Zhuoyao Zhong——【aixiv2016】DeepText A Unified Framework for Text Proposal Generation and Text Detection in Natural Images

---

目录

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

---

• 作者和相关链接

  • 作者
    • Zhuoyao Zhong， z.zhuoyao@mail.scut.sdu.cn
      Lianwen Jin， lianwen.jin@gmail.com
      Shuye Zhang， shuye.cheung@gmail.com
      Ziyong Feng， feng.ziyong@mail.scut.edu.cn
    • School of Electronic and Information Engineering South China University of Technology Guangzhou, China
  • 论文下载

• 方法概括

  • 方法称为DeepText（此方法不是Google的DeepText哦），先用Inception-RPN提取候选的单词区域，再利用一个text-detection网络过滤候选区域中的噪声区域，最后对重叠的box进行投票和非极大值抑制

• 创新点和贡献

  • 对fasterRCNN进行改进用在文字检测上
    • Inception-RPN：RPN后接Inception，来提取候选单词区域（包括2类classification和box regression）
      • anchor的大小更加适合检测单词：4scales(32, 48, 64, 80)*6 aspect ratio(0.2, 0.5, 0.8, 1.0, 1.2, 1.5) = 24种prior bounding box
      • Inception：3*3 conv, 5*5 conv, 3*3 max-pooling
    • Multi-level region-of-interest pooling（MLRP）: ROI pooling从原来只用Conv5变成了Conv5+Conv4的两层（MLRP）
    • Ambiguous Text Category（ATC）： 把文字和非文字的两类变成了三类，文字（IOU>0.5），非文字（IOU<0.2），有歧义的文字（IOU在0.2~0.5之间），原理是加入了更多的监督信息，使得分类效果更好
  • 对重叠box的去重方法（亮点不多）
  • 实验结果（F值）很高，ICDAR2011-0.83，ICDAR2013-0.85，速度约是平均每张图像1.7s（gpu k40）

• 方法细节

  • 网络框架图（Inception-RPN+text detection）：两个网络，Inception-RPN和text detection网络共享了conv1~conv5（来自于VGG16）。

• • 实际测试时流程：
    1. 输入一张图像，经过Conv1~Conv5生成卷积后的feature map
    2. feature map输入到Inception-RPN得到候选区域（score, bounding box）
    3. 候选区域经过非极大值抑制，选择前k个proposals
    4. 把k个proposals对应的在1.中Conv5生成的feature map上提取每个proposal的卷积特征，输入到text detection网络中得到每个proposal的score和Bounding box（regression调整过的）
    5. 对得到的检测结果（重复，互相包含）进行迭代投票和过滤，找到分数最高的最优检测结果
  • Ambiguous Text Category（ATC）的出发点
    • 如下图，按照一般的IOU>0.5为正样本，IOU<0.5为负样本，会导致单词串的某一段本该属于正样本的被当做负样本，对分类造成干扰，因此，更好的方法是把IOU>0.5的当正样本，IOU<0.2的当负样本，IOU处在中间的这部分单独成一类，表示歧义的一类，这样会使得分类准确率更高

• • Multi-level region-of-interest pooling（MLRP）的修改
    • VGG-16的模型配置

• • • ROI Pooling的修改：将Conv4_3和Conv5_3（即Conv4的第三层卷积和Conv5的第三层卷积）的feature map单独进行ROI pooling，再把这两层Pooling后的feature map用一个1*1的卷积进行融合，这里1*1的卷积除了融合多通道（两层）信息，还有一个作用，就是降维，为下一步的FC做准备。

• • 训练过程
  • 多任务损失函数
    • 总的损失(p和p*表示测试和gt的label, t和t*是测试和gt的bounding box，t = {t_x, t_y，t_w, t_h}

• • • L_cls是softmax loss，分类误差（下图参考softmax回归）

• • • L_reg是smooth-L1 loss，回归误差（下图来自论文参考文献1）

• • • 详细算法过程（讲真，太详细了有点）

• • • • 算法思路简述：同一个样本，先用Inception-RPN训练，再训练text detection网络，detection网络要从Inception-RPN网络中选择，最后的时候更新整个网络权值，共享的部分要把两个模块的权值更新都加上。
  • 启发式后处理
    • 包括迭代bounding box的投票（参考文献2）和过滤两个部分，实际上就是个去重的过程，文章细节也没怎么讲

• 实验结果

  • 值得一提的是文中的模型训练数据竟然只有4072个样本！！！
  • 证明Inception-RPN比原始RPN，SS，Edgebox等方法好

• • 证明MLRP和ATC的作用

• • ICDAR2011

• • ICDAR2013

• • 效果示例图

• 问题讨论

  • 文中没有给出中间结果的示例图，比如inception-RPN之后得到的结果

• 总结与收获点

  • 文中比较好的参考点是作者对fasterRCNN做的几个改进（在创新点中总结了）
  • 从实验结果上看，无论是F值还是速度，都确实挺好的，学习了~~
  • 一直想看的几篇文章，先mark一下
    • M. Busta, L. Neumann, and J. Matas. Fastext: Efficient unconstrained scene text detector. In Proc. ICCV, 2015.
    • C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich. Going deeper with convolutions. In Proc. CVPR, 2015.
    • A. Veit, T. Matera, L. Neumann, J. Matas, and S. Belongie. Coco-text: Dataset and benchmark for text detection and recognition in natural images. arxiv preprint arXiv:1601.07140, 2016.
    • X. Yin, X. Yin, K. Huang, and H. Hao. Robust text detection in natural scene images. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 36(5):970– 983, 2014.
    • S. Zhang, M. Lin, T. Chen, L. Jin, and L. Lin. Character proposal network for robust text extraction. In Proc. ICASSP, 2016.

---

• 参考文献

  1. R. Girshick. Fast r-cnn. In Proc. ICCV, 2015.
  2. S. Gidaris and N. Komodakis. Object detection via a multiregion & semantic segmentation-aware cnn model. In Proc. ICCV, 2015.