文章鏈接：https://arxiv.org/pdf/2407.17020

git鏈接：https://hyangyu.github.io/EAFormer/

亮點直擊

• 為了在文本邊緣區(qū)域?qū)崿F(xiàn)更好的分割性能，本文提出了邊緣感知Transformer（EAFormer），該方法明確預(yù)測文本邊緣，并利用這些邊緣來引導(dǎo)后續(xù)的編碼器。
• 針對COCO_TS和MLT_S數(shù)據(jù)集的注釋質(zhì)量較低的問題，對這些數(shù)據(jù)集進行了重新標(biāo)注，以提高EAFormer在這兩個數(shù)據(jù)集上的實驗結(jié)果的可靠性。
• 在六個場景文本分割基準(zhǔn)上的廣泛實驗表明，所提出的EAFormer能夠達到最先進的性能，尤其在文本邊緣區(qū)域表現(xiàn)更佳。

場景文本分割旨在從場景圖像中裁剪文本，這通常用于幫助生成模型編輯或去除文本。現(xiàn)有的文本分割方法通常涉及各種文本相關(guān)的監(jiān)督以獲得更好的性能。然而，大多數(shù)方法忽略了文本邊緣的重要性，而文本邊緣對下游應(yīng)用至關(guān)重要。本文提出了邊緣感知Transformer（Edge-Aware Transformers），簡稱EAFormer，以更準(zhǔn)確地分割文本，特別是文本的邊緣。

具體而言，首先設(shè)計了一個文本邊緣提取器，以檢測邊緣并濾除非文本區(qū)域的邊緣。然后，提出了一個邊緣引導(dǎo)編碼器，使模型更加關(guān)注文本邊緣。最后，采用了一個基于MLP的解碼器來預(yù)測文本mask。在常用基準(zhǔn)上進行了廣泛的實驗，以驗證EAFormer的有效性。實驗結(jié)果表明，所提出的方法在文本邊緣的分割上優(yōu)于以前的方法?？紤]到一些基準(zhǔn)數(shù)據(jù)集（如COCO_TS和MLT_S）的注釋不夠準(zhǔn)確，無法公平評估本文的方法，重新標(biāo)注了這些數(shù)據(jù)集。通過實驗觀察到，當(dāng)使用更準(zhǔn)確的注釋進行訓(xùn)練時，本文的方法能夠獲得更高的性能提升。

方法

本節(jié)詳細介紹了所提出的EAFormer。首先，介紹EAFormer的提出動機。然后，詳細說明EAFormer的每個模塊，包括文本邊緣提取器、邊緣引導(dǎo)編碼器和文本分割解碼器。最后，介紹了本文方法的損失函數(shù)。

動機

不可否認(rèn)，文本邊緣對場景文本分割任務(wù)至關(guān)重要，尤其是對于其下游任務(wù)如文本擦除。準(zhǔn)確分割文本邊緣可以為文本擦除模型提供更多的背景信息，以填補文本區(qū)域。如下圖1所示，利用一個預(yù)訓(xùn)練的修復(fù)模型，輸入不同類型的文本mask，以在場景圖像中擦除文本。通過實驗觀察到，文本邊界框mask過于粗糙，無法為修復(fù)模型提供更多的背景信息。此外，邊緣分割不準(zhǔn)確的文本mask使得修復(fù)模型錯誤地將屬于文本的像素視為背景，導(dǎo)致擦除效果不佳。只有提供具有準(zhǔn)確邊緣分割的文本mask時，修復(fù)模型才能生成令人滿意的文本擦除結(jié)果。

盡管PGTSNet已經(jīng)意識到文本邊緣的重要性，并使用了二元交叉熵損失來檢測文本邊緣的像素，但它未能明確地將易于獲取的文本邊緣信息作為輸入信息之一。為了驗證其感知文本邊緣的能力，對主干網(wǎng)絡(luò)輸出的特征進行了K均值聚類，其中K設(shè)置為3，分別代表背景、文本邊緣和文本中心。通過下圖2中的可視化結(jié)果，觀察到該方法在感知文本邊緣方面仍存在一定的不足。

此外，研究者們發(fā)現(xiàn)傳統(tǒng)的邊緣檢測算法可以獲得準(zhǔn)確的文本邊緣，這可能有助于場景文本分割任務(wù)。然而，由于傳統(tǒng)的邊緣檢測方法無法區(qū)分文本區(qū)域和非文本區(qū)域，因此大多數(shù)邊緣都被檢測到了非文本區(qū)域。如果直接將邊緣檢測結(jié)果作為輸入來輔助文本分割，可能會使文本分割模型產(chǎn)生混淆，從而對其性能產(chǎn)生不利影響。

