1 概述
搞懂了DBNet的二值化处理和标签制作就理解了DBNet网络。
1.1 传统方法和DBNet的比较
传统分割算法流程（蓝色箭头部分）：
- 先通过网络输出文本分割的概率图；
- 然后使用设定阈值将概率图转化为二值图；
- 最后通过后处理得到检测结果（文本框坐标）。
- 缺点：在于阈值的选取非常困难。
DBNet提出可微分二值化（红色箭头部分）来解决这个缺点：
- 对每一个像素点进行自适应二值化；
- 二值化阈值由网络学习得到，彻底将二值化这一步骤加入到网络里一起训练，这样最终输出的阈值图就非常鲁棒。
1.2 DBNet网络结构
DBNet网络结构主要由3个模块构成，分别说明如下。
（1）模块1（FPN 结构）：分为自底向上的卷积操作与自顶向下的上采样，以此来获取多尺度的特征
-
主干网络是ResNet，在stage2-4中使用Deformable convolution来更好地检测长文本；
-
1 图下半部分是 3 × 3 3 \times 3 3×3 的卷积操作，分别获取原图大小比例的 1/2、1/4、1/8、1/16、1/32 的特征图；
-
然后自顶向下进行上采样 × 2 \times 2 ×2，然后与自底向上生成的相同大小的特征图融合得到1图的上半部分；
-
融合之后再采用 3 × 3 3 \times 3 3×3 的卷积消除上采样的混叠效应；
-
经过FPN后，得到了四个大小分别为原图的1/4，1/8，1/16，1/32的特征图;
-
将四个特征图分别上采样，统一为 1/4 大小的特征图；
-
最后将四个1/4大小的特征图concat，得到F。
问：如何进行concat？
答：我估计是四个特征图对应像素点进行平均，具体如何concat，建议去看源代码。
（2） 模块2（FCN 网络结构）：获取概率图 P 和阈值图 T
- 将 1/4 大小的特征图经过一系列卷积和转置卷积的操作后，生成与原图一样大小的概率图 P 和阈值图 T。
1 binary = self.binarize(fuse) #由F得到P,输入fuse代表F
2 if self.training:
3 result = OrderedDict(binary=binary)
4 else:
5 return binary #如果在推理阶段，直接用P得到文本框
6 if self.adaptive and self.training: #如果在训练阶段且自适应阈值，则计算threshold map
7 if self.serial:
9 fuse = torch.cat(
10 (fuse, nn.functional.interpolate(
11 binary, fuse.shape[2:])), 1)
12 thresh = self.thresh(fuse) #由F得到T，self.thresh与self.binarize实现一样，只是训练得到的参数不同。
self.binarize函数具体实现如下：
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())
流程如下：
- 1）F（shape:(batch,256,1/4W,1/4H)）–>shape:(batch,64,1/4W,1/4H)： 先经过卷积层，将通道压缩为输入的1/4，然后经过BN和relu，得到的特征图shape；（代码2至5行）
- 2）shape:(batch,64,1/4W,1/4H)–> shape:(batch,256,1/2W,1/2H)：将得到的特征图进行反卷积操作，卷积核为(2,2)，得到的特征图shape为(batch,256,1/2W,1/2H)，此时为原图的1/2大小；（代码第6行）
- 3） shape:(batch,256,1/2W,1/2H)–>shape:(batch,W,H)：再进行反卷积操作，同第二步，不同的是输出的特征图通道为1，得到的特征图shape为(batch,W,H)，此时为原图大小。（代码第9行）
- 4）shape:(batch,W,H)–>[0,1]：最后经过sigmoid函数，输出概率图，probability map。（代码第10行）
（3）模块3（DB操作）：获取近似二值图
- 将概率图 P 和阈值图 T 经过 DB （可微二值化）操作，得到近似二值图。
thresh_binary = self.step_function(binary, thresh) #binary和thresh分别为P和T，thresh_binary为近似二值图
def step_function(self, x, y):
return torch.reciprocal(1 + torch.exp(-self.k * (x - y)))
利用上面三个模块，可以得到概率图、阈值图和近似二值图。
训练过程对这三个图进行监督学习，更新各个模块的参数。
推理过程直接使用概率图，然后使用固定阈值获取结果。
2 二值化
2.1 标准二值化
在传统的图像分割算法中，我们获取概率图后，会使用标准二值化（Standard Binarize）方法进行处理，将低于阈值
t
t
t的像素点置0，高于阈值
t
t
t的像素点置1：
B
i
,
j
=
{
1
,
if
P
i
,
j
≥
t
,
0
,
otherwise.
