跳至主要内容

[18.07] Mask TextSpotter

定位即辨識​

Mask TextSpotter: An End-to-End Trainable Neural Network for Spotting Text with Arbitrary Shapes

初次看到這篇論文的時候，不論是模型設計理念還是製圖方式，都讓我們有種似曾相識的感覺。於是回去翻看一下作者團隊，原來隸屬於 Face++，和 CA-FCN 一樣的作者群啊！

他們很多論文都發在 CVPR 上，在該領域內有非常大的影響力。

回到這篇論文，作者受到 Mask R-CNN 的啟發，用像素級的預測方式，將文字的位置和類別直接預測出來。

為了致敬 Mask R-CNN，作者將這個模型稱為 Mask TextSpotter。

定義問題​

現實場景中的文字形狀可能有很大的差異，有水平的，垂直的，彎的，斜的......

各種你可以想到或想不到的形狀。

文字檢測方法通常來自於物件偵測的設計理念，但物件偵測的方法對於多變的文字形狀適應不良，效果不佳。

另外，文字辨識的方法在這個時期還是流行使用 CTC 的方法，但這個方法比較適合用在水平的文字上，對於彎曲文字的辨識效果也不好。

我們能不能找個可以同時檢測文字位置，又同時可以做文字辨識的方法呢？

魚與熊掌，我都想要啊！

解決問題​

模型架構​

model arch

這個模型架構畫得比較簡略，我們搭配論文內容跟著看過一遍。

此架構包含四個主要部分，如上圖所示：

  1. 特徵金字塔網路 (Feature Pyramid Network, FPN) 作為骨幹網路。
  2. 區域提案網路 (Region Proposal Network, RPN) 用於生成文本提案。
  3. Fast R-CNN 負責邊界框回歸。
  4. 遮罩分支 (Mask Branch) 用於文本實例分割與字元分割。

Backbone & Neck​

為了建立針對不同尺度的高階語義特徵圖，作者使用 ResNet-50 作為 Backbone，結合特徵金字塔結構 (FPN)。金字塔結構採用自上而下的方式融合不同解析度的特徵，提升準確率的同時僅增加少量的計算成本。

區域提案網路​

區域提案網路（RPN）負責為 Fast R-CNN 和遮罩分支生成文本提案。

在每個階段根據不同大小的 anchor 進行設置，anchor 的面積分別為：

  • 322,642,1282,2562,512232^2, 64^2, 128^2, 256^2, 512^2 像素，對應於五個階段：{P2,P3,P4,P5,P6}\{P_2, P_3, P_4, P_5, P_6\}。

每個階段採用三種不同的長寬比 {0.5,1,2}\{0.5, 1, 2\} 進行訓練。

區域特徵提取的方式採用 RoI Align，這比 RoI Pooling 更能保留準確的位置信息，對遮罩分支的分割任務非常有幫助。

Fast R-CNN 分支​

在訓練階段，RPN 會首先生成大量文本提案，然後將提案的區域特徵（RoI features）輸入 Fast R-CNN 分支與遮罩分支，Fast R-CNN 分支包含分類任務與回歸任務。

分類指的是將文本提案分類為文本或非文本，回歸指的是調整文本提案的邊界框。

此分支的主要功能是生成更準確的邊界框，輸入由 RPN 所生成的提案經 RoI Align 提取而來，調整為 7×77 \times 7 的解析度。

遮罩分支​

mask branch

遮罩分支（Mask Branch）包含文本實例分割與字元分割兩個任務，如上圖所示。

對於每個輸入的 RoI（尺寸固定為 16×6416 \times 64），經由四層卷積層與一層反卷積層處理後，遮罩分支會生成 38 個輸出圖，包括：

  • 文本實例圖：如上圖中的 Global word map，目標是定位文本區域。
  • 36 個字元圖：如上圖中的 Character map，對應 26 個英文字母與 10 個阿拉伯數字。
  • 字元背景圖：如上圖中的 Background map，標註非字元區域，用於後處理。
提示

