EAST结构分析+pytorch源码实现

@[toc]

一. U-Net的前车之鉴

在介绍EAST网络之前我们先介绍一下前面的几个网络，看看这个EAST网络怎么来的？为什么来的？

当然这里的介绍仅仅是引出EAST而不是详细的讲解其他网络，有需要的读者可以去看看这三个优秀网络。

1.1 FCN网络结构

FCN网络，在之前FCN从原理到代码的理解已经详细分析了，有需要的可以去看看，顺便跑一跑代码。

图1-1

网络的由来

不管是识别（传统机器学习、CNN）还是检测（SSD、YOLO等），都只是基于大块的特征进行的，检测之后都是以长方形去表示检测结果，由于这是其算法内部回归的结果导致，而且feature map经过卷积一直减小，如果强行进行256X256到512X512的插值，那么结果可以想象，边界非常不好。

那么如何实现图1-1所示的结果呢？把每个像素都进行分割？

网络的成果

FCN给出的方法是使用反卷积进行上采样操作，使得经过CNN之后减小的图能够恢复大小。

当然作者还提出一个好方法，不同的feature map进行组合，使得感受野进行扩充。

注释：笔者认为使用反卷积有两个作用，其一是使得计算LOSS比较方便，标签和结果可以直接进行计算。其二是可以进行参数的学习，更为智能化。

1.2 U-NET网络

U-net网络之前没怎么看过，现在也仅仅是大概看了论文和相关资料，内部实现不是很了解。

图1-2

网络的由来

FCN完全可以做到基于像素点的分割，为什么还要这个U-net网络啊？

FCN网络检测的效果还可以，但是其边缘的处理就特别的差。虽然说多个层进行合并，但是合并的内容杂乱无章，导致最后的信息没有完全得到。

总的来说FCN分割的效果不够，精度也不够。

网络的成果

U-net提出了对称的网络结构，使得网络参数的学习效果更好（为什么对称网络学习更好，这个理解不透，如果是结果再放大一倍使得不对称不也一样吗？感觉还是网络结构设计的好，而不是对称）

不同feature map合并的方式更加优化，使得在边缘分割（细节）上更加优秀。

网络架构清晰明了，分割效果也很好，现在医学图像分割领域还能看见身影。

1.3 CTPN网络

刚开始准备使用CTPN进行文本的检测，所以看了一些相关资料，致命缺点是不能检测带角度文字和网络比较复杂。

图1-3

网络的由来

文本检测和其他检测却别很大，比如用SSD检测文本就比较困难（边缘检测不好），如何针对文本进行检测？

网络的成果

CTPN网络有很多创造的想法-->>

目标分割小块，然后一一进行检测，针对文本分割成height>width的方式，使得检测的边缘更为精确。

使用BiLSTM对小块进行连接，针对文本之间的相关性。

CTPN想法具有创造性，但是太过复杂。

首先样本的制作麻烦
每个小框进行回归，框的大小自己定义
边缘特意进行偏移处理
使用RNN进行连接

检测水平效果还是不错的，但是对于倾斜的文本就不行了。

为什么不加一个angle进行回归？

本就很复杂的网络，如果再给每个小box加一个angle参数会更复杂，当然是可以实施的。

二. EAST结构分析

2.1 结构简述

EAST原名为: An Efficient and Accurate Scene Text Detector

结构：检测层（PVANet） + 合并层 + 输出层

图2-1

下图图2-2是检测效果，任意角度的文本都可以检测到。

注意：EAST只是一个检测网络，如需识别害的使用CRNN等识别网络进行后续操作。

图2-2

具体网络在2-2节进行详细介绍=====>>>

2.2 结构详解

整体结构

EAST根据他的名字，我们知道就是高效的文本检测方法。

上面我们介绍了CTPN网络，其标签制作很麻烦，结构很复杂（分割成小方框然后回归还要RNN进行合并）

看下图图2-3，只要进行类似FCN的结构，计算LOSS就可以进行训练。测试的时候走过网络，运行NMS就可以得出结果。太简单了是不是？

图2-3

特征提取层

特征的提取可以任意网络（VGG、RES-NET等检测网络），本文以VGG为基础进行特征提取。这个比较简单，看一下源码就可以清楚，见第四章源码分析

特征合并层

在合并层中，首先在定义特征提取层的时候把需要的输出给保留下来，通过forward函数把结构进行输出。之后再合并层调用即可

如下代码定义，其中合并的过程再下面介绍

#提取VGG模型训练参数
class extractor(nn.Module):
    def __init__(self, pretrained):
        super(extractor, self).__init__()
        vgg16_bn = VGG(make_layers(cfg, batch_norm=True))
        if pretrained:
            vgg16_bn.load_state_dict(torch.load('./pths/vgg16_bn-6c64b313.pth'))
        self.features = vgg16_bn.features
    
    def forward(self, x):
        out = []
        for m in self.features:
            x = m(x)
            #提取maxpool层为后续合并
            if isinstance(m, nn.MaxPool2d):
                out.append(x)
        return out[1:]

特征合并层

合并特征提取层的输出，具体的定义如下代码所示，代码部分已经注释.