B_{i,j}=\left\{\begin{matrix} 1, \textrm{if} \ P_{i,j} \ge t, \\ 0, \textrm{otherwise.} \end{matrix}\right.
Bi,j={1,if Pi,j≥t,0,otherwise.
标准的二值化是不可微的，无法放入到网络中进行优化学习。
2.2 可微二值化
可微二值化就是将标准二值化中的阶跃函数进行了近似：
B
^
i
,
j
=
1
1
+
e
−
k
(
P
i
,
j
−
T
i
,
j
)
,
\hat{B}_{i,j}= \frac{1}{1 + e^{-k(P_{i,j} - T_{i,j})}},
B^i,j=1+e−k(Pi,j−Ti,j)1,
k
k
k 是膨胀因子（经验型设置为50）。
可微二值化本质上是一个 带系数
k
k
k 的 sigmoid 函数，取值范围为(0,1)；
P
i
,
j
P_{i,j}
Pi,j指概率图像素点，
T
i
,
j
T_{i,j}
Ti,j指阈值图像素点。
2.3 SB和DB曲线
标准二值化和可微二值化的对比如图 (a) 所示，
x
>
0
x>0
x>0属于正样本（文字区域），
x
<
0
x<0
x<0属于负样本（非文字区域）。
SB 代表标准二值化曲线，DB 代表可微二值化曲线，可以看到曲线变得更为平滑，也就是可微：
除了可微之外，DB 方法也会改善算法的性能，在反向传播是梯度的计算上进行观察。当使用交叉熵损失（
y
=
1
y = 1
y=1代表文字区域）时，正负样本的 loss 分别为
l
+
l_+
l+ 和
l
−
l_-
l−，公式如下：
- 交叉熵损失函数: L = − [ y log B ^ + ( 1 − y ) log ( 1 − B ^ ) ] L=-[y \log \hat{B}+(1-y) \log (1-\hat{B})] L=−[ylogB^+(1−y)log(1−B^)]
- 正样本 ( y = 1 y = 1 y=1) 损失: l + = − log ( 1 1 + e − k ( P i , j − T i , j ) ) l_{+}=-\log \left(\frac{1}{1+e^{-k\left(P_{i, j}-T_{i, j}\right)}}\right) l+=−log(1+e−k(Pi,j−Ti,j)1)
- 负样本 ( y = 0 y = 0 y=0) 损失: l − = − log ( 1 − 1 1 + e − k ( P i , j − T i , j ) ) l_{-}=-\log \left(1-\frac{1}{1+e^{-k\left(P_{i, j}-T_{i, j}\right)}}\right) l−=−log(1−1+e−k(Pi,j−Ti,j)1)
对输入
x
=
P
i
,
j
−
T
i
,
j
x = P_{i, j}-T_{i, j}
x=Pi,j−Ti,j 求偏导，令
f
(
x
)
=
1
1
+
e
−
k
x
f(x) = \frac{1}{1 + e^{-kx}}
f(x)=1+e−kx1，则会得到：
δ
l
+
δ
x
=
−
k
f
(
x
)
e
−
k
x
δ
l
−
δ
x
=
−
k
f
(
x
)
,
\begin{array}{c} \frac{\delta l_{+}}{\delta x}=-k f(x) e^{-k x} \\ \frac{\delta l_{-}}{\delta x}=-k f(x), \end{array}
δxδl+=−kf(x)e−kxδxδl−=−kf(x),
分析图(b)和©，可以得到如下一些结论：
- 增强因子 k k k会使得错误预测对梯度的影响变大，从而促进模型的优化过程，产生更为清晰的预测结果；
- 图(b)为 l + l_+ l+的导数曲线，如果发生误报（正样本被预测为负样本 x < 0 x<0 x<0），图(b)小于 0 的部分导数非常大，证明损失也是非常大的，则更能清晰的进行梯度回传。
- 图©为 l − l_- l−的导数曲线，当发生误报（负样本被预测为正样本 x > 0 x>0 x>0），导数也是非常大的，损失也比较大。
3 构建真实标签
在训练DBNet的时候，需要概率图 G s G_{s} Gs、阈值图 G d G_{d} Gd及近似二值图作为监督信息（ground-truth）:
- 概率图：每个像素点的值表示该位置属于文本区域的概率；
- 阈值图：每个像素点的值表示该位置的二值化阈值；
- 近似二值图：每个像素点的值为 0 或 1，利用概率图和阈值图通过 DB 算法计算得到。
因为近似二值图可以由概率图和阈值图计算得到，所以只需要构建阈值图和概率图两个标签。
