方法概述

該方法用一個端到端網路完成文字檢測整個過程——除了基礎卷積網路（backbone）外，包括兩個並行分支和一個後處理。第一個分支是通過一個DSSD網路進行角點檢測來提取候選文字區域，第二個分支是利用類似於RFCN進行網格劃分的方式來做position-sensitive的segmentation。後處理是利用segmentation的score map的綜合得分，過濾角點檢測得到的候選區域中的噪聲。

文章亮點：

（1）不是用一般的目標檢測的框架，而是用角點檢測（corner point detection）來做。（可以更好解決文字方向任意、文字長寬比很大的文字）

（2）分割用的是“position sensitive segmentation”，仿照RFCN劃分網格的思路，把位置資訊融合進去（對於檢測單詞這種細粒度的更有利）

（3）把檢測+分割兩大類的方法整合起來，進行綜合打分的pipeline（可以使得檢測精度更高）

主要流程

Figure 2. Overview of our method. Given an image, the network outputs corner points and segmentation maps by corner detection and position-sensitive segmentation. Then candidate boxes are generated by sampling and grouping corner points. Finally, those candidate boxes are scored by segmentation maps and suppressed by NMS. 

（1）backbone：基礎網路（DSSD），用來特徵提取（不同分支特徵共享）

（2）corner detection：用來生成候選檢測框，是一個獨立的檢測模組，類似於RPN的功能

（3）Position Sensitive Segmentation：整張圖逐畫素的打分，和一般分割不同的是輸出4個score map，分別對應左上、左下、右上、右下不同位置的得分

（4）Scoring + NMS：綜合打分，利用（2）的框和（3）的score map再綜合打分，去掉非文字框，最後再接一個NMS

網路結構

網路包含三個部分：基礎網路（backbone）、角點檢測和敏感位置分割。

Backbone改編於DSSD；Corner Point Detection建立在多個特徵層（粉紅色的塊）上；Position Sensitive Segmentation與Corner Point Detection共享部分特徵（粉紅色塊）。

實驗結果

（1）深度學習框架：PyTorch

（2）實驗條件：CPU: Intel(R) Xeon(R) CPU E5-2650 v3 @ 2.30GHz;

                                    GPU: Nvidia Titan Pascal;

                                  RAM: 64GB

  所有表格中，*表示多尺度輸入，†表示網路的基礎模型不是VGG16

（3）

多尺度（512*512，768*768，768*1280，1280*1280）

ICDAR2015（傾斜文字）

ICDAR2013（水平文字）

MSRA-TD500（傾斜文字行） 

MLT（多語言文字） 

COCO-Text