邊緣感知Transformer（EAFormer）

如下圖3所示，所提出的EAFormer由三個模塊組成：文本邊緣提取器、邊緣引導(dǎo)編碼器和文本分割解碼器。給定輸入的場景文本圖像 $X\in {\mathbb{R}}^{3\times H\times W}$，文本邊緣提取器用于獲得文本區(qū)域的邊緣 $E_t$。然后，文本圖像 $X$ 和檢測到的文本邊緣 $E_t$ 被輸入到邊緣引導(dǎo)編碼器中，以提取邊緣感知特征。最后，文本分割解碼器以編碼器生成的特征作為輸入，生成相應(yīng)的文本mask $M_t$。

文本邊緣提取器。 由于文本邊緣對場景文本分割任務(wù)至關(guān)重要，研究者們提出了一個文本邊緣提取器以獲得文本區(qū)域的邊緣。首先，使用傳統(tǒng)的邊緣檢測算法Canny來獲取整個輸入圖像的邊緣 $E_w$。如前所述，$E_w$ 中的非文本區(qū)域的邊緣可能對文本分割產(chǎn)生負面影響。因此，在文本邊緣提取器中引入了一個輕量級的文本檢測模型來執(zhí)行邊緣過濾。具體而言，首先使用類似ResNet的[16] 主干網(wǎng)絡(luò)提取多級視覺特征 F d = { F 1 d , F 2 d , F 3 d , F 4 d } F^d = \{F^d_1, F^d_2, F^d_3, F^d_4\} Fd={F1d?,F2d?,F3d?,F4d?}，其中 $F^d_i \in \mathbb{R}^{C_i \times H_i \times W_i} $表示ResNet-like主干網(wǎng)絡(luò)第 $i$-層的特征（有關(guān)文本檢測主干網(wǎng)絡(luò)的更多細節(jié)介紹見補充材料）。然后，采用文本檢測頭來預(yù)測文本區(qū)域的mask $M_a$，可以表示為

其中，${\text{Conv}}_{1\times 1}(?)$ 和 $\text{Concat}(?)$ 分別表示1 × 1卷積層和拼接操作。借助文本區(qū)域的mask $M_a $，可以通過對文本區(qū)域mask $M_a$ 和檢測到的邊緣 $E_w$ 進行逐像素相乘，過濾掉非文本區(qū)域的邊緣。因此，文本區(qū)域的邊緣 $E_t$ 可以通過以下方式獲得：

值得一提的是，在進行乘法操作之前對 $E_w$施加了軟argmax操作，因為聯(lián)合優(yōu)化文本檢測和分割分支可以實現(xiàn)更好的文本檢測性能。然后，經(jīng)過過濾的文本邊緣$E_t$ 被輸入到接下來的邊緣引導(dǎo)編碼器中，以增強其區(qū)分文本邊緣周圍像素的能力。

邊緣引導(dǎo)編碼器。 由于SegFormer在語義分割中表現(xiàn)出色，采用它作為邊緣引導(dǎo)編碼器的基礎(chǔ)框架。如前面圖3所示，邊緣引導(dǎo)編碼器由四個階段組成，過濾后的文本邊緣在第一個階段被合并。每個編碼階段包含三個子模塊：重疊補丁embedding、有效自注意力和前饋網(wǎng)絡(luò)。重疊補丁embedding用于提取每個補丁周圍的局部特征。隨后，這些特征被輸入到自注意力層中，以挖掘像素之間的相關(guān)性?；咀宰⒁饬拥墓饺缦?#xff1a;

其中，$Q$、$K$ 和 $V$ 是通過對相同特征應(yīng)用不同的embedding層獲得的。為了減少計算成本，遵循 [43] 引入了空間降維操作來處理 $K$ 和$V$。有關(guān)空間降維的更多細節(jié)見補充材料。最后，對于第 $i$ 階段，使用前饋網(wǎng)絡(luò)生成輸出特征 $F_i^s$。與此不同的是，在第一個階段的前饋網(wǎng)絡(luò)之后額外引入了一個對稱交叉注意力層，以融合提取的邊緣引導(dǎo) $E_t$。具體而言，對稱交叉注意力層包括兩個交叉注意力操作，分別在第一個階段的特征 $F_1^s$和邊緣引導(dǎo) $E_t$ 之間進行。一方面，$E_t$ 被視為查詢（Query），以提取邊緣感知的視覺信息 $F^{ev}$，其中 $F_1^s$ 被視為鍵（Key）和值（Value）；另一方面，$F_1^s$ 被用作查詢（Query），進一步挖掘有用的文本邊緣信息 $F^{te}$，其中 $E_t$ 被視為鍵（Key）和值（Value）。

