上一篇介绍了一下使用开源代码测试，这一篇介绍一下原理。
参考：https://www.jianshu.com/p/5668e1e01e26
参考：《Shape Robust Text Detection with Progressive Scale Expansion Network》
网络结构：
论文中主要内容从第3节开始，PSENet的总流水线（管道）如上图所示。网络架构受FPN(Feature Pyramid Network)启发。
3.1 管道结构 如上图。
3.2 渐进尺度展开算法
实际文章中n=6，但是为了更方便解释，这里假设n=3，即网络最终输出了3张分割结果，首先从最小的分割结果开始，如上图（a）所示，能够找出四个分割区域。这四个分割区域用四种不同的颜色表示，这样能得到所有文本的中心区域，然后将这些区域与进行合并得到最终结果，结果分别如上图（c）和图（d）所示。上述依次合并的规则如上图（g）所示（Breadth-First-Search algorithm）。在合并的过程中可能会遇到如上图（g）中的冲突情况，在遇到冲突的情况下，采用"先到先得"的方式。
In the pseudocode, T,P are the intermediate results. Q is a queue. Neighbor(·) represents the neighbor pixels of p. GroupByLabel(·) is the function of grouping the intermediate result by label. “S i [q] =True” means that the predicted value of pixel q in S i belongs to the text part.
上面的伪代码中，T、P是中间结果，Q是队列，Neighbor(·)代表p的邻接像素，GroupByLabel(·)是按标签分组的函数，S i [q] =True表示Si中的像素q的预测值属于文本部分。
3.3 标签生成
因为网络输出有n个分割结果，所以对于一张输入图片来说groundtruth也要有n个。这里groundtruth就是简单的将标定的文本框进行不同尺度的缩小，如下图所示。下图中（b）就是标定框也是最大的groundtruth ，如下图（c）的最右侧图所示。为了获得下图（c）中的其他图，文章采用Vatti clipping算法将原多边形
缩小
个像素得到
。最终得到的n个groundtruth用
表示。需要缩小的像素通过下面式子得到：
上式中，表示要缩小的像素值，
表示多边形的面积，
表示多边形的周长，
表示缩小的比例。
缩小比例的计算方式如下所示：
上式中，表示最小的缩放比例，是一个超参数，取值范围为(0,1]，本文取m=0.5。n为最终输出多少个尺度的分割结果，文章设为6。
3.4 损失函数