[论文解读] A Single Shot Text Detector with Scale-adaptive Anchors

Yuan Qi, Bingwang Zhang+3 more|arXiv (Cornell University)|Jul 5, 2018

Handwritten Text Recognition Techniques参考文献 13被引用 4

一句话总结

本文提出一种单阶段、端到端的文本检测器，采用自适应尺度的锚框，通过学习的尺度回归层动态调整锚框大小，降低计算成本，并提升小文本检测性能。通过将固定尺寸的锚框替换为连续可调的自适应尺度，并引入锚框卷积以调整感受野，该方法在每张图像上实现0.28秒的推理时间，同时在ICDAR11和ICDAR13数据集上的精度与效率均优于当前最先进模型。

ABSTRACT

Currently, most top-performing text detection networks tend to employ fixed-size anchor boxes to guide the search for text instances. They usually rely on a large amount of anchors with different scales to discover texts in scene images, thus leading to high computational cost. In this paper, we propose an end-to-end box-based text detector with scale-adaptive anchors, which can dynamically adjust the scales of anchors according to the sizes of underlying texts by introducing an additional scale regression layer. The proposed scale-adaptive anchors allow us to use a few number of anchors to handle multi-scale texts and therefore significantly improve the computational efficiency. Moreover, compared to discrete scales used in previous methods, the learned continuous scales are more reliable, especially for small texts detection. Additionally, we propose Anchor convolution to better exploit necessary feature information by dynamically adjusting the sizes of receptive fields according to the learned scales. Extensive experiments demonstrate that the proposed detector is fast, taking only $0.28$ second per image, while outperforming most state-of-the-art methods in accuracy.

研究动机与目标

• 解决多尺度场景文本检测中固定尺寸锚框带来的效率低下与精度不足问题。
• 通过减少多尺度文本检测所需的锚框数量，降低计算成本。
• 提升检测鲁棒性，尤其针对小尺寸和可变尺寸的文本实例。
• 实现连续尺度预测，而非依赖离散的锚框尺度。
• 通过锚框卷积动态调整感受野以匹配锚框尺寸，提升特征提取能力。

提出的方法

• 引入尺度回归层，为每个锚框位置预测连续的尺度值，实现锚框尺寸的动态调整。
• 利用预测的尺度值自适应地调整锚框大小，替代多个固定尺度的锚框。
• 提出锚框卷积，根据学习到的尺度值动态调整每个锚框的有效感受野大小，提升特征表示能力。
• 采用单特征图预测策略（在VGG16的Conv4_3上）结合自适应尺度锚框，降低计算量。
• 端到端训练整个模型，避免为物体尺寸引入额外监督信号。
• 利用自适应尺度机制在显著降低推理时间的同时保持高精度。

实验结果

研究问题

• RQ1 通过用自适应尺度锚框替代固定尺寸锚框，能否使单阶段文本检测器在显著降低推理时间的同时实现高精度？
• RQ2 在检测小尺寸和可变尺寸文本实例时，连续尺度预测是否优于离散锚框尺度？
• RQ3 通过锚框卷积实现感受野的动态自适应，能否提升特征质量与检测性能？
• RQ4 在标准基准测试中，该方法在速度-精度权衡方面与当前最先进检测器相比表现如何？
• RQ5 该自适应尺度机制能否推广至其他基于边界框的检测器，以提升效率？

主要发现

• 所提检测器在ICDAR11上达到85%的F1值，在ICDAR13上达到86%，在精度上优于大多数当前最先进方法。
• 模型每张图像仅需0.28秒推理时间，相比TextBoxes（0.73秒）减少60%，显著提升推理效率。
• 即使输入尺寸为800×800，该方法仍能检测到所有小尺寸文本实例，而TextBoxes因最小锚框尺寸过大而漏检部分小文本。
• 自适应尺度锚框支持连续尺度预测，相比离散尺度更具可靠性，尤其在小文本检测中优势明显。
• 锚框卷积通过将感受野动态适配锚框尺寸，提升了特征提取能力，从而增强检测性能。
• 通过用单尺度回归层替代多个尺度预测，将计算复杂度从O(n)降低至O(1)。