【论文阅读】TextSnake: A Flexible Representation for Detecting Text of Arbitrary Shapes

 

TextSnake: A Flexible Representation for Detecting Text of Arbitrary Shapes

ECCV2018

北京大学、face++

 

 

思路：

预测文本区域与连接方向，串起来

 

 

 

Pipeline：

 

 

1. 通过FCN+FPN网络
2. 预测TR（文本域）、TCL（文本中心线）、角度、半径
3. 过滤文本线，后处理

 

网络细节：

1.基础网络采用VGG16

2.输出大小和原图一样（耗内存，慢，但是和小栋工作类似）

 

 

 

输出细节：

1.过滤文本中心线（相交）

 

 

2.文本线生成（过滤后还是一整块状态）

(1) 取一点，作垂线定位中心

(2) 沿着预测的角度滑动一定距离（有给计算法则）

(3) 在新的点重复2步骤直到端点

 

 

 

滑动位置计算：

 

 

 

如果点不在区域内，就逐渐减小步长知道在里面或者该点当作端点（没具体解释，差不多了）

 

 

 

Label生成

1. 文本线：

(1) 找出头尾（两条边：前后两条相邻边cos最小）

(2) 画出中心线上的点（在对应的边上打格子，取中点连起来）

(3) 缩短中心线（类似EAST），扩大中心线区域（缩短0.5r，扩大0.2r）

 

 

1. 半径：到边的距离
2. 角度：

 

 

 

损失函数：

1. 系数均为1
2. TR分类用的是OHEM，TCL损失只考虑TR区域内的

 

 

 

 

 

 

 

实验数据集：

1. TotalText(弯曲)
2. CTW1500(弯曲)
3. ICDAR2015（多方向）
4. MSRA-TD500（水平）

 

 

实验细节：

1. 数据增强，缩放比0.24-1.69，随机旋转，还有颜色模糊高斯噪声等增强
2. Tensorflow1.3
3. GPU Titan X*2
4. 学习率0.0001每5000次衰减0.8
5. Batch size 32

 

 

实验结果：

0.SynthText预训练

1.Total-Text输入大小512*512，阈值（0.4，0.6），5k次训练

 

 

 

2.CTW1500输入大小512*512，阈值（0.4，0.5），5k次训练

 

 

 3.ICDAR2015，30K次，（0.4，0.9），输入大小1280 × 768

 

 

 

4.30K次，（0.4，0.9），输入大小1280 × 768

 

 

4.迁移

 

 

 

 

 

总结：

1. 学习任务拟人化
2. 角度的预测有cos和sin
3. 放大的map

 

思考：

1. 增加标注信息，精确到字符
2. 角度上更拟人一点，从左往右从上到下

 

转载于:https://www.cnblogs.com/SuperLab/p/9802470.html