阈值图和概率图：参考 PSENet 中的方法，使用扩张和收缩的方式；在该方法中，对于一幅文字图像，文本区域的每个多边形使用一组线段
G
=
{
S
k
}
k
=
1
n
G=\left\{S_{k}\right\}_{k=1}^{n}
G={Sk}k=1n来进行描述，
n
n
n为线段个数。
3.1 概率图 G s G_{s} Gs和近似二值图的标签构建方法
- 概率图和近似二值图：使用收缩的方式（Vatti clipping算法）构建标签；
- 标签为：蓝线区域内为文字区域，蓝线区域外为非文字区域；
- 将原始的多边形文字区域
G
G
G（红线区域）收缩到
G
s
G_s
Gs（蓝线区域），收缩的偏移量
D
D
D按照如下公式计算：
D = A ( 1 − r 2 ) L , D=\frac{A\left(1-r^{2}\right)}{L}, D=LA(1−r2),
其中：
– L L L：多边形的周长；
– A A A：多边形的面积；
– r r r：收缩因子，经验设置为 0.4。
问题：原始的多边形文字区域 G G G（红线区域）是怎么得到的？
3.2 阈值图 G d G_{d} Gd的标签构建方法
- 类似于概率图 G s G_{s} Gs和近似二值图的标签构建过程，为阈值图生成标签；
- 首先将原始的多边形文字区域 G G G扩张到 G d G_d Gd（绿线区域），偏移量 D D D同概率图中的 D D D；
- 将收缩框 G s G_s Gs（蓝线）和扩张框 G d G_d Gd（绿线）之间的间隙视为文本区域的边界，计算这个间隙里每个像素点到原始图像边界 G G G（红线）的归一化距离（最近线段的距离）；
- 计算完之后可以发现，扩张框 G d G_d Gd上的像素点和收缩框 G s G_s Gs上的像素点的归一化距离的值是最大的，并且文字红线上的像素点的值最小，为0。呈现出以红线为基准，向 G s G_s Gs和 G d G_d Gd方向的值逐渐变大。
- 所以再对计算完的这些值进行归一化，也就是除以偏移量 D D D，此时 G s G_s Gs和 G d G_d Gd上的值变为1，再用1减去这些值;
- 最后得到，红线上的值为1， G s G_s Gs和 G d G_d Gd线上的值为0；
- 呈现出以红线为基准，向 G s G_s Gs和 G d G_d Gd方向的值逐渐变小。此时 G s G_s Gs和 G d G_d Gd区域内的值取值范围为[0,1]；
- 最终再进行缩放，比如归一化到 [0.3，0.7]，这就是最终的标签。
有了标签，就可以进行监督学习啦！！
4 损失函数
损失函数为概率图的损失、二值化图的损失和阈值图的损失的和：
L
=
L
s
+
α
×
L
b
+
β
×
L
t
L=L_{s}+\alpha \times L_{b}+\beta \times L_{t}
L=Ls+α×Lb+β×Lt
其中：文章来源：https://www.toymoban.com/news/detail-444655.html
- L L L为总的损失；
- L b L_{b} Lb为近似二值图的损失，使用 Dice 损失（二元交叉熵）；
- L s L_{s} Ls为概率图损失，为平衡正负样本的比例，使用带 OHEM 的 Dice 损失进行困难样本挖掘，正样本:负样本=1:3；
- L t L_{t} Lt为阈值图损失，使用预测值和标签间的 𝐿 1 𝐿_1 L1 距离；
- α \alpha α 和 β \beta β 为权重系数，分别设置为1和10。
L
s
=
L
b
=
∑
i
∈
S
l
y
i
log
x
i
+
(
1
−
y
i
)
log
(
1
−
x
i
)
,
L_{s}=L_{b}=\sum_{i \in S_{l}} y_{i} \log x_{i}+\left(1-y_{i}\right) \log \left(1-x_{i}\right),
Ls=Lb=i∈Sl∑yilogxi+(1−yi)log(1−xi),
其中
S
l
S_{l}
Sl表示使用OHEM进行采样，正负样本比例为1:3。
L
t
L_{t}
Lt计算预测值和标签间的
𝐿
1
𝐿_1
L1 距离：
L
t
=
∑
i
∈
R
d
∣
y
i
∗
−
x
i
∗
∣
L_{t}=\sum_{i \in R_{d}}\left|y_{i}^{*}-x_{i}^{*}\right|
Lt=i∈Rd∑∣yi∗−xi∗∣文章来源地址https://www.toymoban.com/news/detail-444655.html
到了这里，关于DBNet学习笔记的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
