背景
时间点：2023年03月
场景：做一个通用型的多种证件解析服务
需求：调研一种又新又快的定位模型。要求：1）支持倾斜的文字，可以是4点定位或分割法后获取box，但不能是2点的定位；2）快速，过往的psenet需要至少0.6s，pan和db在一些场景中效果差一点但快，是否有更好平衡速度和效果的方法；3）方便改输出通道数量，这种一般是分割？；4）边缘准确；5）适用于中文大字典
方法：从3个方法研究，pp、mmocr、papers with code
调研
PP
https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/doc/doc_ch/PP-OCRv3_introduction.md
assert alg in [
'EAST', 'DB', 'SAST', 'Rosetta', 'CRNN', 'STARNet', 'RARE', 'SRN',
'CLS', 'PGNet', 'Distillation', 'NRTR', 'TableAttn', 'SAR', 'PSE',
'SEED', 'SDMGR', 'LayoutXLM', 'LayoutLM', 'LayoutLMv2', 'PREN', 'FCE',
'SVTR', 'ViTSTR', 'ABINet', 'DB++', 'TableMaster', 'SPIN', 'VisionLAN',
'Gestalt', 'SLANet', 'RobustScanner', 'CT', 'RFL', 'DRRG', 'CAN',
'Telescope'
]
PP-OCRv3检测模块仍基于DB算法优化，而识别模块不再采用CRNN，换成了IJCAI 2022最新收录的文本识别算法SVTR
mmocr
https://gitee.com/open-mmlab/mmocr#%E6%A8%A1%E5%9E%8B%E5%BA%93
最新的检测识别是dbnet++、SVTR
papers with code
从ppocr和mmocr看到，2者选择的方案都是dbnet++及SVTR，dbnet++是2022年的算法。在paperswithcode中，不是特别高的排名，有个疑问，为啥最后会选用这个呢？出于速度考虑？？？
https://paperswithcode.com/paper/real-time-scene-text-detection-with-1
目前考虑的方法
DPText-DETR，排名最高，后续试了效果还不错
FAST-B-800，排名2
DBNet++ 商业化落地最多的
排除的方法
TextFuseNet不适合中文
I3CL + SSL 没相关资料文章，怕有坑，本身也不是最好的2个
CharNet H-88 不适合中文
N种排名靠前的算法
DPText-DETR 京东探索研究院
时间：2022.07
开源：https://github.com/ViTAE-Transformer/DeepSolo
paper：DPText-DETR: Towards Better Scene Text Detection with Dynamic Points in Transformer
是否支持曲线文本：是
速度：
解读：https://blog.csdn.net/moxibingdao/article/details/128910689
https://zhuanlan.zhihu.com/p/569496186
原先算法的缺陷：
1）用xywh表示位置先验信息导致训练慢
2）基于阅读顺序的标注方法（即文本开始循环一圈）降低了模型性能。
本文创新点：
显式点query构建(Explicit Point Query Modeling, EPQM) 方法，用上下边界多点均匀采样得到的N点代替xywh的box，显示细化的位置先验信息有助于加速收敛。即用固定数量控制点代替检测框
2）增强的因子化自注意(Enhanced Factorized Self-Attention, EFSA) 模块，挖掘同一文本实例内
控制点query之间的关系。引入了环形卷积与实例内自注意力并行以提供显式的环形引导，明确地模拟多边形点序列的圆形，引入更多的先验以充分挖掘实例内不同控制点query的关系。增强的实例内关系建模与实例间关系建模共同构成了EFSA模块。
3）不依赖文本阅读顺序的标签形式
消融实验如下，可以看到不同新模块对速度及精度的影响
基于DEtection TRansformer (DETR) 框架，detr是2020年facebook基于vision transformer做的目标检测工作，没有了anchor和box操作。架构如下图：
https://blog.csdn.net/qq_35831906/article/details/124118569
FAST-B-800
时间：2021
开源：是
paper：FAST: Faster Arbitrarily-Shaped Text Detector with Minimalist Kernel Representation
