论文原文：原文连接
PS：代码没有开源呢。
摘要
提出了一种文本检测器，即LOMO（Look More Than Once），它可以逐步地调整文本（或者换句话说，不止看一次）。
LOMO由直接回归器（DR），迭代细化模块（IRM）和形状表达模块（SEM）组成。
首先，DR分支生成四边形的文本proposals。接下来，IRM基于提取的初步proposals的特征块，通过迭代细化逐步感知整个长文本。最后，通过考虑文本实例的几何属性，包括文本区域，文本中心线和边界偏移，引入SEM来得到更精确的不规则的多边形的文本表示
创新点
（1）提出了一个迭代细化模块IRM，它改善了长场景文本检测的性能;
（2）引入实例级形状表达模块SEM，解决了检测任意形状场景文本的问题;
模型
概述
网络架构如图2所示。架构可分为四个部分。
（1）将图像输入到骨干网络提取特征图。对ResNet50中的阶段2，阶段3，阶段4和阶段5的特征图进行特征融合，得到大小是输入图像的1/4，通道是128的特征图。并由之后的DR，IRM和SEM三个分支共享该特征图。
（2）DR采用类似于EAST的直接回归网络，以每像素的方式预测单词或文本的矩形。通常，由于感受野的限制，DR分支很难检测到长文本。如图2（2）所示的蓝色四边形。
（3）IRM可以从DR或其自身的输出迭代地细化输入proposals，以使初步文本proposals被完善，以更完整地覆盖文本实例，更接近真实边界框。如图2（3）所示的绿色四边形。
（4）SEM学习几何属性，包括文本区域，文本中心线和边界偏移（中心线和上/下边界线之间的距离），以此来重建文本实例的形状表达。如图2（4）所示的红色四边形。
直接回归DR----文本/非文本分类and位置回归
采用全卷积子网作为文本直接回归。 基于共享特征图，计算文本/非文本置信度，和包含该正样本像素的矩形的4个角点的偏移量。
DR分支的损失函数由两个部分组成：文本/非文本分类和位置回归。
将文本/非文本分类视为在1/4下采样分数图上的二值分割。 对dice系数损失进行改进，尺度不变的dice系数损失定义为：
其中y是0/1标签图，y^是预测分数图，sum是2D空间上的累积函数。 此外，w是二维权重图。 正位置的值通过将它们所属的四边形的短边分开的归一化常数l来计算，而负位置的值被设定为1.0。 我们在实验中将常数l设置为64。
之前分类损失函数多采用交叉熵损失函数，这篇文章将文本/非文本分类视为二值分割，采用dice系数损失。交叉熵损失函数的梯度性质更好，dice系数损失的梯度在标签和预测值很小时，训练会更不稳定。但是dice系数损失（以及类似的IOU损失）更贴近与真实的训练目的，且对不平衡数据集更友好。
此外，我们采用Smooth_L1损失来位置回归。 DR的整体损失函数为：
其中超参数λ平衡两个损失项，在我们的实验中设置为0.01。
迭代细化模块IRM
IRM的设计参考基于区域的物体检测，但只有边界框回归任务。使用RoI变换层来提取输入文本四边形的特征块，而不是RoI pooling层或RoI align层。与后两者相比，前者可以在保持纵横比不变的情况下提取四边形建议的特征块。
此外，靠近角点的位置可以在同一感受野内感知到更准确的边界信息。因此，引入角落注意机制来回归每个角落的坐标偏移。
对于一个DR生成的文本四边形，我们将其与共享特征图一起输入到RoI变换层，获得1×8×64×128特征块。然后，三个3×3卷积层以进一步提取丰富的上下文信息fr。接下来，我们使用1×1卷积层和sigmoid层来学习4个角落注意力图ma。每个角落注意力图上的值表示支持相应角落的偏移回归的贡献权重。
使用fr和ma，可以通过组点生成和reduce_sum操作来提取4个角回归特征（图3中绿色的4X{1X1X1X128}特征图）：
