论文链接：https://arxiv.org/pdf/1911.08947.pdf
工程链接：https://github.com/MhLiao/DB
该算法的特点就是：后处理速度快，与PANNet相比，可以节省差不多一半的时间（在本人台式机cpu运行）；
目录
2.可微二值（differentiable binarization）
3.自适应阈值（Adaptive threshold）（略）
4.可变形卷积（Deformable convolution）
1.算法的整体框架
主要三个步骤：首先：图像输入特征提取主干，提取特征；
其次： 特征金字塔上采样到相同的尺寸，并进行特征级联到特征F；
然后：特征F用于预测概率图（probability map P）和阈值图（threshold map T）；
最后：通过P和F计算近似二值图（approximate binary map B^）
论文算法主要包括了以下几部分：
2.可微二值（differentiable binarization）
标准二值处理：
一般使用分割网络（segmentation network）产生的概率图（probability map P），将P转化为一个二值图P，当像素为1的时候，认定其为有效的文本区域，同时二值处理过程：
i和j代表了坐标点的坐标，t是预定义的阈值；
但是标准的二值处理是不可微的，这样分割网络不可以在训练过程中优化。所以作者提出了可微二值：
就是近似二值图；T是自适应的阈值图；k是膨胀因子（经验性设置k=50）.
使用二值交叉熵作为一个例子。定义,
,则正样本标签和负样本标签的loss分别为：
这样就很好计算反传值，（详细可参照论文自己推演）；
3.自适应阈值（Adaptive threshold）（略）
4.可变形卷积（Deformable convolution）
作者使用可变形卷积的原因：可变形卷积可以提供更加丰富的感受野，这对于极端比例的文本检测效果有益；
展示了普通的卷积和可变形卷积的差异：
图中以两个3*3的卷积为例，可以看到对于普通卷积来说，卷积操作的位置都是固定的。而可变形卷积因为引入了offset，所以卷积操作的位置会在监督信息的指导下进行选择，可以较好的适应目标的各种尺寸，形状，因此提取的特征更加丰富并更能集中到目标本身。
（自己的理解：在比例较正常时，是不是可以去掉，毕竟普通卷积的计算量还是小于可变形卷积）
5.标签的产生（Lable generation）
标签产生受PSENet的启发，正样例区域产生通过收缩polygon从G到Gs，使用Vatti clipping algoithm，补偿公式计算
D：offset；L：周长；A：面积；r：收缩比例，设置为0.4；
5.loss
Ls：收缩文本实例的loss；Lb：二值化之后的收缩文本实例loss；Lt：二值化阈值map的loss；
论文中，作者的Ls和Lb使用的是二值交叉熵loss（但是在工程代码中，Ls使用的是dice loss），Lt使用的是L1 loss；
6.后处理
D‘就是扩展补偿，A’是收缩多边形的面积，L‘就是收缩多边形的周长，r’作者设置的是1.5；
（注意r‘的值在DBNet工程中不是1.5,而在我自己的数据集上，参数设置为1.3较合适，大家训练的时候可以根据自己模型效果进行调整）
在推理过程中，可以使用概率图（probability map）或者近似概率图（approximate binary map）产生文本边缘框。为了提升效率，作者使用了概率图。产生预测结果分为三个步骤：
1）概率图通过一个阈值获得二值图；2）通过二值图获得连接区域；3）收缩区域通过膨胀再扩展回来，使用公式（10）；