脚本宝典收集整理的这篇文章主要介绍了CTPN,脚本宝典觉得挺不错的,现在分享给大家,也给大家做个参考。
Detecting Text in Natural Image with Connectionist Text Proposal Network
基于caffe实现——CTPN
对于复杂场景的文字识别,首先要定位文字的位置,即文字检测。这一直是一个研究热点。
CTPN是在ECCV 2016提出的一种文字检测算法。CTPN结合CNN与LSTM深度网络,能有效的检测出复杂场景的横向分布的文字,效果如图1,是目前比较好的文字检测算法。由于CTPN是从Faster RCNN改进而来,本文默认读者熟悉CNN原理和Faster RCNN网络结构。
原始CTPN只检测横向排列的文字。CTPN结构与Faster R-CNN基本类似,但是加入了LSTM层。假设输入(N) Images:
首先VGG提取特征,获得大小为(Ntimes Ctimes Htimes W)的conv5 feature map
之后在conv5上做(3times 3)的滑动窗口,即每个点都结合周围(3times 3)区域特征获得一个长度为(3times 3times C)的特征向量。输出(Ntimes 9Ctimes Htimes W)的feature map,该特征显然只有CNN学习到的空间特征。
再将这个feature map进行Reshape
然后以(Batch=NH)且最大时间长度(T_{max}=W)的数据流输入双向LSTM,学习每一行的序列特征。双向LSTM输出((NH)times Wtimes 256),再经Reshape恢复形状:
该特征既包含空间特征,也包含了LSTM学习到的序列特征。
然后经过FC层,变为(Ntimes 512times Htimes W)的特征
最后经过类似Faster R-CNN的RPN网络,获得text proposals
更具体的网络结构,请使用netscope查看CTPN的deploy.prototxt网络配置文件。
这里解释一下conv5 feature map如何从(Ntimes Ctimes Htimes W)变为(Ntimes 9Ctimes Htimes W)
在原版caffe代码中是用im2col提取每个点附近的9点临近点,然后每行都如此处理:
接着每个通道都如此处理:
其使用的im2col是用于卷积加速的操作,即将卷积变为矩阵乘法,从而使用Blas库快速计算。
特别说明:上述是对原Paper+Caffe代码的解释,其它代码实现异同不在本文讨论范围内!
原版的ctpn,是用caffe中的im2coll把周围3x3的点取出来形成N(9C)HW,并不是卷积。至于caffe im2coll是一种把卷积变换成矩阵乘法的内部操作,以便用cublas加速卷积计算。
到了tf实现,没这个操作,所以直接卷积(Crightarrow 9C)代替了im2col操作。
接下来,文章围绕下面三个问题展开:
CNN学习的是感受野内的空间信息,LSTM学习的是序列特征。对于文本序列检测,显然既需要CNN抽象空间特征,也需要序列特征(毕竟文字是连续的)。
CNN卷积计算如下图:
CTPN中使用双向LSTM,相比一般单向LSTM有什么优势?双向LSTM实际上就是将2个方向相反的LSTM连起来,如下图
一般来说,双向LSTM都好于单向LSTM。例如:
我的手机坏了,我打算____一部新手机。
假设使用LSTM对空白部分填词。如果只看横线前面的词,“手机坏了”,那么“我”是打算“修”还是“买”还是“大哭一场”?双向LSTM能看到后面的词是“一部新手机“,那么横线上的词填“买“的概率就大得多了。显然对于文字检测,这种情况也依然适用。
CTPN通过CNN和BLSTM学到一组“空间 + 序列”特征后,在"FC"层后接入RPN网络。这里的RPN与Faster R-CNN类似,分为两个分支:
具体RPN网络与Faster R-CNN完全一样,所以不再介绍,只分析不同之处。
由于CTPN针对的是横向排列的文字检测,所以其采用了一组(10个)等宽度的Anchors,用于定位文字位置。Anchor宽高为:
需要注意,由于CTPN采用VGG16模型提取特征,那么conv5 feature map的宽高都是输入Image的宽高的(frac{1}{16})。同时fc与conv5 width和height都相等。
如下图所示,CTPN为fc层feature map每一个点都配备10个上述Anchors。
这样设置Anchors是为了:
获得Anchor后,与Faster R-CNN类似,CTPN会做如下处理:
注意,与Faster R-CNN不同的是,这里Bounding box regression不修正Anchor中心x坐标和宽度。具体回归方式如下:
其中,(v=(v_c,v_h))是回归预测的坐标,(v=(v^*_c,v^*_h))是Ground Truth,(c^a_h)和(h^a)是Anchor的中心(y)坐标和高度。
