EAST：An Efficient and Accurate Scene Text Detector
EAST基于FCN输出，对每个grid进行文本行预测，可实现旋转矩形框、任意四边形框的预测
什么是 EAST ？
- （a）、（b）、（c）、（d）都是几种常见 stat-of-the-art 的文本检测过程，算法思想遵循之前 two-stage 的方法，一般都需要先提出候选框，过滤后对剩下的候选框要进行回归操作得出更精细的边框信息，然后再合并候选框等
- EAST基于 FCN 输出特征，类似 anchor-free 的目标检测模型，预测每个 grid 的代表的文本行信息，然后使用 NMS（非极大值抑制）合并预测后的信息，可实现矩形、选择矩阵和四边形的文本检测，不能实现弯曲文本的检测
EAST 的网络结构？
- FCN 特征提取：通过特征提取和特征融合两个步骤，最后取 C 2 特征输入预测头
- 预测结果的输出层：假设 C 2 特征大小为 CHW，对于 HW 的每个 grid 输出 2 个分支，第一个分支是置信度 (1)，第二个分支是框位置，框位置如果是旋转矩形，则输出 4 (xyxy)+1（angle），如果是任意的四边形, 则输出 8 (xy * 4)
EAST 的标签分配？
- 检测 head 没有设置 anchor，直接按映射位置确定正样本，文本行比较大，可以按照多正样本匹配
EAST 的标签生成？
- 垂直或水平矩阵框 (AABB)：只需要 4 个值就可描述；旋转矩形框 (RBOX) ： AABB 的基础上增加角度，共 5 个值描述；任意四边形（QUAD）：需要 4 个点 8 个值去描述
EAST 的损失函数？
- 分割损失 ：使用 blance 的交叉熵
- 位置损失 ：直接使用 L 1 或者 L 2 损失去回归文本区域将导致损失偏差朝更大更长, 所以使用 IOU loss 监督 AABB 或 RBOX 类型框的位置；对于 QUAD 类型的回归框，使用尺度归一化的 smooth L 1 损失
EAST 如何解析模型输出
- 模型输出包括 2 部分，1）score map：检测框的置信度，1 个参数；2）text boxes：对于检测形状为 RBOX，检测框的位置（x, y, w, h）+旋转角度 (angle)，5 个参数；对于检测形状为 QUAD，则输出任意四边形检测框的位置坐标，(x 1, y 1), (x 2, y 2), (x 3, y 3), (x 4, y 4)，8 个参数
- 取 topK 的 score map 对应的预测框，然后采用 Locality-Aware NMS 过滤这些预测框，得到最终结果
参考：