刚好看到国内的旷视今年在CVPR2017的一篇文章：EAST: An Efficient and Accurate Scene Text Detector。而且有开放的代码，学习和测试了下。
题目说的是比较高效，它的高效主要体现在对一些过程的消除，其架构就是下图中对应的E部分，跟上面的比起来的确少了比较多的过程。这与去年经典的CTPN架构类似。不过CTPN只支持水平方向，而EAST在论文中指出是可以支持多方向文本的定位的。
对于长文本效果不好。
优势：
提供了方向信息，可以检测各个方向的文本
缺点：
对较长的文本检测效果不好，感受野不够长
整体网络结构分为3个部分
(1) 特征提取层：
使用的基础网络结构是PVANet，分别从stage1，stage2，stage3，stage4抽出特征，一种FPN(feature pyramid network)的思想。
(2) 特征融合层：
第一步抽出的特征层从后向前做上采样，然后concat
(3) 输出层：
输出一个score map和4个回归的框+1个角度信息，或者输出，一个scoremap和8个坐标信息。
由于程序实现使用的基础网络不是pvanet网络，而是resnet50-v1。
在caffe版本的resnet50实现中，只有第一个卷积后面的pooling和最后一层的gloabl pooling，详细结构见reference，网络通过卷积层的stride=2操作实现类似pooling的效果
而本程序使用的slim中带的resnet50包含了5个pooling。
Resnet50结构，最后一个featuremap本质上将输入图像缩小16倍(4个pooling)，最后一个gloabl pooling，类似于vgg中的全连接。gloabl pooling是googlenet和Resnet的专利。
本文网络结构主要取了pool2，pool3，pool4，pool5，的featuremap引出，分别进行uppooling，concat，conv操作，得到最终的featuremap，然后进行卷积，分别输出channel=1的F_score
，channel=4的geo_map，channel=1的angle_map。
标签生成过程：
(a) 中黄色的为人工标注的框，绿色为对黄色框进行0.3倍边长的缩放后的框，这样做可以进一步去除人工标注的误差，拿到更准确的label信息。
(b) 为根据(a)中绿色框生成的label信息
(c) 中先生成一个(b)中白色区域的最小外接矩，然后算每一个(b)中白色的点到粉色最小外接矩的上下左右边的距离，即生成(d)，然后生成粉色的矩形和水平方向的夹角，即生成角度信息(e)，e中所有灰色部分的角度信息一样，都是同样的角度。
论文采用的架构如下：
后来，有大佬改进EAST针对长文本检测效果不好的缺陷，提出advancedEAST，结构如下：
开源源码：https://github.com/huoyijie/AdvancedEAST
仅为学习记录，侵删，感谢作者。