的邻居中距离Bi最近的，且该距离小于50个像素
Bj->Bi条件2：Bj和Bi的vertical overlap大于0.7

• 引入文本行的Side-refinement
  由于text proposal的宽度是固定16，这可能造成定位不准，部分text proposal被丢弃等。
  
  xside是距离当前锚点水平位置最近的x坐标，带*的xside是x轴的Ground Truth，cax是锚点的x轴中心，wa是固定值16。
  
  上图是对比，红色框是加入了side-refinement后，黄色虚线是没加。不同颜色代表不同text/non-text分数。

3. 训练

1.训练标签labels

• 正样本：

与真值IoU大于0.7的anchor作为正样本
与真值IoU最大的那个anchor也定义为正样本

• 负样本：

与真值IoU小于0.5的anchor定义为负样本

2.训练成本loss

• 文本/非文本采用softmax
• 垂直坐标采用L1回归
• side-refinement采用L1回归
  
  其中${\lambda }_1=1,{\lambda }_2=2$。

3.训练参数

• 对于每一张训练图片，总共抽取128个样本，64正64负，如果正样本不够就用负样本补齐；
• 训练图片都将短边放缩到600像素，并且保持原图的缩放比；
• RNN层和输出层采用随机均值为0,方差为1的参数进行初始化；
• 在训练时CNN的前两层参数固定。

4. 结果

• 每张图0.14s
  

5. 参考资料

1.《Detecting Text in Natural Image with Connectionist Text Proposal Network》
2.论文翻译
3.https://blog.csdn.net/zchang81/article/details/78873347
4.https://zhuanlan.zhihu.com/p/37363942
5.算法原理解释
6.caffe实现代码
7.tensorflow实现代码
8.实战记录