其中x中存放的是特征提取层的四个输出

    def forward(self, x):

        y = F.interpolate(x[3], scale_factor=2, mode='bilinear', align_corners=True)
        y = torch.cat((y, x[2]), 1)
        y = self.relu1(self.bn1(self.conv1(y)))     
        y = self.relu2(self.bn2(self.conv2(y)))
        
        y = F.interpolate(y, scale_factor=2, mode='bilinear', align_corners=True)
        y = torch.cat((y, x[1]), 1)
        y = self.relu3(self.bn3(self.conv3(y)))     
        y = self.relu4(self.bn4(self.conv4(y)))
        
        y = F.interpolate(y, scale_factor=2, mode='bilinear', align_corners=True)
        y = torch.cat((y, x[0]), 1)
        y = self.relu5(self.bn5(self.conv5(y)))     
        y = self.relu6(self.bn6(self.conv6(y)))
        
        y = self.relu7(self.bn7(self.conv7(y)))
        return y

输出层

输出层包括三个部分，这里以RBOX为例子，发现网上都没有QUAN为例子的？

首先QUAN的计算是为了防止透视变换的存在，正常情况下不存在这些问题，正常的斜框可以解决。

因为QUAN的计算没啥好处，前者已经完全可以解决正常的检测问题，后者回归四个点相对来说较为困难（如果文本变化较大就更困难，所以SSD和YOLO无法检测文本的原因）。

如果想得到特殊的文本，基本考虑别的网络了（比如弯曲文字的检测）

    def forward(self, x):
        score = self.sigmoid1(self.conv1(x))
        loc   = self.sigmoid2(self.conv2(x)) * self.scope
        angle = (self.sigmoid3(self.conv3(x)) - 0.5) * math.pi
        geo   = torch.cat((loc, angle), 1) 
        return score, geo

三. EAST细节分析

3.1 标签制作

注意：这里是重点和难点！！！

文章说要把标签向里缩进0.3

笔者认为这样做的目的是提取到更为准确的信息，不论是人工标注的好与不好，我们按照0.3缩小之后提取的特征都是全部的文本信息。

但是这样做也会丢失一些边缘信息，如果按照上述的推断，那么SSD或YOLO都可以这样设计标签了。

作者肯定是经过测试的，有好处有坏处吧！

图3-1

标签格式为：5个geometry（4个location+1个angle） + 1个score ==6 × N × M

其中(b)为score图，（d）为四个location图， （e）为angle图

上图可能看的不清楚，下面以手绘图进行说明：

图3-2

上图可能看不清楚，下面再用文字大概说一下吧！

先进行0.3缩放，这个时候的图就是score
以没缩放的图像为基准，画最小外接矩形，这个外接矩形的角度就是angle。这个大小是缩放的的图大小。感觉直接以score图做角度也一样的。
score图的每个像素点到最小外接矩形的距离为四个location图。

3.2 LOSS计算

LOSS计算就比较简单的，直接回归location、angle、score即可。

    def forward(self, gt_score, pred_score, gt_geo, pred_geo, ignored_map):
        #图像中不存在目标直接返回0
        if torch.sum(gt_score) < 1:
            return torch.sum(pred_score + pred_geo) * 0
        #score loss 采用Dice方式计算，没有采用log熵计算，为了防止样本不均衡问题
        classify_loss = get_dice_loss(gt_score, pred_score*(1-ignored_map))
        #geo loss采用Iou方式计算（计算每个像素点的loss）
        iou_loss_map, angle_loss_map = get_geo_loss(gt_geo, pred_geo)
        #计算一整张图的loss，angle_loss_map*gt_score去除不是目标点的像素（感觉这句话应该放在前面减少计算量，放在这里没有减少计算loss的计算量）
        angle_loss = torch.sum(angle_loss_map*gt_score) / torch.sum(gt_score)
        iou_loss = torch.sum(iou_loss_map*gt_score) / torch.sum(gt_score)
        geo_loss = self.weight_angle * angle_loss + iou_loss#这里的权重设置为1
        print('classify loss is {:.8f}, angle loss is {:.8f}, iou loss is {:.8f}'.format(classify_loss, angle_loss, iou_loss))
        return geo_loss + classify_loss

