[CVPR 2022] SwinTextSpotter: 基于文本检测与识别更好协同的场景文本识别（有源码）

本文简要介绍CVPR 2022录用的论文“SwinTextSpotter: Scene Text Spotting via Better Synergy between Text Detection and Text Recognition”的主要工作。该论文提出了一种基于Transformer的用于任意形状端到端场景文字识别的方法，该方法提出了一种新的识别转换机制，通过识别损失来明确地引导文本定位，让检测器和识别器更紧密的耦合在一起进行联合优化。模型代码已开源，下载地址见文末。

一、研究背景

场景文本端到端检测识别定位旨在检测和识别自然图像中的整个单词或句子，由于其在自动驾驶、智能导航和关键实体识别方面的广泛应用，引起了人们的广泛关注。近年来场景文本端到端检测识别取得了很大的进展。但是这些方法仍然存在两个主要的局限性。第一，同一张图中不同的文本缺少交互，导致检测器很容易被背景噪声误导，同一图像中文本之间的交互作用是消除背景噪声影响的关键因素，因为同一单词的不同字符可能包含很强的相似性，如背景和文本风格等。第二，目前的方法中，通过共享主干，检测和识别之间的交互是不够的，识别的信息不能回传到检测器，而识别器也没有很有效地利用检测特征。

二、方法简述

图1  网络整体框架。灰色箭头表示从图像中提取的特征。绿色箭头和橙色箭头分别表示检测阶段和识别阶段

图1是文章提出的网络的整体框架，包括4个部分：1. 主干网络；2. 检测器；3. 识别转换机制；4.识别器。

主干网络：以往的主干网（例如ResNet）卷积核通常在固定大小下运行（例如3×3），这导致连接远程功能的效率较低，并且图片中文本之间和像素之间的相互建模欠缺。对于文本定位，建模不同文本之间的关系是至关重要的，因为来自同一图像的场景文本具有很强的相似性，比如它们的背景和文本风格。而Transformer可以很好的学习到文本实例之间、像素之间丰富的交互。考虑到全局建模能力和计算效率，所以本文基于Swin-Transformer进一步提出了Dilated Swin-Transformer主干网，如图2所示。Dilated Swin-Transformer由两个空洞卷积、一个普通卷积组成，它把卷积和Transofmer结合起来，将卷积的特性引入到Swin-Transformer中。 

图2  本文提出的Dilated Swin-Transformer的详细结构

检测器：本文基于Sparse R-CNN[1]和ISTR[2]，使用了基于查询的检测方法来检测文本。此方法将检测视为一个集预测问题，并且通常都是多阶段的，与以前的方法一样该检测器的设计为有六个查询阶段。使用了一组可学习的建议框，可以替代来自RPN的大量候选方案，一组可学习的建议特征，表示对象的高级语义向量。使用具有动态磁头的Transformer编码器，后面的检测阶段可以访问到存储在可学习的建议特征中的前阶段检测的信息。通过多个阶段的细化，该检测器可以应用于任何形状大小的文本。

第k阶段检测器的体系结构如图3所示。表示了k-1阶段的建议特征，在k阶段，前一阶段产生的建议特征，被输入一个多头自注意模块中来建模这些不同文本之间的关系，然后生成两组卷积参数。前面各阶段的检测信息被嵌入到两个卷积中。然后这两个生成的卷积核，会用来作用于RoI特征中 ，对RoI特征进行编码。RoI特征是利用上一阶段的检测结果提取的。经过卷积作用后的输出特征被输入到一个线性投影层，以产生下一阶段的建议特征。随后被输入预测头以生成。当k=1时，是随机初始化的参数，这是第一阶段的输入。在训练过程中，通过反向传播进行更新，这些参数会逐渐学习到文本高级语义特征的归纳偏差。最后优化时使用匈牙利算法来对预测和GT来进行匹配，再进行优化。 

图3  检测器在第k个阶段的说明

识别转换机制：为了更好地协调检测和识别，本文提出了一种识别转换机制。结构如图4所示。该识别转换机制由Transformer编码器和四种上采样结构组成。它的输入是检测特征和三个降采样特征{a1、a2、a3}。检测特征是由检测器中最后一个阶段的建议特征和识别阶段中最终的特征图a3在动态头Transofmer编码器中进行融合后得来的。该检测特征包含了前面所有检测阶段的信息。检测特征被发送到Transformer编码器TrE()中使之前检测阶段的信息进一步与a3融合。然后通过一系列上采样操作Eu()和Sigmoid函数φ()，生成文本区域的三个掩码{M1、M2、M3}。具体如下公式所示： 

