引入Mask R-CNN思想通過語義分割進(jìn)行任意形狀文本檢測與識(shí)別

引入Mask R-CNN思想通過語義分割進(jìn)行任意形狀文本檢測與識(shí)別。

華中科技大學(xué)白翔老師團(tuán)隊(duì)在自然場景文本檢測與識(shí)別領(lǐng)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，基于深度神經(jīng)網(wǎng)絡(luò)的模型已經(jīng)主導(dǎo)了場景文本檢測和識(shí)別領(lǐng)域。在該文中，研究了場景“text spotting”的問題，其旨在自然圖像中同時(shí)進(jìn)行文本檢測和識(shí)別。

該文受到Mask R-CNN的啟發(fā)提出了一種用于場景text spotting的可端到端訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型：Mask TextSpotter。與以前使用端到端可訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)完成text spotting的方法不同，Mask TextSpotter利用簡單且平滑的端到端學(xué)習(xí)過程，通過語義分割獲得精確的文本檢測和識(shí)別。此外，它在處理不規(guī)則形狀的文本實(shí)例（例如，彎曲文本）方面優(yōu)于之前的方法。

在ICDAR2013、ICDAR2015和Total-Text數(shù)據(jù)庫上的實(shí)驗(yàn)表明，所提出的方法在場景文本檢測和端到端文本識(shí)別任務(wù)中都達(dá)到了state-of-the-art的水平。

彎曲形狀文本檢測與識(shí)別的例子：

左圖是水平text spotting方法的結(jié)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(jié)果，它的檢測框傾斜；右圖是該文提出的Mask TextSpotter算法的結(jié)果，它的檢測框不是外接矩形而是一個(gè)最小外接多邊形，對這種彎曲文本達(dá)到了更精確的文本檢測和識(shí)別。

▌網(wǎng)絡(luò)架構(gòu)

網(wǎng)絡(luò)架構(gòu)由四部分組成，骨干網(wǎng)feature pyramid network (FPN)，文本候選區(qū)域生成網(wǎng)絡(luò)region proposal network (RPN)，文本包圍盒回歸網(wǎng)絡(luò)Fast R-CNN，文本實(shí)例分割與字符分割網(wǎng)絡(luò)mask branch。

▌?dòng)?xùn)練階段

RPN首先生成大量的文本候選區(qū)域，然后這些候選區(qū)域的RoI特征被送入Fast R-CNN branch和mask branch，由它們?nèi)シ謩e生成精確的文本候選包圍盒（text candidate boxes）、文本實(shí)例分割圖（text instance segmentation maps）、字符分割圖（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(jīng)過4層卷積層和1層反卷積層，生成38通道的圖（大小32*128），包括一個(gè)全局文本實(shí)例圖——它給出了文本區(qū)域的精確定位，無論文本排列的形狀如何它都能分割出來，還包括36個(gè)字符圖（對應(yīng)于字符0～9，A～Z），一個(gè)字符背景圖（排除字符后的的所有背景區(qū)域），在后處理階段字符背景圖會(huì)被用到。

這是一個(gè)多任務(wù)模型，其Loss組成：

▌推理階段

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

推理的過程如下：首先輸入一幅測試圖像，通過Fast R-CNN獲取候選文本區(qū)域，然后通過NMS（非極大抑制）過濾掉冗余的候選區(qū)域，剩下的候選區(qū)域resize后送入mask branch，得到全局文本實(shí)例圖，和字符圖。通過計(jì)算全局文本實(shí)例圖的輪廓可以直接得到包圍文本的多邊形，通過在字符圖上使用提出的pixel voting方法生成字符序列。

如上圖所示，Pixel voting方法根據(jù)字符背景圖中每一個(gè)聯(lián)通區(qū)域，計(jì)算每一字符層相應(yīng)區(qū)域的平均字符概率，即得到了識(shí)別的結(jié)果。

為了在識(shí)別出來的字符序列中找到最佳匹配單詞，作者在編輯距離（Edit Distance）基礎(chǔ)上發(fā)明了加權(quán)編輯距離（Weighted Edit Distance）。

識(shí)別結(jié)果示例：

▌ICDAR2013的結(jié)果

該庫主要用來驗(yàn)證在水平文本上的識(shí)別效果。

▌ICDAR2015的結(jié)果

用來驗(yàn)證方向變化的文本的結(jié)果。

▌Total-Text結(jié)果

驗(yàn)證彎曲的文本檢測識(shí)別結(jié)果。

彎曲文本識(shí)別示例

▌速度

在Titan Xp顯卡上，720*1280的圖像，速度可以達(dá)到6.9FPS。

▌效果分析

作者通過進(jìn)一步的實(shí)驗(yàn)分析，發(fā)現(xiàn)：如果去除字符圖子網(wǎng)絡(luò)，只訓(xùn)練檢測模型，檢測的性能會(huì)下降，說明檢測可以受益于識(shí)別模塊。下圖中Ours(det only)為只有檢測的模型。

如果去除訓(xùn)練樣本中的真實(shí)世界字符標(biāo)注圖像，模型依然可以達(dá)到相當(dāng)競爭力的性能。下圖中Ours(a)即不使用真實(shí)世界字符標(biāo)注圖像的訓(xùn)練結(jié)果。

通過加權(quán)編輯距離（weighted edit distance）和原始編輯距離的比較，發(fā)現(xiàn)，加權(quán)編輯距離可以明顯提高識(shí)別性能。下圖中Ours(b)為原始編輯距離的結(jié)果。

該文將Mask R-CNN語義分割的方法用于文本檢測與識(shí)別，取得了顯著的性能改進(jìn)，并能成功應(yīng)對任意形狀的文本，其他語義分割方法是否也能拿來試一下呢？（該文目前還沒有開源代碼。）