是否支持曲线文本：是
速度：快
NAS网络搜索
backbone+类似残差结构+预测层(head)+Text dilation
https://blog.csdn.net/qq_44498420/article/details/125593141
TextFuseNet
时间：2020
开源：
paper：TextFuseNet: Scene Text Detection with Richer Fused Features
是否支持曲线文本：是
是否适合中文：否
速度：
解读：https://blog.csdn.net/lz867422770/article/details/109170271
参考maskTextspotter和maskRCNN的思想，做实例分割。框架如下图，提取字符，单词和全局级别的特征，并引入多路径融合体系结构以融合它们以进行准确的文本检测。
maskTextspotter是单词级别的检测分割，不适合中文场景。
I3CL + SSL
时间：2021
开源：
paper：I3CL:Intra- and Inter-Instance Collaborative Learning for Arbitrary-shaped Scene Text Detection
是否支持曲线文本：
速度：
CharNet H-88
时间：2019
开源：是
paper：Convolutional Character Networks
是否支持曲线文本：是
是否适合中文：否
速度：
https://zhuanlan.zhihu.com/p/90683589
在字符级annotation的基础上完成了文本检测和识别的one-stage网络。又是字符级，做中文不考虑。
FAST-B-640
比800弱一点
DBNet++
时间：2022
开源：是
paper：
Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion
是否支持曲线文本：
速度：
https://blog.csdn.net/qq_14845119/article/details/127103550
DBNet：Real-time Scene Text Detection with Differentiable BinarizationReal-time Scene Text Detection with Differentiable Binarization
DBNet++：Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion
如下图，横轴是FPS，纵轴是F，db++牺牲了一点速度获得了性能的提升。
输出是概率图（probability map）和阈值图（threshold map）
DBNet++在DBNet的基础上增加了ASF（Adaptive Scale Fusion）模块。不同尺度的特征通过ASF模块处理，可以得到更佳的融合特征。
ASF模块通过引入空间attention机制，使得融合后的特征更加鲁棒。
其中N表示要融合的特征数，这里N=4，表示从4个不同的分支引出的特征。
db差异二值化的作用：每个像素都使用不同的阈值进行二值化处理。而这个不同的阈值矩阵又是网络学习得到的。为了保证整个优化过程有梯度的传递，这里又将概率图和阈值图的差传入sigmoid函数，以此来保证梯度的传递。通过梯度优化，保证了不同的图片使用不同的阈值矩阵，达到最佳的二值化效果。
如何处理相邻较近的文本：为了增大相邻文字之间的间距，缓解文字离得太近或者部分重叠的情况。概率图（probability map）的制作会在原始红色多边形的基础上，使用Vatti clipping算法，向内收缩D的距离。
阈值图（threshold map）在红色多边形的基础上，分别向内收缩D距离形成蓝色多边形，向外扩张D距离形成绿色多边形。蓝色多边形和绿色多边形之间的像素形成阈值图。然后计算图内每个像素离最近的边（蓝色边，绿色边）的归一化距离，形成最终的阈值图。阈值图看起来中间像素亮，边缘像素暗。
后处理时，使用概率图（probability map）或者使用二值图（approximate binary map）都是可以的。两者在效果上是一样的。这样在推理过程中，就可以去掉网络中的二值化过程，直接使用概率图。这样网络中的二值化过程的loss就更像一个辅助loss，来使得网络训练的效果更好。
简单来说，后处理时通过概率图获取中心连通域，再用规则缩放边界。
DBNet
网络输入假设为w*h*3。网络整体结构采用FPN的设计思想，进行了5次下采样，3次上采样操作。最终的输出特征图大小为原图的1/4。网络头部部分，分别引出2个分支。一个负责预测概率图（probability map，(w/4)*(h/4)*1），代销为，另一个负责预测阈值图（threshold map，(w/4)*(h/4)*1）。概率图经过阈值图处理，进行二值化后得到二值图（approximate binary map，(w/4)*(h/4)*1）。最后经过后处理操作得到最终文字的边。