因此，第一個階段的最終輸出 ${\hat{F}}_1^s$ 可以表示為：

其中，$\text{SA}(?)$ 代表上述的自注意力操作，$\oplus$ 表示逐像素相加。隨后，${\hat{F}}_1^s$和其他階段的輸出被輸入到文本分割解碼器中。

文本分割解碼器。 類似于之前的方法，采用幾個MLP層來融合特征并預(yù)測最終的文本mask $M_t$。首先，通過相應(yīng)的MLP層統(tǒng)一四個階段輸出的通道維度。然后，這些特征被上采樣到相同的分辨率，并通過一個MLP層進一步融合。最后，融合后的特征用于預(yù)測文本mask。假設(shè)第 $i$ 階段特征的分辨率為 $H_i\times W_i\times C_i$，解碼過程可以表示為：

其中， $\text{MLP}({\text{C}}_{\text{in}},{\text{C}}_{\text{out}})(?)$表示MLP中輸入特征和輸出特征的通道數(shù)分別為${\text{C}}_{\text{in}}$ 和 ${\text{C}}_{\text{out}}$。$\text{Fuse}(?)$表示輸入特征首先被拼接在一起，然后通過MLP層在通道維度上進行降維。

損失函數(shù)

以前的文本分割方法通常引入各種損失函數(shù)來提高性能，這可能會帶來選擇適當(dāng)超參數(shù)的困難。在所提出的EAFormer中，僅使用了兩種交叉熵損失：文本檢測損失 $L_{\text{det}}$ 和文本分割損失 $L_{\text{seg}}$ 進行優(yōu)化，它們可以表示為：

其中，$\lambda$ 是用于平衡 $L_{\text{det}}$ 和 $L_{\text{seg}}$ 的超參數(shù)； ${\hat{M}}_a$ 和 ${\hat{M}}_t$ 分別是 $M_a$ 和 $M_t$ 的真實標(biāo)注。請注意，用于 $M_a$ 的邊界框級別監(jiān)督可以從語義級別的標(biāo)注中獲得，這意味著所提出的方法與之前的方法一樣，僅需要語義級別的標(biāo)注。

實驗

實施細節(jié)

所提出的方法使用PyTorch實現(xiàn)，所有實驗都在8個NVIDIA RTX 4090 GPU上進行。采用AdamW優(yōu)化器，所有實驗中的初始學(xué)習(xí)率設(shè)置為 $6\times 10^{?5}$，權(quán)重衰減設(shè)為0.01。批量大小設(shè)置為4。與之前的方法 [32,41,45] 一樣，在訓(xùn)練階段也采用了一些數(shù)據(jù)增強操作，如隨機裁剪和翻轉(zhuǎn)。不同于現(xiàn)有方法使用預(yù)訓(xùn)練模型來檢測文本區(qū)域或識別字符，所提出的EAFormer中的所有模塊都是聯(lián)合訓(xùn)練的。換句話說，訓(xùn)練EAFormer時沒有使用額外的數(shù)據(jù)集。Canny邊緣檢測的兩個閾值分別設(shè)置為100和200。為了評估所提出方法的性能，同時使用前景交并比（fgIoU）和前景像素F值。fgIoU的度量標(biāo)準(zhǔn)采用百分比格式，F值采用小數(shù)格式。

實驗結(jié)果

定量比較。 為了全面評估EAFormer，研究者們在英文和雙語文本分割數(shù)據(jù)集上進行了實驗。下表2顯示了在五個英文文本分割數(shù)據(jù)集上的實驗結(jié)果。

