Intro

如果将光学字符识别（OCR）技术应用于一些自然场景的图片，从而达到识别图片中文本文字的目的，通常会是一个two-stage的过程：

• 文字检测：找到文字在图像中的位置，返回对应位置信息（Bounding Box）；
• 文字识别：对于对应Bounding Box区域内的文字进行识别，认出其中每个文字字符代表什么，最终将图像中的文字区域转化为字符信息。

DBNet

目前文字检测普遍的做法有两种：

• 基于回归：Textboxes++、R2CNN，FEN等
• 基于分割：Pixel-Link，PSENet，PMTD，LOMO，DBNet等

DBNet名字中的DB指Differentiable Binarization，即微分二值化的模块。传统的分割方法会预设一个阈值，将分割网络生成的概率图转换为二值图像；然后，采用像素聚类等启发式技术将像素分组为文本实例。而DBNet中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。

DBNet整个流程如下：

1. 图像经过FPN网络结构，得到四个特征图，分别为1414、1818、116116、132132大小；
2. 将四个特征图分别上采样为1414大小，再concat，得到特征图F；
3. 由F得到 probability map (P) 和 threshold map (T)；
4. 通过P、T计算approximate binary map（ 近似binary map B^B^ ）。

由F计算得到P和T可以表示为：

1         binary = self.binarize(fuse)   #由F得到P,fuse为特征图F
2         if self.training:
3             result = OrderedDict(binary=binary)
4         else:
5             return binary
6         if self.adaptive and self.training:
7             if self.serial:
9                 fuse = torch.cat(
10                        (fuse, nn.functional.interpolate(
11                            binary, fuse.shape[2:])), 1)
12            thresh = self.thresh(fuse)

其中第一行通过fuse得到了binary即P，具体实现在self.binarize函数：

1         self.binarize = nn.Sequential(
2             nn.Conv2d(inner_channels, inner_channels //
3                       4, 3, padding=1, bias=bias),   #shape:(batch,256,1/4W,1/4H)
4             BatchNorm2d(inner_channels//4),
5             nn.ReLU(inplace=True),  
6             nn.ConvTranspose2d(inner_channels//4, inner_channels//4, 2, 2), #shape:(batch,256,1/2W,1/2H)
7             BatchNorm2d(inner_channels//4),
8             nn.ReLU(inplace=True),
9             nn.ConvTranspose2d(inner_channels//4, 1, 2, 2),  #shape:(batch, W, H)
10            nn.Sigmoid())

基于CNN和RNN的文字识别结构主要有两种形式：

1.	CNN+RNN+CTC(CRNN+CTC)
1.	CNN+Seq2Seq+Attention

其中CRNN的应用最为广泛。整个CRNN网络可以分为三个部分：

-	Conv Layers：即普通CNN网络用于提取图像Conv Feature Maps；
-	Recurrent Layers：一个深层双向LSTM网络，在卷积特征的基础上继续提取文字序列特征；
-	Transcription Layers：将RNN输出做softmax后，为字符输出。