Anchor经过上述Softmax和(y)方向bounding box regeression处理后,会获得下图所示的一组竖直条状text proposal。后续只需要将这些text proposal用文本线构造算法连接在一起即可获得文本位置。
在论文中,作者也给出了直接使用Faster R-CNN RPN生成普通proposal与CTPN LSTM+竖直Anchor生成text proposal的对比,如下图,明显可以看到CTPN这种方法更适合文字检测。
在上一个步骤中,已经获得了图7所示的一串或多串text proposal,接下来就要采用文本线构造办法,把这些text proposal连接成一个文本检测框。
为了说明问题,假设某张图有图9所示的2个text proposal,即蓝色和红色2组Anchor,CTPN采用如下算法构造文本线:
下面详细解释。假设每个Anchor index如绿色数字,同时每个Anchor Softmax score如黑色数字。
文本线构造算法通过如下方式建立每个Anchor (box_i)的(pair(box_i,box_j))
正向寻找:
再反向寻找:
最后对比(score_i)和(score_k)
class TextProposalGraphBuilder:
......
def is_succession_node(self, index, succession_index):
precursors=self.get_precursors(succession_index)
# index 为上文中的 i, succession_index 为 j, precursors 为负向搜索找到的 k
if self.scores[index]>=np.max(self.scores[precursors]):
return True
return False
def build_graph(self, text_proposals, scores, im_size):
self.text_proposals=text_proposals
self.scores=scores
self.im_size=im_size
self.heights=text_proposals[:, 3]-text_proposals[:, 1]+1
boxes_table=[[] for _ in range(self.im_size[1])]
for index, box in enumerate(text_proposals):
boxes_table[int(box[0])].append(index)
self.boxes_table=boxes_table
graph=np.zeros((text_proposals.shape[0], text_proposals.shape[0]), np.bool)
for index, box in enumerate(text_proposals):
# 沿水平正方向寻找所有overlap_v > 0.7匹配
successions=self.get_successions(index)
if len(successions)==0:
continue
# 找匹配中socre最大的succession_index(即上文j)
succession_index=successions[np.argmax(scores[successions])]
# 沿水平负方向寻找socre最大的 k,如果socre_i >= score_k 则是一个最长连接
if self.is_succession_node(index, succession_index):
# NOTE: a box can have multiple successions(precursors) if multiple successions(precursors)
# have equal scores.
# 设置 Graph connection (i,j)为 True
graph[index, succession_index]=True
return Graph(graph)
举例说明,如上图,Anchor已经按照(x)顺序排列好,并具有图中的Softmax score(这里的score是随便给出的,只用于说明文本线构造算法):
然后,这样就建立了一个(Ntimes N)的Connect graph(其中(N)是正Anchor数量)。遍历Graph:
这样就通过Text proposals确定了文本检测框。
由于作者没有给出CTPN原始训练代码,所以此处仅能根据论文分析。
明显可以看出,该Loss分为3个部分:
说明一下,在Bounding box regression的训练过程中,其实只需要注意被判定成正的Anchor,不需要去关心杂乱的负Anchor。这与Faster R-CNN类似。
以上是脚本宝典为你收集整理的CTPN全部内容,希望文章能够帮你解决CTPN所遇到的问题。
本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ:384754419,请注明来意。