與之前的方法相比，EAFormer在大多數(shù)基準(zhǔn)測試中在前景交并比（fgIoU）和F值上都有明顯的提升。例如，在TextSeg數(shù)據(jù)集上，EAFormer在fgIoU和F值上分別超越了之前的SOTA方法TextFormer 0.64% 和0.6%。盡管原始的COCO_TS和MLT_S數(shù)據(jù)集有粗糙的注釋，所提出的EAFormer仍然能表現(xiàn)出更好的性能，例如在COCO_TS數(shù)據(jù)集上比 TFT 提升了7.63%的fgIoU?？紤]到基于不準(zhǔn)確注釋的實驗結(jié)果不夠令人信服，重新標(biāo)注了COCO_TS和MLT_S的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集?；谥匦聵?biāo)注的數(shù)據(jù)集的實驗結(jié)果顯示在下表3中。實驗表明，當(dāng)使用注釋更準(zhǔn)確的數(shù)據(jù)集進行訓(xùn)練和測試時，EAFormer仍然能夠?qū)崿F(xiàn)顯著的性能提升。與原始數(shù)據(jù)集的結(jié)果相比，重新標(biāo)注數(shù)據(jù)集上的性能似乎下降了很多。

以下兩個原因可能解釋了這一現(xiàn)象：

1. 數(shù)據(jù)集中有許多模糊的文本，這確實給模型處理文本邊緣帶來了挑戰(zhàn)；
2. 重新標(biāo)注的測試數(shù)據(jù)集更為準(zhǔn)確，評估中沒有忽略的區(qū)域。

此外，還在雙語文本分割數(shù)據(jù)集BTS上進行了實驗，結(jié)果顯示在下表4中。盡管PGTSNet不公平地引入了一個預(yù)訓(xùn)練的文本檢測器，EAFormer在fgIoU/F值上仍然能實現(xiàn)1.6%/2.8%的提升，這驗證了所提出方法的有效性。由于引入了一個輕量級的文本檢測頭，不可避免地增加了更多參數(shù)。評估了參數(shù)數(shù)量和推理速度。與之前的SOTA方法TextFormer（85M參數(shù)和每張圖像0.42秒）相比，所提出的模型有92M參數(shù)，平均每張圖像需要0.47秒。雖然參數(shù)數(shù)量略有增加，但本文的方法仍能顯著提升性能。

定性比較。 研究者們還通過可視化將EAFormer與之前的方法在分割質(zhì)量上進行了比較。如圖5所示，所提出的EAFormer在文本邊緣的表現(xiàn)優(yōu)于之前的方法，這得益于引入的邊緣信息。此外，對于COCO_TS和MLT_S，比較了基于原始和修改后注釋的分割結(jié)果。盡管上表3表明，當(dāng)使用重新標(biāo)注的數(shù)據(jù)集進行訓(xùn)練和測試時，本文的方法性能有所下降，但下圖5中的可視化結(jié)果表明，本文的模型在重新標(biāo)注的數(shù)據(jù)集上能夠?qū)崿F(xiàn)更好的分割結(jié)果。

消融研究

超參數(shù)$\lambda$。 在訓(xùn)練EAFormer時，使用了兩種損失函數(shù)進行優(yōu)化。超參數(shù) $\lambda$ 用于平衡$L_{\text{det}}$ 和 $L_{\text{seg}}$ 的權(quán)重，適當(dāng)?shù)?$\lambda$ 可能會帶來更好的性能。因此，進行了幾次實驗來選擇 $\lambda$，范圍為 {0.1, 0.5, 1.0, 5.0, 10.0}，實驗結(jié)果見下表5。當(dāng) $\lambda$ 設(shè)置為1.0時，EAFormer在TextSeg數(shù)據(jù)集上達到了最佳性能，相比于基線模型，其fgIoU/F值分別提高了3.47% 和2.3%。表5的結(jié)果表明，當(dāng)$\lambda$ 范圍在 {0.5, 1.0, 5.0, 10.0} 時，對性能的影響較小。然而，如果 $\lambda$ 設(shè)置為0.1，則EAFormer的性能不佳，這可能是由于過小的 $\lambda$ 使得文本檢測模塊難以收斂，從而進一步影響文本分割的性能。因此，在本文中，將$\lambda$ 設(shè)置為1.0。

邊緣過濾和邊緣引導(dǎo)。 在所提出的EAFormer中，文本邊緣提取器中的邊緣過濾和邊緣引導(dǎo)編碼器中的邊緣引導(dǎo)是兩個關(guān)鍵組件。為了評估這兩種策略的性能提升效果，進行了消融實驗，結(jié)果見下表6。請注意，當(dāng)僅使用邊緣過濾時，提取的邊緣信息與輸入圖像拼接后輸入到基于SegFormer的編碼器中。如表6所示，引入邊緣過濾可以顯著提升性能。然而，如果僅引入邊緣引導(dǎo)，本文的方法性能較差。一個可能的原因是非文本區(qū)域的邊緣引入了更多的干擾信息，導(dǎo)致模型無法有效利用提取的邊緣來輔助文本分割。因此，邊緣過濾和邊緣引導(dǎo)對本文的方法都是必要的，當(dāng)兩者都被采用時，EAFormer能夠?qū)崿F(xiàn)SOTA性能。