注意：这里score的LOSS使用Dice方式，因为普通的交叉熵无法解决样本不均衡问题！！！

图3-3

3.3 NMS计算

NMS使用的是locality NMS，也就是为了针对EAST而提出来的。

首先我们先来看看这个LANMS的原理和过程：

import numpy as np
from shapely.geometry import Polygon

def intersection(g, p):
    #取g,p中的几何体信息组成多边形
    g = Polygon(g[:8].reshape((4, 2)))
    p = Polygon(p[:8].reshape((4, 2)))

    # 判断g,p是否为有效的多边形几何体
    if not g.is_valid or not p.is_valid:
        return 0

    # 取两个几何体的交集和并集
    inter = Polygon(g).intersection(Polygon(p)).area
    union = g.area + p.area - inter
    if union == 0:
        return 0
    else:
        return inter/union

def weighted_merge(g, p):
    # 取g,p两个几何体的加权（权重根据对应的检测得分计算得到）
    g[:8] = (g[8] * g[:8] + p[8] * p[:8])/(g[8] + p[8])
    
    #合并后的几何体的得分为两个几何体得分的总和
    g[8] = (g[8] + p[8])
    return g

def standard_nms(S, thres):
    #标准NMS
    order = np.argsort(S[:, 8])[::-1]
    keep = []
    while order.size > 0:
        i = order[0]
        keep.append(i)
        ovr = np.array([intersection(S[i], S[t]) for t in order[1:]])
        inds = np.where(ovr <= thres)[0]
        order = order[inds+1]
        
    return S[keep]

def nms_locality(polys, thres=0.3):
    '''
    locality aware nms of EAST
    :param polys: a N*9 numpy array. first 8 coordinates, then prob
    :return: boxes after nms
    '''
    S = []    #合并后的几何体集合
    p = None   #合并后的几何体
    for g in polys:
        if p is not None and intersection(g, p) > thres:    #若两个几何体的相交面积大于指定的阈值，则进行合并
            p = weighted_merge(g, p)
        else:    #反之，则保留当前的几何体
            if p is not None:
                S.append(p)
            p = g
    if p is not None:
        S.append(p)
    if len(S) == 0:
        return np.array([])
    return standard_nms(np.array(S), thres)

if __name__ == '__main__':
    # 343,350,448,135,474,143,369,359
    print(Polygon(np.array([[343, 350], [448, 135],
                            [474, 143], [369, 359]])).area)

别看那么多代码，讲的很玄乎，其实很简单：

遍历每个预测的框，然后按照交集大于某个值K就合并相邻的两个框。
合并完之后就按照正常NMS消除不合理的框就行了。

注意： 为什么相邻的框合并？

因为每个像素预测一个框（不明白就自己去看上面LOSS计算），一个目标的几百上千个框基本都是重合的（如果预测的准的话），所以说相邻的框直接进行合并就行了。
其实竖直和横向都合并一次最好，反正原理一样的。

四. Pytorch源码分析

源码就不进行分析了，上面已经说得非常明白了，基本每个难点和重点都说到了。

有一点小bug，现进行说明：

训练的时候出现孔样本跑死

SampleNum = 3400 #定义样本数量，应对空标签的文本bug，临时处理方案
class custom_dataset(data.Dataset):
    def __init__(self, img_path, gt_path, scale=0.25, length=512):
        super(custom_dataset, self).__init__()
        self.img_files = [os.path.join(img_path, img_file) for img_file in sorted(os.listdir(img_path))]
        self.gt_files  = [os.path.join(gt_path, gt_file) for gt_file in sorted(os.listdir(gt_path))]
        self.scale = scale
        self.length = length

    def __len__(self):
        return len(self.img_files)

    def __getitem__(self, index):
        with open(self.gt_files[index], 'r') as f:
            lines = f.readlines()
        while(len(lines)<1):
            index = int(SampleNum*np.random.rand())
            with open(self.gt_files[index], 'r') as f:
                lines = f.readlines()
        vertices, labels = extract_vertices(lines)
        
        img = Image.open(self.img_files[index])
        img, vertices = adjust_height(img, vertices) 
        img, vertices = rotate_img(img, vertices)
        img, vertices = crop_img(img, vertices, labels, self.length,index)
        transform = transforms.Compose([transforms.ColorJitter(0.5, 0.5, 0.5, 0.25), \
                                        transforms.ToTensor(), \
                                        transforms.Normalize(mean=(0.5,0.5,0.5),std=(0.5,0.5,0.5))])
        
        score_map, geo_map, ignored_map = get_score_geo(img, vertices, labels, self.scale, self.length)
        return transform(img), score_map, geo_map, ignored_map

