场景文本检测（一）-可微分二值化在基于语义分割方法的场景文本检测中的应用

2020年AAAI的oral文章。

动机和Contributions

因为语义分割模型是pixel-level prediction，能够检测各种各样shape的文本区域，所以基于语义分割方法的场景文本检测目前非常流行。抛开语义分割网络，处理segmentation result相当关键了，目前现存的很多方法使用了不同的post-processing，但使用了类似的post-processing pipeline，即将pixel-level prediction通过设置固定阀值进行二值化，然后使用一些heuristic techniques（如 pixel clustering）进行pixel-level grouping操作转为bounding boxes/regions。
因为标准的二值化函数是不可微分的（分段常量函数），所以在论文中，作者提出了一个近似函数，实现了可微分的二值化。作者采用的pipeline是在segmentation network中插入一个binarization operation进行联合优化，在图片每个位置的阀值是能够自适应地被预测。
从作者的实验中得出传统的post-processing及其复杂且耗费大量时间，本文提出的Differentiable Binarization (DB)方法作为post-processing即能提高精度也能提高速度。同时也使得加入二值化后网络能够end-to-end training，相比于其他很多fast scene text detectors不能检测arbitrary shape，此论文提出的DB方法不仅能够更快检测而且能够检测任意shape文本、在multi-language text detection task上也非常鲁棒效果好。

现存方法

最近几年的场景文本检测方法大致可以分为regression-based方法和segmentation-based方法。它们意在解决场景文本的multi-scale和multi-shape、long text挑战。
regression-based方法的post-processing很简单，仅仅可能只需要非最大值抑制，但大部分这类方法不能够很好地处理不规则的shape文本，例如curve text。segmentation-based方法总是结合语义分割结果和post-processing algorithms去得到bounding boxes，所以正如上述动机和Contributions小节所述，segmentation-based方法与regression-based方法的优缺点正好相反。

Methodology

Pipeline

整体架构就是在pyramid network产生的features基础上增加了convolution operation和deconvolution操作来预测probability map和threshold map，然后通过DB算法生成approximate binary map。

DB

这是文中最重要的module，有了它就能够预测adaptively threshold，能够将二值化嵌入segmentation network中进行共同训练。公式如下：
$${\hat{B}}_{i,j}=\frac{1}{1+e^{-k(P_{i.j}-T_{i,j})}}$$
其中$k$被设置为50。$P_{i,j}$和$T_{i,j}$分别是probability map prediction和threshold map prediction，${\hat{B}}_{i,j}$是approximate binary map prediction。标准的二值化和DB函数的比较如下图（更正一下蓝色为DB）

可见几乎一致，DB函数取值范围为$(0,1)$，且DB还可微分。

为什么DB能够提高表现？

文中作者以梯度的后向传播解释。用binary cross-entropy loss作为例子，正负类的损失分别可表示为如下(实质上下图式子就是论文提出的框架的approximate binary map的损失函数表达式)

其中$x=P_{i,j}-T_{i,j}$，损失函数的目的是：正类label对应的实例的$x$结果应当越大越好即learned probability大于learned threshold；负类label对应的实例则相反。上述式子对$x$求导可得到如下式子

其中$f(x)=\frac{1}{1+e^{-kx}}$，导数的图像如下（上图为正类损失函数导数）

从导数式子和图像我们可以观察到DB算法的优点：

• 随着k的增大，对于正类，当probability小于threshold时，梯度值被加强，而对于probability大于threshold时，梯度值被减弱。对于负类，当probability大于threshold时，梯度值被加强，而对于probability小于threshold时，梯度值被减弱。
• 由导数式子可知，正负类的优化是伴随着不同scale的，差了一个$e^{-kx}$，当false positive那么正类梯度相对负类更大，而true positive反之。
• 在分类结果很糟糕时，梯度显著增大，有利于优化；
• 在背景和前景之间的区域$P$的梯度会被$T$缩放和影响。

Traing period & inference period

在训练阶段，分别对三个map进行监督训练。probability map的label标注跟随PSENet论文中的处理，使用了shrunk polygon；approximate binary map使用了probability map的相同标注；threshold map 需要对dilated polygon的区域根据1减归一化像素到original polygon最近segment的距离进行标注(代码实现中threshold mask是将dilated polygon的区域内像素标注为1，其余为0，所以threshold map的标注可以简化为在dilated polygon最小包围盒中进行。对于出现dilated polygon相交的情况，就取交集中的点到不同original polygon最小归一化距离作为标注，并不是最小实际距离)，最后将threshold map标注值调整到[0.3,0.7]。经过作者的ablation实验结果表明对threshold map进行监督能够产生更好的结果。如果不对threshold map监督训练，习得的threshold可视化出来会高亮显示text border region（如下图左上为原图，右上为probability map，左下为无监督的threshold图，右下为有监督的threshold图），这说明border-like threshold map能够使得最终结果更好，这也给出了如何标注threshold map label。在训练阶段并不需要生成boxes。（PS：详细实验细节包括学习率、finetune、augmentation等请阅读原论文）

在测试阶段，经过作者实验，直接使用probability map和使用approximate binary map效果一样，为了减少耗费去掉了threshold分支，直接使用probability map。形成boxes通过三个步骤：设置0.2的固定threshold二值化probability map（或者approximate binary map）；从二值图里面获得shrunk text regions；将shrunk regions进行放大。

Optimization

损失函数是三个map losses的加权和，如下
$$L=L_s+L_b+10\ast L_t$$
其中$L_s,L_b,L_t$分别是loss for the probability map，loss for the binary map，loss for the threshold。常量参数则是根据实验得到的。
$L_s,L_b$是 binary cross-entropy (BCE) loss。为了解决positive和negative不均横问题，以positive:negative=1:3比例进行sampling the hard negatives，得到如下loss表达式
$$L_s=L_b=-[\sum _{i\in S_l}{y}_i\log x_i+(1-y_i)\log (1-x_i)]$$
$S_l$就为采样后的集合（base on pixel because of segmentation-based method）。
对于$L_t$则采用了L1 distances的和形式，如下
$$L_t=\sum _{i\in R_d}|y_i-x_i|$$
其中$R_d$是在dilated text polygon region里面的像素索引集合。

Deformable convolution

图片中可能因为尺寸、姿态、视角、部分变形等导致Geometric variations，在目标检测领域是个很有挑战性的任务，该Deformable convolution(v1&v2)均是在解决这样的问题。对于场景文本检测领域来说，它能够提供灵活的感受野，有利于解决场景文本中的极端的aspect ratios text instances。
从最后的实验结果来看，deformable convolution在损失一点速度的情况下比较大地提高了最终模型的表现。

总结

在模型训练时作者使用了保持aspect-ratio且固定尺寸640×640进行训练，而测试时则固定一边为某一个长度，同时保持aspect-ratio，从结果来看，input image的size会影响实验结果，越小效果越差，速度会越快，需要trade-off，可见对size还是很敏感的。同时，在文中作者也提到了proposed method依然不能解决segmentation-based method方法共有的问题，那就是’text in center region of another text’不能很好处理。
包含DB module的architecture即保留或提高了速度且同时提高了精度。实质上伴随着threshold map supervision的DB架构最终是使得probability map更加强和鲁棒。

Ref

• Liao, M.; etc. 2020. Real-time Scene Text Detection with Differentiable Binarization. In Proc. AAAI.
• heuristic techniques. https://en.wikipedia.org/wiki/Heuristic