剛好看到國內的曠視今年在CVPR2017的一篇文章：EAST: An Efficient and Accurate Scene Text Detector。而且有開放的代碼，學習和測試了下。
題目說的是比較高效，它的高效主要體現在對一些過程的消除，其架構就是下圖中對應的E部分，跟上面的比起來的確少了比較多的過程。這與去年經典的CTPN架構類似。不過CTPN只支持水平方向，而EAST在論文中指出是可以支持多方向文本的定位的。
對於長文本效果不好。
優勢：
提供了方向信息，可以檢測各個方向的文本
缺點：
對較長的文本檢測效果不好，感受野不夠長
整體網絡結構分為3個部分
(1) 特征提取層：
使用的基礎網絡結構是PVANet，分別從stage1，stage2，stage3，stage4抽出特征，一種FPN(feature pyramid network)的思想。
(2) 特征融合層：
第一步抽出的特征層從后向前做上采樣，然后concat
(3) 輸出層：
輸出一個score map和4個回歸的框+1個角度信息，或者輸出，一個scoremap和8個坐標信息。
由於程序實現使用的基礎網絡不是pvanet網絡，而是resnet50-v1。
在caffe版本的resnet50實現中，只有第一個卷積后面的pooling和最后一層的gloabl pooling，詳細結構見reference，網絡通過卷積層的stride=2操作實現類似pooling的效果
而本程序使用的slim中帶的resnet50包含了5個pooling。
Resnet50結構，最后一個featuremap本質上將輸入圖像縮小16倍(4個pooling)，最后一個gloabl pooling，類似於vgg中的全連接。gloabl pooling是googlenet和Resnet的專利。
本文網絡結構主要取了pool2，pool3，pool4，pool5，的featuremap引出，分別進行uppooling，concat，conv操作，得到最終的featuremap，然后進行卷積，分別輸出channel=1的F_score
，channel=4的geo_map，channel=1的angle_map。
標簽生成過程：
(a) 中黃色的為人工標注的框，綠色為對黃色框進行0.3倍邊長的縮放后的框，這樣做可以進一步去除人工標注的誤差，拿到更准確的label信息。
(b) 為根據(a)中綠色框生成的label信息
(c) 中先生成一個(b)中白色區域的最小外接矩，然后算每一個(b)中白色的點到粉色最小外接矩的上下左右邊的距離，即生成(d)，然后生成粉色的矩形和水平方向的夾角，即生成角度信息(e)，e中所有灰色部分的角度信息一樣，都是同樣的角度。
論文采用的架構如下：
后來，有大佬改進EAST針對長文本檢測效果不好的缺陷，提出advancedEAST，結構如下：
開源源碼：https://github.com/huoyijie/AdvancedEAST
僅為學習記錄，侵刪，感謝作者。