利用掩码{M1、M2、M3}和输入特征{a1、a2、a3}，我们进一步在下面的操作下有效地集成了这些特性。 

r3是最后要送去识别器的特征。通过这样的设计，识别损失Lreg的梯度可以反向传播到检测特征上，识别转换机制能够让识别监督隐式地参与到检测的任务中，并把识别的信息回传到检测器，使得检测器的性能得到提升。由于标注的文本曲线是不够紧密的，导致检测器生成的掩膜也是不够紧密的，使用识别的损失监督检测的特征进而生成的更适合于识别任务的掩膜，可以帮助识别器更容易集中于文本区域。

建议特征通过检测监督和识别监督的联合优化，可以更好地对文本的高级语义信息进行编码，从而提升整个网络的性能。所提出的识别转换机制极大的增加检测和识别之间的协调和互动。 

图4 识别转换机制的模型结构

识别器：在经过了识别转换机制以后，有效地抑制了背景噪声，从而对文本区域进行更精确的边界，这使得网络可以仅仅使用一个简单的识别网络来获得可靠的识别结果，而无需文本矫正模块和额外的字符分割模块。我们采用了两级自注意机制[3]作为编码器，而解码器使用了MaskTextSpotter v2[4]中的SAM。

三、主要实验结果及可视化效果

图5  六个数据集上的可视化结果

图6 与其他方法可视化对比

表1 在RoIC13上的端到端识别结果 

表2 在IC15上的端到端识别结果 

表3  在ReCTS上的端到端检测识别结果

表4 在VinText上的端到端识别结果

表5 在TotalText上的端到端检测识别结果 

表6 在SCUT-CTW1500上的端到端检测识别结果 

表7  Total-Text上的消融实验。使用预训练的模型进行实验

四、总结及讨论

本文提出了一种基于Transformer的用于任意形状端到端检测识别的方法，该方法的核心思想是将识别信息回传给检测器，并且检测器的信息也共享给识别器，因此它将检测和识别紧密结合进行联合优化，而不是只在主干中共享信息。得益于这样的设计，本文的方法可以在没有矫正模块和字符级分割模块的情况下对弯曲文本也能保持很好的识别能力。实验表明，该方法能够在任意形状文本和不同语言文本的场景文本端到端检测识别上获得优越的性能。

五、相关资源

• 论文地址：https://arxiv.org/pdf/2203.10209.pdf

• 代码地址: https://github.com/mxin262/SwinTextSpotter 

参考文献

[1]Sun P, Zhang R, Jiang Y, et al. Sparse r-cnn: End-to-end object detection with learnable proposals[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 14454-14463..

[2]Hu J, Cao L, Lu Y, et al. Istr: End-to-end instance segmentation with transformers[J]. arXiv preprint arXiv:2105.00637, 2021.

[3]Yang J, Li C, Zhang P, et al. Focal self-attention for local-global interactions in vision transformers[J]. arXiv preprint arXiv:2107.00641, 2021.

[4]Liao M, Pang G, Huang J, et al. Mask textspotter v3: Segmentation proposal network for robust scene text spotting[C]//European Conference on Computer Vision. Springer, Cham, 2020: 706-722.

---

原文作者:Mingxin Huang, Yuliang Liu, Zhenghao Peng, Chongyu Liu, Dahua Lin,  

Shenggao Zhu, Nicholas Yuan, Kai Ding, Lianwen Jin

撰稿：黄明鑫

编排：高    学

审校：连宙辉

发布：金连文

---

免责声明：（1）本文仅代表撰稿者观点，撰稿者不一定是原文作者，其个人理解及总结不一定准确及全面，论文完整思想及论点应以原论文为准。（2）本文观点不代表本公众号立场。

往期精彩内容回顾

征稿启事：本公众号将不定期介绍文档图像分析与识别及相关领域的论文、数据集、代码等成果，欢迎自荐或推荐相关领域最新论文/代码/数据集等成果给本公众号审阅编排后发布 (联系Email: [e-mail])。

扫描二维码，关注我们: