通常OCR中，文字检测都是由目标检测继承而来，目标检测大多都是基于先验框的（anchor base)，近期出现的no-anchor模式本质上也是基于先验框的。anchor-base模式在目标检测衍生到OCR领域就有很多缺陷，比如：倾斜（或扭曲）文字检测不准、过长文字串检测不全、过短文字串容易遗漏、距离较近的无法分开等缺点。近期，渐进式扩展网络(PSENet)横空出世，以另一种思路解决了这些问题，下面我们来梳理一下该模型，不妥之处敬请指正。

模型概述

    PSENet是一种新的实例分割网络，它有两方面的优势。 首先，psenet作为一种基于分割的方法，能够对任意形状的文本进行定位.其次，该模型提出了一种渐进的尺度扩展算法，该算法可以成功地识别相邻文本实例（该算法在下文会详细介绍）。

整体框架

    如上图所示该模型主干网络使用ResNet系列（可以根据自己需要调整），输入图像维度为：$[B, 3, H, W]$[B,3,H,W]，通过下采样，特征融合，上采样，最后得到得到与原图片尺寸相同的输出F，维度大小为：$[B, C, H, W]$[B,C,H,W]，其中C的大小为确定的kernel_num，这里记为n， 这样就得到最终的$S_1...S_n$S1​...Sn​图片，然后利用广度优先算法从$S_1$S1​开始，到$S_n$Sn​结束，获取到最终的文本连通域。其中连通域的数量在$S_1$S1​中就已经确定，$S_1$S1​是预测的图片中目标文字的核心区域（并不是全部范围）。

算法介绍

    该论文提出了渐进式尺度扩展算法，我们将每个文本实例分配给多个预测的分割区域，记作$S_1......S_n$S1​......Sn​。我们将这些分割区域表示为本文中的“核”，并且对于一个文本实例，有几个对应的内核。每个内核与原始的整个文本实例共享相似的形状，并且它们都位于相同的中心点但在比例上不同。这些“核“对应的Ground Truth的产生流程如下：

    如上图所示：(a)中$p_i$pi​为第$i$i个核，$p_n$pn​是第$n$n个核，$d_i$di​为$p_i$pi​与$p_n$pn​边缘之间的距离；(b)为最原始的文本区域；©为产生的多个分割区域。
    如何得到分割实例对应的label呢？为了依次获得例如图©中的缩小的掩模，我们利用Vatti clipping algorithm来缩小原来的多边形$p_n$pn​的$d_i$di​像素，并得到缩小多边形$p_i$pi​ (见图(a))。随后，每个缩小的多边形$p_i$pi​被转换成一个0/1的二进制掩码，用于分割标签的Ground Truth。我们将这些Ground Truth分别表示为$G_1.....G_n$G1​.....Gn​。从数学上讲，如果我们认为比例是$r_i$ri​，那么$p_n$pn​与$p_i$pi​之间的范围$d_i$di​可以计算为：
$d_i = \frac{Area(p_n)(1-r_i^2)}{Perimeter(p_n)}$di​=Perimeter(pn​)Area(pn​)(1−ri2​)​
    其中$Area(p_n)$Area(pn​)为多边形$p_n$pn​的面积，$Perimeter(p_n)$Perimeter(pn​)为多边形$p_n$pn​的周长，$r_i$ri​为$p_n$pn​与$p_i$pi​之间的比例。
    $r_i$ri​的计算如下：
$r_i = 1 - \frac{(1-m)*(n-i)}{n-1}$ri​=1−n−1(1−m)∗(n−i)​
    其中$m$m为缩小比例，取值范围在(0, 1]；$n$n为文本分割实例的数量，即”核“的数量。
    对于预测的n个分割实例$S_1......S_n$S1​......Sn​，为了得到最终的检测结果，我们采用了渐进的尺度扩展算法。 它基于广度优先搜索(BFS)， 由三个步骤组成：

1. 从具有最小尺度的核$S_1$S1​开始(在此步骤中可以区分实例，不同实例有不同的连通域)；
2. 通过逐步在较大的核中加入更多的像素来扩展它们的区域；
3. 完成直到发现最大的核。

    该算法的伪代码如下：

    该算法的具体图解如下：

    由于正常情况下非文本区域远大于文本区域，所以使用二分类的交叉熵损失会使得结果更加偏向于非文本区域，因此该模型中使用了dice coefficient。定义如下：
$D(S_i, G_i) = \frac{2*\sum_{x, y}(S_{i, x, y}*G_{i, x, y})}{\sum_{x, y}S_{i, x, y}^2+\sum_{x, y}G_{i, x, y}^2}$D(Si​,Gi​)=∑x,y​Si,x,y2​+∑x,y​Gi,x,y2​2∗∑x,y​(Si,x,y​∗Gi,x,y​)​
    $S_{x, y}$Sx,y​为预测实例中像素点(x, y)的值，$G_{x, y}$Gx,y​为label中像素点(x, y)的值。
    该模型定义了新的损失函数，损失计算如下：
$L = \lambda L_c + (1-\lambda)L_s$L=λLc​+(1−λ)Ls​
    $L_c$Lc​为文本区域分类损失，$L_s$Ls​为收缩文本实例损失，计算方式如下：
$\begin{aligned} &L_c = 1 - D(S_n*M, G_n*M)\\ &L_s = 1 - \frac{1}{n-1}(\sum_{i=1}^{n-1}D(S_i*W, G_i*W))\\ &W=\begin{cases} 1\space\space\space if \space S_{n, x, y} >= 0.5 \\ 0\space\space\space otherwise \end{cases} \end{aligned}$​Lc​=1−D(Sn​∗M,Gn​∗M)Ls​=1−n−11​(i=1∑n−1​D(Si​∗W,Gi​∗W))W={1   if Sn,x,y​>=0.50   otherwise​​
    $M$M的取值采用在线难例挖掘（online hard example miniing，OHEM）的方式生成，也是一个0/1的掩码。OHEM算法的核心思想是根据输入样本的损失进行筛选，筛选出难例，表示对分类和检测影响较大的样本，然后将筛选得到的这些样本应用在随机梯度下降中训练。具体到该模型中，选取所有正样本（主要是正样本本来就偏少，所以就全取）以及困难样本，过滤掉easy的负样本。被选中的像素点取值为1，未选中的取值为0。
    最后说一些感受，OCR中文本检测本人用过YOLO、CTPN、PSENet。对于这三个模型的感受是，YOLO和CTPN的检测速度较快，PSENet的检测速度稍慢，YOLO对于长文本或短文本的很容易出现缺损或丢失的情况，CPTN在长短文本方面效果好一些，但是文本对齐效果不理想，PSENet在检测效果方面是碾压了前两者的。PSENet不仅适应任意角度的文本检测，而且对近距离文本分割效果更好。