Posted @2019.06.04
最近开始进行文本检测器的算法探索,以下是这些天总结的一些内容,我的想法是提供给大家一个入门时快速浏览、理解和记忆主流文本检测器设计思路的框架,希望能作为入门导读的一个材料供大家使用。由于一开始的目的是看 Pixel-anchor,所以其他算法的设计图没有附上,以后有机会再一一补充吧。本文持续更新,也希望各位赐教。
Thoughts from pixel_anchor详细介绍
Reference Source OCR技术简介 深度学习 OCR Overview
SOTA:(2019.05.27) 目前在 ICDAR15-17上前三的算法是: - FOTS (+recognition) - Pixel-Anchor - PSEnet
在只考虑 precision, recall, Fscore 的情况下,FOTS 的准确度最高,PSEnet的召回性能更好,Pixel-Anchor的较均衡
文本检测四类错误
论文思路上我大致归类为以下三大类,第一类是 Anchor-based methodm,走的路子是跟目标检测相似,只是适当地更新一些在文本检测场景下有意义的改进,最典型的就是textboxes在算法上的更新了。第二类是 Pixel-based method,走的是图像分割的思路。根据不同文本检测数据的特性和任务设计不同的损失,又会形成不同的方法,这种方法也是目前最流行的思路,因为 anchor-based method 本身存在的问题,比如长文本检测困难等,不抛弃ahchor设定是没有办法解决的,当然,目前 anchor-free 的一些方法也会是文本检测的新思路和方向。第三类是 fusion 的方式,其实就是结合上述两种方法,试图找出最佳候选框。
文本检测器设计思路上还有另一种分法,就是按照文本检测的任务不同而划分,具体来说大致可分: - 长条形文本(行状文本) - 曲线文本(弯曲走向的文本,常见于商标、标志等场景) - 不规则文本(艺术设计的扭曲字体,跟图案混为一体的文字等)
但是个人认为这样的分类方式并不能很好的反映目前学界和业界在这方面的发展潮流和思路,也不能很好地表达文本检测器的设计原则。所以权衡再三我还是觉得入门时阅读论文应该按设计思路为框架去浏览文章。
下面我列一些各方向上比较经典的文章,以供各位作参考或指引。
Drawback: recall 低, 小目标检测效果很差