一、算法介绍
本文提出了一种文本检测模型。该模型将二值化操作插入了分割模型进行共同优化。每个像素点的阈值可以被计算得到。然而，标准的二值化是不可微的，所以本文提出了一个近似计算可微二值化（Differentiable Binarization, DB）。
本文主要贡献为提出的DB模块是可微的，因此二值化过程可以在CNN中进行端到端训练。与之前的基于分割的模型相比，本文有如下几个优势：
- 在五个基准数据集上有良好的表现，其中包括水平、多个方向、弯曲的文本。
- 比之前的方法要快很多，因为DB可以提供鲁棒的二值化图，从而大大简化了后处理过程。
- 使用轻量级的backbone（ResNet18）也有很好的表现。
- DB模块在推理过程中可以去除，因此不占用额外的内存和时间的消耗。
2. 详细过程
相关工作
文本检测技术可分为两类：基于回归的方法和基于分割的方法。
- 基于回归的方法：直接回归文本实例的bounding box。
优点：只要采用简单的后处理（如NMS）；
缺点：大多数难以预测不规则形状的准确边界，如曲线形状。
- 基于分割的方法：使用像素级别的预测结果和后处理算法来获得bounding box。
模型结构
大多数的检测方法流程如蓝色箭头所示，首先用一个分割网络得到概率图，然后使用一个固定的阈值将概率图转化为二值图像，最后使用启发式算法像素聚类将像素组成文本实例。
DBNet的流程图(如上图中红色箭头所示)目的是将二值化操作插入到分割网络中进行联合优化，这样网络可以自适应的预测图像中每一个像素点的阈值（区别去传统方法的固定阈值），从而可完全区分前景和背景的像素。
二值化阈值由网络学习得到，彻底将二值化这一步骤加入到网络里一起训练，这样最终的输出图对于阈值就会具有非常强的鲁棒性，在简化了后处理的同时提高了文本检测的效果。
在训练过程中，对概率图（P）、阈值图（T）和近似二值图进行监督，其中概率图和近似而知图使用共同的监督。在推理过程中，使用近似二值图或者概率图，通过box形成模块的计算可以获得bounding box。
整个流程如下：
- 图像经过FPN网络结构，得到四个特征图，分别为1/4,1/8,1/16,1/32大小；
- 将四个特征图分别上采样为1/4大小，再concat，得到特征图F
- 由F得到 概率图(P) 和 阈值图 (T)
- 通过P、T计算（通过可微分二值化DB，下文介绍） approximate binary map（ 近似二值图)
可微二值化
二值化：给定概率图P，二值化过程为
标准二值化公式是不可微的，因此不能通过训练进行优化。可微二值化公式如下：
k是放大系数，经验值为50。
微分推导：假设使用交叉熵损失函数，
，其中
，则正样本和负样本对应的损失为
导数有两个特性（1）被放大了k倍，（2）对于被错分的样本放大得更多。
可变形卷积
可以产生可变形的感受野，有利于处理具有大长宽比的文本实例。在所有conv3，conv4和conv5中使用3 x 3的卷积核中使用。
样本生成
给定一张文本图，每个文本区域的多边形可以表示为
其中，n是顶点个数。n的大小因数据集而异，如ICDAR 2015使用四个点，CTW 1500使用16个点。正样本区域通过Vatti clipping算法，将多边形G收缩成Gs。偏移量D可以通过周长L和面积A计算得到
r是偏移系数，经验值一般设为0.4。
损失函数
损失函数由三部分组成，概率图的损失Ls，二值化图的损失为Lb，阈值图的损失为Lt。
Ls和Lb都采用二元交叉熵损失。
Lt使用L1范数的和进行计算。
