[22.02] DBNet++

自適應特徵融合

Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion

---

在撰寫 DBNet 系列的論文導讀時，我們一直在想 DBNet 的名字到底是 DB 還是 DBNet？

在第一版本的論文中，完全沒有提到 DBNet 這個名字，因此在其他文獻的引用中，全部都稱之為 DB。後來在這篇論文中，終於看到作者對於自己模型的稱呼叫做 DBNet，因此我們尊重作者的命名，將這個系列的論文稱之為 DBNet。

定義問題

延續上一篇論文 DBNet，作者覺得模型還有進步的空間，於是在原有的架構上，優化了特徵融合的方式，提出了 DBNet++。

如果你沒看過上一篇論文，我們建議你回去看一下，因為這裡我們會省略多數重複的細節。

• [19.11] DBNet: 可微分二值化函數

解決問題

模型架構

首先是跟第一版論文幾乎一樣的架構，我們直接略過。

請直接看到這次改動的地方，也就是上圖中：Adaptive Scale Fusion Module 的部分。

自適應尺度融合

自適應尺度融合，論文中稱為 Adaptive Scale Fusion（ASF），是作者在 DBNet 的基礎上提出的一個新模組。

在原本的設計中，只是單純地把不同尺度的特徵圖拼接再一起，然後送入卷積層進行特徵融合，就直接接後面的預測分支。

而作者認為這裡顯然可以做得更細緻，因為不同尺度的特徵可能有不同的重要性，因此在融合階段，應該計算出圖片中每個位置的重要性，然後根據這個重要性來決定不同尺度特徵的融合程度。

如上圖，我們跟著作者的思路一起走一次：

1. 輸入特徵圖，尺寸： C x H x W
2. 以下開始進入 Spatial Attention 的部分：
   1. 進行空間平均池化，得到 1 x H x W 的特徵圖，意思是對每個通道進行平均，得到每個位置的重要性
   2. 經過一個卷積層和 Sigmoid，增加 1 x H x W 特徵圖的非線性表達能力，拓展回 C 個通道，尺寸為 C x H x W
   3. 將這個特徵圖「加上」原本的特徵圖，得到加權後的特徵圖，再次經過 Conv 和 Sigmiod，轉成 0~1 之間的值，並壓縮通道數，輸出尺寸為 1 x H x W
3. 回到 Adaptive Scale Fusion 的部分：
   1. 將上一步驟的輸出拓展通道數，尺寸為 C x H x W
   2. 進行加權融合，將這些特徵圖「乘上」剛剛的加權特徵圖，得到最終的融合特徵圖

提示

這個概念非常像我們之前看過的 SENet，差別在於 SENet 是對通道進行加權，而這裡是對空間進行加權。

• [17.09] SENet: 擠～～用力擠～～

  

討論

和原始 DBNet 的比較

作者在 MSRA-TD500 和 CTW1500 數據集上進行了消融實驗，這些模組包括可微分二值化（Differentiable Binarization, DB）、可變形卷積（Deformable Convolution）和自適應尺度融合（Adaptive Scale Fusion）。

我們挑重點看，紅色框起來的部分，就是增加了 ASF 模組後的效果。

其實增加這個模組之後 Precision 和 Recall 大多有所提升，但大多是 Recall 提升更多。意思是這個模組會有更多誤報，但是可以找到更多正確的文字區域。

整體而言，F-measure 有所提升，在 MSRA-TD500 數據集和 CTW1500 數據集上分別提高了 2.3% 和 1.9%，這樣的結果證明了 ASF 模組的有效性。

可視化

結論

這篇論文中大部分的內容都和先前的 DBNet 一樣，我們就不再鉅細靡遺地介紹了。

自適應尺度融合模組讓模型能夠基於輸入，自動調整不同尺度特徵的融合程度，這樣的設計在實驗中證明了有效性。雖然在推論中會降低一點推論速度，但是整體而言，提升了大約 2% 的模型的性能。

算起來，也是個很不錯的投資！