ICCV2017《Deep Direct Regression for Multi-Oriented Scene Text Detection》阅读笔记

本文主要是介绍ICCV2017《Deep Direct Regression for Multi-Oriented Scene Text Detection》阅读笔记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前言

本文是对《Deep Direct Regression for Multi-Oriented Scene Text Detection》论文的简要介绍和细节分析，由于作者没有放出源码，所以本文没有源码解读的部分，有关的复现工作将在下篇博客介绍。
注：编者水平有限，如有谬误，欢迎指正。若要转载，请注明出处，谢谢。
联系方式：
邮箱：yue_zhan@yahoo.com
QQ：1156356625

Definition

在论文的摘要和介绍部分，作者重点对现有的目标检测网络进行了定义。这个定义是文章的核心内容，也是后续模型设计的背景。作者认为，对于现有的目标检测网络，可以分为间接回归(Indirect Regression)和直接回归(Direct Regression)两种类型。
间接回归：大多数基于CNN的目标检测模型像RCNN系列、SSD、Multi-Box等，模型的回归任务通过预测proposal和ground truth的偏置完成。
直接回归：跳过proposal部分，直接对某点输出对目标坐标或形状的预测，可以以相对该点的偏置形式输出。
基于间接回归的目标检测模型，即使是Faster-RCNN和SSD这样表现很好的网络，在多角度(Multi-oriented)文本检测任务中也表现得很差。作者认为，主要原因有如下几点：

缺少鲁棒性好的方法生成词级或者行级的proposal，大部分方法都只能生成字符级别的。
所有类似anchor的结构，在文本倾斜、过长、间隔不定等场景下，都无法得到一个合适的anchor覆盖目标。
自适应的anchor生成方法效率低，速度慢。

至于直接回归，本论文是首个基于此提出文本检测领域本文的模型，从实验结果看在当时该论文确实贡献很大。下图为两种回归的比较示意图：

Proposed Methodology

模型结构

论文中，目标检测被分解成分类任务和回归任务，二者构成一个多任务模型。模型设计中参考了FPN的思想，对不同深度的feature map进行跨层连接，以提高模型对不同大小物体的检测效果。在模型尾端的卷积层后通过两个分支：分类和定位，得到两类任务的loss，二者加权作为模型总loss。模型细节在模型分析与代码复现部分阐述，这里只作简要说明。详情结构：
Classification task
本文的模型其实并没有做文本分类部分，所谓的分类其实是指分割。分类任务的output是 $\frac{S}{4} \times \frac{S}{4}$ ，可以等价为对原图的降采样。损失函数的设计为
$L_{cls} =\frac{1}{S^2}\sum_{i\in{L_{cls}}}max(0,sign(0.5-y_{i}^{*})\cdot(\hat y_i-y_{i}^{*}))^2\tag{1}$