测试的时候读取PIL会出现RGBA情况

    img_path    = './013.jpg'
    model_path  = './pths/model_epoch_225.pth'
    res_img     = './res.bmp'
    img = Image.open(img_path)
    img = np.array(img)[:,:,:3]
    img = Image.fromarray(img)

后续工作

这个代码感觉有点问题，训练速度很慢，猜测是数据处理部分。

原版EAST每个点都进行回归，太浪费时间了，后续参考AdvanceEAST进行修改，同时加个人理解优化

网络太大了，只适合服务器或者PC上跑，当前网络已经修改到15MB，感觉还是有点大。

后续还要加识别部分，困难重重。。。。。。

这里的代码都是github上的，笔者只是搬运工而已！！！

原作者下载地址

五. 第一次更新内容

2019-6-30更新

之前提到这个工程的代码有几个缺陷，在这里进行详细的解决

训练速度很慢

这是由于源代码的数据处理部分编写有问题导致，随机crop中对于边界问题处理
以下给出解决方案，具体修改请读者对比源代码即可：

def crop_img(img, vertices, labels, length, index):
    '''crop img patches to obtain batch and augment
    Input:
        img         : PIL Image
        vertices    : vertices of text regions 
        labels      : 1->valid, 0->ignore, 
        length      : length of cropped image region
    Output:
        region      : cropped image region
        new_vertices: new vertices in cropped region
    '''
    try:
        h, w = img.height, img.width
        # confirm the shortest side of image >= length
        if h >= w and w < length:
            img = img.resize((length, int(h * length / w)), Image.BILINEAR)
        elif h < w and h < length:
            img = img.resize((int(w * length / h), length), Image.BILINEAR)
        ratio_w = img.width / w
        ratio_h = img.height / h
        assert(ratio_w >= 1 and ratio_h >= 1)

        new_vertices = np.zeros(vertices.shape)
        if vertices.size > 0:
            new_vertices[:,[0,2,4,6]] = vertices[:,[0,2,4,6]] * ratio_w
            new_vertices[:,[1,3,5,7]] = vertices[:,[1,3,5,7]] * ratio_h
        #find four limitate point by vertices
        vertice_x = [np.min(new_vertices[:, [0, 2, 4, 6]]), np.max(new_vertices[:, [0, 2, 4, 6]])]
        vertice_y = [np.min(new_vertices[:, [1, 3, 5, 7]]), np.max(new_vertices[:, [1, 3, 5, 7]])]
        # find random position
        remain_w = [0,img.width - length]
        remain_h = [0,img.height - length]
        if vertice_x[1]>length:
            remain_w[0] = vertice_x[1] - length
        if vertice_x[0]length:
            remain_h[0] = vertice_y[1] - length
        if vertice_y[0]

 
  
  LOSS刚开始收敛下降，到后面就呈现抖动（像过拟合现象），检测效果角度很差 
  
 由于Angle Loss角度计算错误导致，请读者阅读作者原文进行对比 
 def find_min_rect_angle(vertices):
    '''find the best angle to rotate poly and obtain min rectangle
    Input:
        vertices: vertices of text region 
    Output:
        the best angle 
    '''
    angle_interval = 1
    angle_list = list(range(-90, 90, angle_interval))
    area_list = []
    for theta in angle_list: 
        rotated = rotate_vertices(vertices, theta / 180 * math.pi)
        x1, y1, x2, y2, x3, y3, x4, y4 = rotated
        temp_area = (max(x1, x2, x3, x4) - min(x1, x2, x3, x4)) * \
                    (max(y1, y2, y3, y4) - min(y1, y2, y3, y4))
        area_list.append(temp_area)
    
    sorted_area_index = sorted(list(range(len(area_list))), key=lambda k : area_list[k])
    min_error = float('inf')
    best_index = -1
    rank_num = 10
    # find the best angle with correct orientation
    for index in sorted_area_index[:rank_num]:
        rotated = rotate_vertices(vertices, angle_list[index] / 180 * math.pi)
        temp_error = cal_error(rotated)
        if temp_error < min_error:
            min_error = temp_error
            best_index = index

    if angle_list[best_index]>0:
        return (angle_list[best_index] - 90) / 180 * math.pi