其中fci表示形状为1×1×1×128的第i个角落回归特征，mia是第i个角落注意力特征图。
最后，预测输入四边形和地面实况文本框之间的4个角的偏移。
在训练阶段，我们保留K个来自DR的初步检测到的四边形，角落回归损失可以通过以下方式代表：
形状表达模块SEM
SEM是完全卷积网络，随后是RoI变换层。学习文本的几何属性，包括文本区域，文本中心线和边界偏移（文本中心线和上/下文本边界线之间的偏移），以重建文本实例的精确形状表达。
文本区域是二进制mask，其中前景像素（即多边形中的符号）标记为1，背景像素为0。
文本中心线也是二进制mask。对文本多边形标签进行收缩。
边界偏移是4个通道图，只在中心线特征图的正响应对应位置有值。当中心线样本（红点）如图4（a）所示，我们绘制一条垂直于其切线的法线，该法线与上下边界线相交，得到两个边界点（即粉色和橙色）。对于每个红点，通过计算从其自身到其两个相关边界点的距离来获得4个边界偏移。
SEM的结构如图4所示，RoI变换层提取的共享特征图上的特征块，之后是两个卷积阶段（每个阶段由一个上采样层和两个3×3卷积层组成），然后我们使用一个带有6个输出通道的1×1卷积层，用于回归所有文本属性映射。 SEM的目标函数定义如下：
其中K表示保留IRM的文本四边形的数量，Ltr和Ltcl分别是文本区域和文本中心线的dice系数损失，Lborder是通过Smooth_L1损失计算。 在我们的实验中，权重λ1，λ2和λ3设定为0.01,0.01和1.0。
文本多边形生成
通过文本多边形生成策略来重建任意形状的文本实例表达，如图4所示。该策略包括三个步骤：文本中心线采样，边界点生成和多边形评分。
首先，在预测的文本中心线图上从左到右以等距间隔采样n个点。
根据SCUT-CTW1500 [39]中的标签定义，我们在弯曲文本检测实验中设置n为7，在进行四边形标记的文本检测时设置n为2。
之后，我们可以根据采样的中心线点确定相应的边界点。结合由同一位置的4个边界偏移图提供的信息，可以获得7个上边界点（粉红色）和7个下边界点（橙色）。通过顺时针来连接所有边界点，我们可以获得完整的文本多边形表示。
最后，我们计算多边形内文本区域响应的平均值作为新的置信度得分。
训练和推理
我们使用以下损失函数以端到端的方式训练建议的网络：
其中Ldr，Lirm和Lsem分别代表DR，IRM和SEM的损失。权重γ1，γ2和γ3在三个模块之间折衷，并且在我们的实验中都设置为1.0。
培训分为两个阶段：预热和微调。
预热步骤：在合成数据集中，我们仅使用10个epoch训练DR分支。通过这种方式，DR可以生成高召回的proposals，以涵盖实际数据中的大部分文本实例。
微调步骤：我们微调真实数据集上的所有三个分支，包括ICDAR2015 [12]，ICDAR2017-RCTW [31]，SCUT-CTW1500 [39]，Total-Text [2]和ICDAR2017-MLT [26]。另外10个时代。 IRM和SEM分支都使用由DR分支生成的相同提议。非最大抑制（NMS）用于保持前K个提案。由于DR首先表现不佳，这将影响IRM和SEM分支的融合，我们在实践中用随机扰乱的GT文本四边形替换50％的前K个proposals。请注意，IRM仅在训练期间执行一次细化。
在推理阶段，DR首先生成四边形的得分图和几何图，然后按照NMS生成初步proposals。接下来，将proposals和共享特征图提供给IRM以进行多次重新xi。精确的四边形和共享特征图被输入SEM以生成精确的文本多边形和置信度分数。最后，阈值s用于去除低置信度多边形。我们在实验中将s设置为0.1。
实验
见原文，这里就不贴图了。