這裡的設計是不區分大小寫的，所以只有 26 個英文字母。

標籤生成​

  • RPN 與 Fast R-CNN 的目標生成

    首先將多邊形標註資料轉換為能覆蓋該多邊形的最小水平矩形。接著按照 [8, 40, 32] 的方式為 RPN 與 Fast R-CNN 生成目標。

  • 遮罩分支的標籤生成

    根據 RPN 生成的提案及標註資料 PP 和 CC（若存在），需生成兩種類型的遮罩圖：

    1. 全域文本實例分割圖（Global Map）：定位文本區域。
    2. 字元語義分割圖（Character Map）：標註字元類別。

  • 生成全域實例分割圖

    將多邊形繪製在初始為 0 的遮罩圖上，並將多邊形內的區域填滿為 1。

  • 生成字元分割圖

    char map

    如上圖，將字元框的中心點固定，並將每條邊縮短至原長度的四分之一。在縮小後的字元框內，像素值設為對應字元的類別索引。在字元框之外的區域，像素值設為 0；若無字元框標註資料，則將所有像素值設為 −1-1。

損失函數​

你也看到了，上面有好幾個分支。

因此這裡採用多任務損失函數來進行優化，公式如下：

L=Lrpn+α1Lrcnn+α2LmaskL = L_{\text{rpn}} + \alpha_1 L_{\text{rcnn}} + \alpha_2 L_{\text{mask}}

  • LrpnL_{\text{rpn}} 和 LrcnnL_{\text{rcnn}} 分別是 RPN 和 Fast R-CNN 的損失函數。

  • LmaskL_{\text{mask}} 是遮罩分支的損失函數，包括

    • 全域文本實例分割損失：LglobalL_{\text{global}}

    • 字元分割損失 LcharL_{\text{char}}：

      Lmask=Lglobal+βLcharL_{\text{mask}} = L_{\text{global}} + \beta L_{\text{char}}

在此工作中，超參數 α1,α2,β\alpha_1, \alpha_2, \beta 均經實驗設置為 1.0。

  • 文本實例分割損失

    文本實例分割的輸出為一張全域遮罩圖。設 NN 為遮罩圖中的像素數量，yn∈{0,1}y_n \in \{0, 1\} 為像素標籤，xnx_n 為模型輸出的像素值，則 LglobalL_{\text{global}}。

    定義如下：

    Lglobal=−1N∑n=1N[yn⋅log⁡(S(xn))+(1−yn)⋅log⁡(1−S(xn))]L_{\text{global}} = -\frac{1}{N} \sum_{n=1}^{N} \left[ y_n \cdot \log(S(x_n)) + (1 - y_n) \cdot \log(1 - S(x_n)) \right]

    其中 S(x)S(x) 是 sigmoid 函數，用於將輸出映射為 0 到 1 之間的概率。

  • 字元分割損失

    字元分割的輸出包含 37 張遮罩圖（對應 36 個字元類別和一個背景類別）。將輸出的遮罩圖 XX 視為 N×TN \times T 的矩陣，其中 TT 為類別數量，NN 為每張圖中的像素數。

    加權空間 soft-max 損失定義如下：

    Lchar=−1N∑n=1NWn∑t=0T−1Yn,tlog⁡(eXn,t∑k=0T−1eXn,k)L_{\text{char}} = -\frac{1}{N} \sum_{n=1}^{N} W_n \sum_{t=0}^{T-1} Y_{n,t} \log\left( \frac{e^{X_{n,t}}}{\sum_{k=0}^{T-1} e^{X_{n,k}}} \right)

    其中 YY 是對應的標註資料；WW 是權重，用於平衡正樣本與背景類別的損失。

    設背景像素的數量為 NnegN_{\text{neg}}，背景類別的索引為 0。

    權重 WiW_i 計算如下：

    Wi={1ifYi,0=1,NnegN−NnegotherwiseW_i = \begin{cases} 1 & \text{if} \quad Y_{i,0} = 1, \\ \frac{N_{\text{neg}}}{N - N_{\text{neg}}} & \text{otherwise} \end{cases}

