PaddlePaddle复现PANet在文字识别中的应用效果如何？

本文共计572个文字，预计阅读时间需要3分钟。

相关专题内容，请直接输入关键词查询，避免使用图片解答、避免使用俚语，不超过100字。

Discrimination Loss 

       

$Ldis$Ldis用于是不同文本实例的kernel的loss，其作用是保证任意两个kernel之间的距离> $\delta dis$δdis。即对于每一个文本实例kernel，分别计算和其他kernel的距离，公式如上所示。

其中，$\delta dis$δdis是一个常量，默认3。当两个kernel之间的距离$\mathrm{\mid }\mathrm{\mid }G(Ki)-G(Kj)\mathrm{\mid }\mathrm{\mid }$∣∣G(Ki)−G(Kj)∣∣> $\delta dis$δdis时，就表示这两个kernel的距离已经足够远了。

另外，在训练过程中，$Ltex$Ltex的计算使用的OHEM，正负像素之比是1:3，计算$Lker$Lker，$Lagg$Lagg和$Ldis$Ldis时均只考虑ground truth内的文本像素。

后处理

1. 从kernel中通过连通域确定初始的文本实例集合$K$K。
2. 对于每一个文本实例$Ki$Ki，按4方向从text_region中融合文本像素。融合条件: 文本像素点$p$p和$K$K之间similarity vectors的欧式距离< $d$d (测试过程中$d$d默认为6)。
3. 重复步骤2直到text_region没有文本像素。