论文阅读（Xiang Bai——【CVPR2016】Multi-Oriented Text Detection with Fully Convolutional Networks）

Xiang Bai——【CVPR2016】Multi-Oriented Text Detection with Fully Convolutional Networks

---

目录

• 作者和相关链接
• 方法概括
• 方法细节
• 创新点和贡献
• 实验结果
• 问题讨论
• 总结与收获点

---

• 作者和相关链接

• 作者：

• paper下载

• 方法概括

  • Step 1——文本块检测: 先利用text-block FCN得到salient map，再对salient map进行连通分量分析得到text block；
  • Step 2——文本线形成: 对text-block利用MSER提取候选字符区域，利用候选字符区域估计整个block的方向，再结合候选字符的bounding box生成每个每条文本行；
  • Step 3——文本线过滤: 利用centroid FCN得到每条文本行中的字符的质心，利用质心过滤非文本行；

　　以下为细化的每个步骤示例图：

 Figure 1. The procedure of the proposed method. (a) An input image; (b) The salient map of the text regions predicted by the TextBlock FCN; (c) Text block generation;

(d) Candidate character component extraction; (e) Orientation estimation by component projection; (f) Text line candidates extraction; (g) The detection results of the proposed method.

• 方法细节

  • text blcok 检测

    • Text-block FCN的网络结构

选用VGG16的前5层卷积层，去掉后面的全连接层。在每个卷积层后都接上一个deconv操作（由1*1的卷积+上采样构成）。再把5个deconv得到的maps用1*1的卷积进行　fusion，并经 过一个sigmoid层得到salient map。

　　

• • • Text-block FCN生成salient map的示例图

从第1层到第5层的细节越来越少，global的信息越来越强。

• • • 普通方法得到的的salient map和由text-block FCN得到的salient map对比

• • • text block FCN用到的训练图

• • 文本线生成

    • MSER提取字符候选区域
      1. 在每个text block里进行MSER提取（不要求MSER把所有字符都提取出来，允许漏检和存在噪声）；
      2. 利用候选区域的面积、长宽比过滤大部分噪声（仅在text block里提取，噪声不多，比较单一）；
    • projection方法估计直线方向
      1. 在text block里找到最优的h和θ（可以确定一条直线），使得该直线穿过的component个数最多；
      2. 本方法的假设条件：第一，同一block中，所有文本线的方向一致；第二，文本线是近直线的；

• • • 候选文本线生成
      1. 对每个block里的所有component进行聚类，聚类条件如下：
         • 
      2. 每个grouping生成bounding box
         • 沿着block（记为α）的方向θ_r(α)的方向画一条直线l，该直线经过这个grouping中的所有component的中心（所有component中心中随便取一个或者取中间那个？）；
         • 将直线l与α的边缘点的交点集合记为P（α是图(b)中的所有白色点的集合），即如下图中的最左边和最右边的两个红点。
           • 
           • 
         • 利用点集P和每个componet的bounding box生成整条文本线的bounding box（求并集）
           • 
           • 

• 文本线噪声过滤

  • character-centroid FCN获得每条文本线中的所有可能存在的字符的质心
    • 模型结构：从text-block FCN的5层卷积→3层卷积（text-block FCN的缩小版）
    • 训练样本：距离字符中心（ground Truth中的字符中心？）距离小于字符高度的15%的点都算作正样本点，其他点算作负样本点、
    • 
    • 
  • 非文本线噪声过滤
    • 质心概率的均值过滤
      • 
    • 几何角度过滤（近直线）
      • 

• 创新点和贡献

  • 贡献
    1. 用FCN生成文字/非文字的salient map；
    2. 利用局部（Component based )和全局（context of the text block ) 的信息生成文本线；
    3. 用FCN得到字符的质心；
  • idea的出发点
    1. FCN既然可以作像素级的标定，那么可以用来得到每个像素属于文字的概率（salient map），也可以用来得到每个像素是字符质心的概率（centroid map )；
    2. 单个字符容易受背景干扰，容易造成漏检或者误检，而文本块相对于字符不但区分性更强（更容易与背景区分开），而且更稳定（一般比较完整）。因此，如果能把单个字符的信息（局部，细节）与上下文信息（文本线）结合起来，就能使检测更加鲁棒；

• 实验结果

  • MSRA-TD500
    • 
  • ICDAR2015
    • 
  • ICDAR2013
    • 
  • 示例图
    • 
  • 失败的图
    • 

• 问题讨论

• 为什么FCN可以用来做文字？有什么好处？
  • FCN可以融合局部（字符）和全局信息（文本线）；
  • FCN是端到端训练；
  • FCN由于去掉了全连接层后在像素级的标定很快，而且文字本身也容易获得像素级标定的训练数据；
• 为什么这篇文章的方法可以解决多方向的文字检测问题？
  • 文章中决定文字方向的方法是text block（记为α）上利用MSER检测候选字符，再在整个block上找到一条直线θ_r(α)，使得经过的候选字符个数最多。由于直线θ_r(α)的两个参数h和θ都没有约束限制，因此可以检测任意方向的文字；

• • deconv中1*1的卷积作用是什么？
    • 1*1的卷积得到的map大小和原图是一样的，所以作用一般有三个。一是为了把多通道的信息融合起来；二是为了升维或降维（把上一层的channel数变多或者变少）；三是有时候1*1的卷积是在做pixel-wise的prediction。
  • deconv中上采样的作用是是什么？
    • 因为每一层卷积得到的map大小是不同的，而且和原图相比都更小，在fusion的时候要得到和原图相同大小的map所以要进行上采样。这个上采样的核（参数）在FCN中是可以学习的，初始化的时候可以选择用双线性插值；
  •  得到的text block为什么不能直接看成是文本线，为什么还要单独一步专门做文本线生成？
    • 第一，当多条文本线靠得比较近时，容易被一个block包含；第二，text block得到的区域范围太粗糙，并没有准确的文本位置；
  • 文本线方向估计的这个projection的算法实际是如何操作的？（遍历h和θ？）
  • 在文本线过滤中得到的质心图是一个概率图，如下图所示，是一团白色区域，而不是唯一的一个点，每个字符最终是由一个质心表示么？如何确定这个唯一的质心？（使用类似于meanshift，nms找到极值点？）

• 总结与收获点

  • 把text block（global）和character（local）的特点综合起来，这个想法非常好，要把Faster RCNN与component的方法结合起来可以参考这篇文章的一些思想。
  • 这是第一个用FCN来做文字的文章，虽然准确率高，但是pixel wise还是比较慢的。文字和其他目标检测不大一样，太细了。需要找其他方法来检测text block。