推論階段​

在推論階段，sigmoid 函數用於生成全域遮罩圖。soft-max 函數用於生成字元分割圖。

與訓練過程不同的是，遮罩分支的輸入不再來自 RPN，而是使用 Fast R-CNN 的輸出作為提案，因為 Fast R-CNN 的結果更加準確。

推論過程的詳細步驟如下：

  1. 輸入測試影像：首先，將測試影像輸入模型，使用 Fast R-CNN 獲得候選框。
  2. 去除冗餘框：使用非極大值抑制 (NMS) 濾除冗餘的候選框。
  3. 生成遮罩圖：將保留的候選框輸入遮罩分支，生成全域遮罩圖和字元遮罩圖。
  4. 文本輪廓擷取：透過計算全域遮罩圖中的文本區域輪廓，生成預測的多邊形。
  5. 字元序列生成：使用我們提出的像素投票演算法從字元遮罩圖中生成字元序列。

像素投票演算法​

像素投票演算法（Pixel Voting）將預測的字元遮罩圖解碼為字元序列，具體步驟如下：

  1. 二值化背景圖：將背景圖的像素值（範圍為 0 到 255）以閾值 192 進行二值化處理。
  2. 連通區域檢測：根據二值化後的圖像擷取所有連通區域。
  3. 計算平均值：對每個字元遮罩圖中的每個區域，計算所有像素的平均值，作為該區域屬於該字元類別的機率。
  4. 字元類別分配：將平均值最高的字元類別分配給該區域。
  5. 字元排序：根據英文書寫習慣，將所有字元從左到右排列，生成字元序列。

討論​

水平文本辨識​

horizontal text

作者使用 ICDAR2013 資料集評估模型在水平文本檢測與辨識上的效能。將所有輸入影像的短邊調整至 1000，並進行線上評估。

結果顯示即使只在單一尺度下進行評估，模型在 F-Measure 上達到 91.7%，優於多尺度評估的部分先前方法。在文字檢索 (Word Spotting) 任務上，模型表現與之前的最佳方法相當。在端到端辨識 (End-to-End Recognition) 任務上，模型提升了 1.1% − 1.9%。

傾斜文本辨識​

skewed text

在 ICDAR2015 資料集上進行實驗，以驗證模型在檢測與辨識傾斜文本上的優越性。考量到 ICDAR2015 資料集中包含大量小型文本，作者使用了三種不同尺度的輸入影像進行測試：

  • 原始尺寸：720 × 1280
  • 兩種放大尺寸：輸入影像的短邊為 1000 和 1600

結果顯示在原始尺寸下，模型的 F-Measure 達到 84%，比多尺度評估的最佳方法高出 3.0%。在放大尺寸下，F-Measure 提升至 86.0%，比其他競爭者至少高出 5.0%。

在文字檢索及端到端辨識的評估中，該論文的方法在這兩項任務中表現突出，相比於最先進的方法，整體效能提升了 13.2% − 25.3%。

曲線文本辨識​

curved text

為了驗證其在曲線文本上的穩健性，作者使用 Total-Text 資料集進行測試，並將測試影像的短邊調整為 1000。這裡遵循 ICDAR2015 的協議，但將四邊形的標記方式更改為支持任意頂點數量，以處理多邊形文本區域。

結果顯示 Mask TextSpotter 檢測上超越過去文獻達 8.8 個百分點。在端到端辨識上，模型至少提升了 16.6%。

穩定性差異如下圖展示，上排是 TextBoxes 的結果，下排是 Mask TextSpotter 的結果。

stability

提示

作者分析模型在檢測效能上的顯著提升，主要來自於更準確的定位輸出，使用多邊形包圍文本區域，而非水平矩形。此外，Mask TextSpotter 的方法能更有效處理二維空間中的字元序列（如曲線），而傳統的序列辨識網路則僅適用於一維序列。

可視化結果​

visualize

結論​

Mask TextSpotter 展示了對水平文本（ICDAR2013）、傾斜文本（ICDAR2015）以及曲線文本（Total-Text）的強大處理能力。在文本辨識領域中，針對不規則文本形狀的處理，填補了傳統方法在曲線文本辨識上的不足。

其端到端架構不僅提升了效率，還使得模型在檢測、文字檢索及端到端辨識的多個任務中表現出色。對於之後的學術研究與實務應用，都有很大的參考價值。

提示

由於預測頭的數量取決於分類字元，如果今天要分類的字元數量很多，例如常用中文的八千字，這樣的設計方式可能會讓模型變得非常龐大，不適合實際應用。

這個議題之後還有許多後續研究，我們有時間再來深入探討。

最後由 zephyr-sh 於 更新