论文研读系列汇总：1.AlexNet论文研读2.VGG论文研读3.GoogLeNet论文研读4.Faster RCNN论文研读5.ResNet 论文研读6.SENet 论文研读7.CTPN 论文研读8.CRNN 论文研读9.EAST 论文研读文本检测领域，有一篇经典的论文，是旷世科技在2017年提出来的EAST模型，论文的全称为《EAST: An Efficient and Accurate Scene Text Detector》，论文的下载地址如下：论文地址：https://arxiv.org/pdf/1704.03155.pdf本文将对该方法进行具体介绍，为解释详细并通俗，这篇文章基本涵盖了网上能找到的大部分热门east讲解文章EAST模型介绍1.EAST模型结构通过下图我们知道，一个文本检测有多个阶段，就以region proposals系的检测算法为例，他们通常包含候选框提取、候选框过滤、bouding box回归、候选框合并等阶段，EAST的作者认为，一个文本检测算法被拆分成多个阶段其实并没有太多好处，实现真正端到端的文本检测网络才是正确之举。所以EAST的pipeline相当优雅，只分为FCN生成文本行参数阶段和局部感知NMS阶段，网络的简洁是的检测的准确性和速度都有了进一步的提高。2.全文贡献提出了一个由两阶段组成的场景文本检测方法：FCN阶段和NMS阶段。FCN直接生成文本区域，不包括冗余和耗时的中间步骤。该pipeline可灵活生成wordlevel或line level预测，其几何形状可为旋转框或矩形。所提出的算法在准确性和速度上明显优于最先进的方法。3. 模型原理EAST的网络结构总共包含三个部分：feature extractor stem（特征提取分支）, feature-merging branch（特征合并分支） 以及 output layer（输出层）。在特征提取分支部分，主要由四层卷积层组成，可以是一些预训练好的卷积层，作者采用的是VGG16中pooling-2到pooling-5每一层得到的feature map。记每一层卷积层卷积后得到feature map为fi，如图1所示，从上到下。在特征合并分支部分，其实作者借鉴了U-net的思想，只是U-net采用的是反卷积的操作，而这里采用的是反池化的操作，具体的计算大致如下，对于一个fi，首先经过一层反池化操作，得到与上一层卷积feature map同样大小的特征，然后将其与fi+1进行拼接，拼接后再依次进入一层和的卷积层，以减少拼接后通道数的增加，得到对应的，在特征合并分支的最后一层，是一层的卷积层，卷积后得到的feature map最终直接进入输出层。具体的计算公式如下：其中，gi被称为合并基，hi是合并后得到feature map。之所以要引入特征合并分支，是因为在场景文字识别中，文字的大小非常极端，较大的文字需要神经网络高层的特征信息，而比较小的文字则需要神经网络浅层的特征信息，因此，只有将网络不同层次的特征进行融合才能满足这样的需求。#代码实现该部分foriinrange(4):print('Shape of f_{} {}'.format(i,f[i].shape))g=[None,None,None,None]h=[None,None,None,None]num_outputs=[None,128,64,32]foriinrange(4):ifi==0:h[i]=f[i]# 计算helse:c1_1=slim.conv2d(tf.concat([g[i-1],f[i]],axis=-1),num_outputs[i],1)h[i]=slim.conv2d(c1_1,num_outputs[i],3)ifi=2:g[i]=unpool(h[i])# 计算gelse:g[i]=slim.conv2d(h[i],num_outputs[i],3)print('Shape of h_{} {}, g_{} {}'.format(i,h[i].shape,i