TextFuseNet: Scene Text Detection with Richer Fused Features

自然场景中任意形状文本检测是一项极具挑战性的任务，与现有的仅基于有限特征表示感知文本的文本检测方法不同，本文提出了一种新的框架，即 TextFuseNet ，以利用融合的更丰富的特征进行文本检测。
该算法用三个层次的特征来表示文本，字符、单词和全局级别，然后引入一种新的文本融合技术融合这些特征，来帮助实现鲁棒的任意文本检测。另外提出了一个弱监督学习机制，可以生成字符级别的标注，在缺乏字符级注释的数据集情况下也可以进行训练。
该算法在ICDAR2013上取得F1分数94.3%，在ICDAR2015上F1分数92.1%，在Total-Text上87.1%，在CTW-1500上86.6%，目前为止最佳成绩。

复现代码获取：

关注微信公众号 datayx 然后回复 文本检测 即可获取。

AI项目体验地址 https://loveai.tech

1. 算法简介

之前的文本检测算法大致分为两种，基于字符级别的检测和基于单词级别的检测。基于字符级别的检测算法首先提取单个字符，然后再使用字符合并算法合并这些字符成一个单词，然而这种方法因为要生成大量的字符候选框并且要合并，比较耗时。相比之下，基于单词级别的检测算法直接检测单词，会更高效和简单，但这种方法通常无法有效地检测具有任意形状的文本。为了解决这个问题，一些基于单词的方法进一步应用实例分割来进行文本检测。在这些方法中，前景分割掩码被估计以帮助确定各种文本形状。

尽管有很好的结果，但现有的基于实例分割的方法仍然有两个主要的局限性。一是，这些方法只基于单个感兴趣区域(RoI)检测文本，而不考虑全局上下文，因此它们倾向于基于有限的视觉信息产生不准确的检测结果。二是，现有的方法没有对不同层次的单词语义进行建模，产生假阳性的可能性增大。从图一中可以看到这种方法的弊端。

本文提出的TextFuseNet能够有效的解决这些问题，并且可以高效准确的预测任意形状的文本。TextFuseNet与其他算法相比主要的区别在于，有效的利用各种层次的特征，例如字符级别的、单词级别的、全局级别的特征，而其他的文本检测算法往往只使用一种层次的特征。

TextFuseNet网络结构主要分为三个分支:
第一个是语义分割分支( semantic segmentation branch)，该分支用来提取液全局级别的特征；
另外二个是检测分支和mask分支(detection and mask branches)，用来提取字符级别和单词级别的特征；
在得到三种层次的特征后，使用多路径特征融合体系结构(Multi-path Fusion Architecture)，融合三者特征，生成更具代表性的特征表示，从而产生更准确的文本检测结果。

目前大部分数据集只包含单词级别的标注，很少有字符级别的标注，为解决字符级别标注数据集缺乏的问题，提出了一种弱监督学习方案，通过从单词级注释数据集学习来生成字符级注释。
总体的结构如图2所示。

2. 算法详解

2.1 网络结构

具体网络结构如图2所示，首先提取多层次的特征，然后执行多路径融合以进行文本检测。该结构主要由5部分组成，

使用特征金字塔（FPN）作为backbone进行多特征提取；
使用RPN生成文本候选框；
语义分割分支生成全局语义特征；
检测分支预测单词和字符；
mask分支生成单词和字符的实例分割；

在TextFuseNet中，使用ResNet作为backbone，RPN生成的文本候选框作为检测和mask分支的输入，在语义分割分支来对输入图像进行语义分割，并帮助获得全局级别的特征。
mask在检测分支中，通过预测文本候选框的类别和采用边界框回归来细化文本候选框，提取和融合了单词和全局级别的特征来检测单词和字符。
mask分支，对从检测分支检测到的对象执行实例分割；
提取和融合所有字符、单词和全局级别的特征，以完成实例分割以及最后的文本检测任务。
2.2节来主要来讲解提取多层次的特征表示，在提取多特征后，多路径融合体系结构来融合不同的特征，用于检测任意形状的文本，多径融合体系结构可以有效地对多层特征进行对齐和合并，以提供健壮的文本检测，多路径融合体系结构的实现细节在2.3节中描述。

2.2 Multi-level Feature Representation

在检测器的检测和掩码分支中，通过预测文本候选框中的字符和单词，能够很容易的获得字符级别和单词级别的特征。这里应用RoIAlign提取不同的特征，并对单词和字符进行检测。
除了字符和单词特征，还要获取全局的语义特征，如图2所示，语义分割分支是基于FPN的输出构建的。将所有特征层的特征融合到一个统一的特征表示中，并在这个统一的特征表示上执行分割，从而获得全局分段的文本检测结果。通常，使用1×1的卷积将不同特征层的特征的通道数对齐，并将特征映射调整为相同的大小，以便以后统一。

2.3 Multi-path Fusion Architecture

在获取到多级特征后，分别在检测和mask分支采用多径融合体系结构。
在检测分支中，基于从RPN获得的文本候选，提取全局和单词级特征，用于不同路径的文本检测。然后，融合这两种类型的特征，以单词和字符的形式提供文本检测。值得注意的是，在检测分支的时候，不能提取和融合字符级别的特征，因为，在执行检测之前，字符尚未被识别。在实际代码中，给定一个文本候选框，使用RoIAlign从FPN的输出特征中提取到一个大小为7×7的全局和单词特征。使用 element-wise相加融合这两个特征，然后再经过一个3×3的卷积层和一个1×1的卷积层，最终融合后的特征用于分类和坐标回归。
在mask分支，对于每个单词级实例，可以在多路径融合体系结构中融合得到相应的字符、单词和全局级别特征。图3详细说明了多路径融合结构。
在所提出的体系结构中，从不同的路径中提取多层次特征，并将它们融合起来，以获得更丰富的特征，以帮助学习更具鉴别性的特征表示。