討論

過濾非文本區(qū)域的邊緣。 在文本邊緣提取器模塊中，提出了過濾非文本區(qū)域邊緣信息的方法，以避免這些信息對模型性能的負面影響。在消融實驗部分中，可以得知，過濾非文本區(qū)域的邊緣信息可以明顯提高性能。通過可視化（見補充材料），觀察到，當(dāng)所有邊緣信息用于輔助分割時，模型會錯誤地認(rèn)為具有邊緣信息的區(qū)域應(yīng)該被分類為前景。因此，為了給模型提供明確的邊緣引導(dǎo)，所提出的方法僅保留文本區(qū)域的邊緣信息作為輸入。

在不同層引入文本邊緣。 在邊緣引導(dǎo)編碼器中，通過對稱交叉注意機制僅在第一階段提取增強的邊緣特征信息。眾所周知，低層特征對文本邊緣信息更為敏感。在下圖6中對不同階段的特征進行聚類結(jié)果的可視化，結(jié)果表明只有第一階段的特征關(guān)注邊緣信息。因此，在早期階段引入檢測到的邊緣是合理且有效的。還嘗試在其他階段引入邊緣引導(dǎo)進行實驗。實驗結(jié)果表明，檢測到的邊緣引入的階段越高，EAFormer的性能提升越小。特別是，當(dāng)在第三或第四階段引入檢測到的邊緣時，EAFormer的性能甚至低于基線。

利用現(xiàn)成的文本檢測器。 在文本邊緣提取器中，采用了一個輕量級的文本檢測器，包括一個基于ResNet的骨干網(wǎng)絡(luò)和一個MLP解碼器。實際上，可以利用一個在文本檢測數(shù)據(jù)集上預(yù)訓(xùn)練的現(xiàn)成文本檢測器，這可以幫助EAFormer在實際應(yīng)用中取得更好的性能。由于這可能對之前的方法不公平，只探討了EAFormer的性能上限。在實驗中，使用預(yù)訓(xùn)練的DBNet 替換輕量級文本檢測器模塊，EAFormer在TextSeg上的性能可以達到新的SOTA水平（fgIoU/F值分別為90.16%和95.2%）。

與之前邊緣引導(dǎo)方法的區(qū)別。 實際上，將邊緣信息融入分割中是一個被廣泛探索的策略。然而，本文的方法與之前的工作仍有一些區(qū)別。首先，BCANet和 BSNet需要邊緣監(jiān)督，而本文的方法直接使用Canny提取邊緣。盡管EGCAN也使用Canny，但本文的方法額外引入了邊緣過濾以保留有用的邊緣信息，這特別為文本分割設(shè)計。此外，EGCAN在所有編碼器層中融合邊緣信息，而本文的方法通過設(shè)計的對稱交叉注意機制僅在第一層融合邊緣信息。

局限性。 為了過濾非文本區(qū)域的邊緣，引入了一個輕量級的文本檢測器，這可能會略微增加可學(xué)習(xí)參數(shù)的數(shù)量。此外，僅利用了現(xiàn)成的邊緣檢測算法Canny來提取文本邊緣，而沒有使用更先進的深度學(xué)習(xí)邊緣檢測方法。引入SOTA邊緣檢測方法可能會進一步提高本文方法的性能。

結(jié)論

本文提出了邊緣感知Transformer（Edge-Aware Transformers），稱為EAFormer，以解決文本邊緣處文本分割不準(zhǔn)確的問題。具體而言，采用傳統(tǒng)的邊緣檢測算法Canny來提取邊緣。為了避免涉及非文本區(qū)域的邊緣，引入了一個輕量級文本檢測模塊，用于過濾掉無用的邊緣，以進行文本分割。此外，基于SegFormer，提出了一個邊緣引導(dǎo)編碼器，以增強其感知文本邊緣的能力?？紤]到某些數(shù)據(jù)集的低質(zhì)量注釋可能影響實驗結(jié)果的可信度，對這些數(shù)據(jù)集進行了重新標(biāo)注。在公開可用的基準(zhǔn)測試上進行了廣泛的實驗，SOTA結(jié)果驗證了EAFormer在文本分割任務(wù)中的有效性。

參考文獻

[1]EAFormer: Scene Text Segmentation with Edge-Aware Transformers