    return (angle_list[best_index]+90) / 180 * math.pi
 
  
  修改网络从50MB到15MB，对于小样本训练效果很好 
  
 这里比较简单，直接修改VGG和U-NET网络feature map即可 
 cfg = [32, 32, 'M', 64, 64, 'M', 128, 128, 128, 'M', 256, 256, 256, 'M', 256, 256, 256, 'M']
#合并不同的feature map
class merge(nn.Module):
    def __init__(self):
        super(merge, self).__init__()

        self.conv1 = nn.Conv2d(512, 128, 1)
        self.bn1 = nn.BatchNorm2d(128)
        self.relu1 = nn.ReLU()
        self.conv2 = nn.Conv2d(128, 128, 3, padding=1)
        self.bn2 = nn.BatchNorm2d(128)
        self.relu2 = nn.ReLU()

        self.conv3 = nn.Conv2d(256, 64, 1)
        self.bn3 = nn.BatchNorm2d(64)
        self.relu3 = nn.ReLU()
        self.conv4 = nn.Conv2d(64, 64, 3, padding=1)
        self.bn4 = nn.BatchNorm2d(64)
        self.relu4 = nn.ReLU()

        self.conv5 = nn.Conv2d(128, 32, 1)
        self.bn5 = nn.BatchNorm2d(32)
        self.relu5 = nn.ReLU()
        self.conv6 = nn.Conv2d(32, 32, 3, padding=1)
        self.bn6 = nn.BatchNorm2d(32)
        self.relu6 = nn.ReLU()

        self.conv7 = nn.Conv2d(32, 32, 3, padding=1)
        self.bn7 = nn.BatchNorm2d(32)
        self.relu7 = nn.ReLU()
        #初始化网络参数
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
                if m.bias is not None:
                    nn.init.constant_(m.bias, 0)
            elif isinstance(m, nn.BatchNorm2d):
                nn.init.constant_(m.weight, 1)
                nn.init.constant_(m.bias, 0)
 
  
  小的字体检测很好，大的字体检测不到（部分检测不到）情况 
  
 这里是模仿AdvanceEAST的方法进行训练，先在小图像进行训练，然后迁移到大图像即可。 
  
  意思就是先将图像缩小到254254训练得到modeul_254.pth
 然后在将图像resize到384384，网络参数使用modeul_254.pth，训练得到modeul_384.pth
 。。。一次进行512或者更大的图像即可 
  
  
  针对图像训练和检测的慢（相对于其他检测网络） 
  
 这里需要根据原理来说了，是因为全部的像素都需要预测和计算loss，可以看看AdvanceEAST的网络进行处理即可 
  
  修改网络说明 
  
  
  训练样本3000
 测试样本100
 检测精度85%，IOU准确度80%
 5个epoch收敛结束（这些都是这里测试的）
 两块1080TI，训练时间10分钟左右 
  
 这里是我完整的工程 
  
 五. 参考文献 
  
   https://arxiv.org/pdf/1704.03155.pdf  
   https://www.cnblogs.com/skyfsm/p/9776611.html  
  LANMS源码 
   https://blog.csdn.net/qq_14845119/article/details/78986449  
   http://campar.in.tum.de/pub/milletari2016Vnet/milletari2016Vnet.pdf  
   https://blog.csdn.net/liuxiaoheng1992/article/details/82870923  
   https://zhuanlan.zhihu.com/p/37504120  
   https://blog.csdn.net/attitude_yu/article/details/80724187  
   https://www.jianshu.com/p/6e35829a38de  
   https://blog.csdn.net/wangdongwei0/article/details/84576044  
   https://blog.csdn.net/weixin_41783077/article/details/83789743#commentsedit  
   https://blog.csdn.net/qq_14845119/article/details/80787753  
   https://zhuanlan.zhihu.com/p/50126479  
  写博客太费时间了，基本花了五天左右，参考文献不整理了 
  部分参考资料找不到出处了，如有侵权很抱歉，请告知删除！

EAST结构分析+pytorch源码实现

EAST结构分析+pytorch源码实现

@[toc]

一. U-Net的前车之鉴

1.1 FCN网络结构

1.2 U-NET网络

1.3 CTPN网络

二. EAST结构分析

2.1 结构简述

2.2 结构详解

三. EAST细节分析

3.1 标签制作

3.2 LOSS计算

3.3 NMS计算

四. Pytorch源码分析

五. 第一次更新内容

五. 参考文献

你可能感兴趣的:(EAST结构分析+pytorch源码实现)