作者 |周強

來源 | 我愛計算機視覺

引入Mask R-CNN思想通過語義分割進行任意形狀文字檢測與識別。

華中科技大學白翔老師團隊在自然場景文字檢測與識別領域成果頗豐，這篇被ECCV2018接收的論文《Mask TextSpotter: An End-to-End Trainable Neural Network for Spotting Text with Arbitrary Shapes》是其最新力作。

文章指出，最近，基於深度神經網路的模型已經主導了場景文字檢測和識別領域。在該文中，研究了場景“text spotting”的問題，其旨在自然影象中同時進行文字檢測和識別。

該文受到Mask R-CNN的啟發提出了一種用於場景text spotting的可端到端訓練的神經網路模型：Mask TextSpotter。與以前使用端到端可訓練深度神經網路完成text spotting的方法不同，Mask TextSpotter利用簡單且平滑的端到端學習過程，通過語義分割獲得精確的文字檢測和識別。此外，它在處理不規則形狀的文字例項（例如，彎曲文字）方面優於之前的方法。

在 ICDAR2013、ICDAR2015和Total-Text資料庫上的實驗表明，所提出的方法在場景文字檢測和端到端文字識別任務中都達到了state-of-the-art的水平。

彎曲形狀文字檢測與識別的例子：

左圖是水平text spotting方法的結果，它的檢測框是水平的；中間圖是具有方向的text spotting方法的結果，它的檢測框傾斜；右圖是該文提出的Mask TextSpotter演算法的結果，它的檢測框不是外接矩形而是一個最小外接多邊形，對這種彎曲文字達到了更精確的文字檢測和識別。

▌網路架構

網路架構由四部分組成，骨幹網feature pyramid network (FPN)  ，文字候選區域生成網路region proposal network (RPN) ，文字包圍盒迴歸網路Fast R-CNN ，文字例項分割與字元分割網路mask branch。

▌訓練階段

RPN首先生成大量的文字候選區域，然後這些候選區域的RoI特徵被送入Fast R-CNN branch和mask branch，由它們去分別生成精確的文字候選包圍盒（text candidate boxes）、文字例項分割圖（text instance segmentation maps）、字元分割圖（character segmentation maps）。

尤其值得一提的是Mask Branch，如下圖：

它將輸入的RoI（固定大小16*64）經過4層卷積層和1層反捲積層，生成38通道的圖（大小32*128），包括一個全域性文字例項圖——它給出了文字區域的精確定位，無論文字排列的形狀如何它都能分割出來，還包括36個字元圖（對應於字元0～9，A～Z），一個字元背景圖（排除字元後的的所有背景區域），在後處理階段字元背景圖會被用到。

這是一個多工模型，其Loss 組成：

▌推理階段

推理階段mask branch的輸入RoIs來自於Fast R-CNN的輸出。

推理的過程如下：首先輸入一幅測試影象，通過Fast R-CNN獲取候選文字區域，然後通過NMS（非極大抑制）過濾掉冗餘的候選區域，剩下的候選區域resize後送入mask branch，得到全域性文字例項圖，和字元圖。通過計算全域性文字例項圖的輪廓可以直接得到包圍文字的多邊形，通過在字元圖上使用提出的pixel voting方法生成字元序列。

如上圖所示，Pixel voting 方法根據字元背景圖中每一個聯通區域，計算每一字元層相應區域的平均字元概率，即得到了識別的結果。

為了在識別出來的字元序列中找到最佳匹配單詞，作者在編輯距離（Edit Distance）基礎上發明了加權編輯距離（Weighted Edit Distance）。

識別結果示例：

▌ICDAR2013的結果

該庫主要用來驗證在水平文字上的識別效果。

▌ICDAR2015的結果

用來驗證方向變化的文字的結果。

▌Total-Text結果

驗證彎曲的文字檢測識別結果。

彎曲文字識別示例

▌速度

在Titan Xp 顯示卡上，720*1280的影象，速度可以達到6.9FPS。

▌效果分析

作者通過進一步的實驗分析，發現：如果去除字元圖子網路，只訓練檢測模型，檢測的效能會下降，說明檢測可以受益於識別模組。下圖中Ours(det only)為只有檢測的模型。

如果去除訓練樣本中的真實世界字元標註影象，模型依然可以達到相當競爭力的效能。下圖中Ours(a)即不使用真實世界字元標註影象的訓練結果。

通過加權編輯距離（weighted edit distance）和原始編輯距離的比較，發現，加權編輯距離可以明顯提高識別效能。下圖中Ours(b)為原始編輯距離的結果。

該文將Mask R-CNN語義分割的方法用於文字檢測與識別，取得了顯著的效能改進，並能成功應對任意形狀的文字，其他語義分割方法是否也能拿來試一下呢？（該文目前還沒有開原始碼。）

論文地址：

https://arxiv.org/abs/1807.02242

白翔老師主頁：

http://cloud.eic.hust.edu.cn:8071/~xbai/

——【完】——

線上公開課 知識圖譜專場

◆

精彩繼續

◆

時間：8月9日 20:00-21:00

新增微信csdnai，備註：公開課，加入課程交流群

參加公開課，向講師提問，即有機會獲得定製T恤或者技術書籍