add QA

QA/总结.md

@@ -0,0 +1,31 @@
+论文名称：Real-time Scene Text Detection with Differentiable Binarization（DB）
+
+核心贡献
+1. 提出“可微分二值化模块（DB）”，将传统分割网络中不可导的二值化步骤改为可导近似函数，实现端到端训练。
+2. 通过联合学习阈值图 T，使每个像素拥有自适应阈值，显著简化后处理，提升检测精度与速度。
+3. 在 5 个公开数据集（水平、多方向、弯曲、多语言文本）上均达到 SOTA；在轻量骨干 ResNet-18 下仍保持实时（>60 FPS）。
+
+方法框架
+- 主干：FPN 结构（ResNet-18/50），可选可变形卷积增强长宽比极端文本的感受野。  
+- 三路输出：概率图 P（前景置信度）、阈值图 T（自适应阈值）、近似二值图 B̂ = σ(k(P−T))。  
+- 训练损失：L = Ls + Lb + 10·Lt，其中 Ls/Lb 为 BCE（正负 1:3 难例挖掘），Lt 为 T 的 L1 回归。  
+- 推理：仅保留 P，固定阈值 0.2 二值化 → 连通域 → 反向膨胀得最终框；DB 分支可完全移除，不占额外时间与显存。
+
+实验结果
+数据集            指标                 DB-Res18         DB-Res50        提升/对比
+MSRA-TD500   F-measure / FPS   82.8 / 62         84.9 / 32        +3.7%↑ / 3.2× faster
+CTW1500       F-measure / FPS   81.0 / 55         83.4 / 22        +4.9%↑ / 14× faster
+Total-Text     F-measure / FPS   82.8 / 50         84.7 / 32        +1.1%↑ / 8–13× faster
+ICDAR2015    F-measure / FPS   82.3 / 48         87.3 / 12        +7.2%↑ vs EAST
+MLT-2017      F-measure / FPS   71.7 / 41         74.7 / 19        +3.8%↑ vs prior best
+
+消融实验
+- DB 单独带来 3–5% F-measure 提升，且不增加推理耗时。  
+- 可变形卷积再提升 1.5–5.0%。  
+- 对阈值图 T 加显式监督可再提升 0.7–2.6%。
+
+局限
+无法处理“文本套文本”情形，即内部文本恰好位于外部文本中心区域时可能漏检（所有分割类方法共有问题）。
+
+结论
+DB 模块通过“可微分二值化 + 自适应阈值”在保证实时性的同时，兼顾了任意形状文本的高精度检测；轻量骨干即可达到 SOTA，兼顾工业落地需求。未来工作将扩展至端到端文本识别（text spotting）。

QA/网络第一层干什么的.md

@@ -0,0 +1,26 @@
+在 DB（Differentiable Binarization）网络中，**第一层**是 **Backbone（特征提取骨干网络）的第一层**，具体作用如下：
+
+### 1. **输入处理**
+   - **输入**：一张RGB图像（如640×640×3）。
+   - **第一层**：通常是 **一个7×7卷积 + BatchNorm + ReLU + MaxPooling**（以ResNet-18/50为例）。
+     - **7×7卷积**：提取低级特征（边缘、纹理、颜色等）。
+     - **BatchNorm**：加速训练，稳定梯度。
+     - **ReLU**：引入非线性。
+     - **MaxPooling（3×3, stride=2）**：降采样（缩小特征图尺寸，减少计算量）。
+
+### 2. **具体结构（以ResNet-50为例）**
+   ```python
+   Conv1: 7×7, 64 filters, stride=2 → BN → ReLU → MaxPool 3×3, stride=2
+   ```
+   - **输出特征图尺寸**：从640×640 → 160×160（因stride=2两次）。
+
+### 3. **作用总结**
+   - **低层特征提取**：检测边缘、角点、颜色对比等基础模式。
+   - **降采样**：减少计算量，扩大感受野。
+   - **为后续FPN（特征金字塔）提供多尺度特征**：后续层（conv2_x, conv3_x等）会进一步提取高层语义特征。
+
+### 对比其他网络
+- **EAST/CRAFT**：类似，第一层也是标准卷积+降采样。
+- **轻量版（ResNet-18）**：卷积核可能更小（如3×3堆叠），但功能相同。
+
+简单来说，**第一层是“图像预处理+初级特征提取”**，为后续的FPN和DB模块奠定特征基础。

readme.txt

@@ -0,0 +1,11 @@
+see doc\lang\programming\pytorch\文本检测\DBNET 论文代码都有
+
+字符级标注
+
+测试
+CUDA_VISIBLE_DEVICES=0 python demo.py experiments/seg_detector/ic15_resnet18_deform_thre.yaml --image_path datasets/icdar2015/test_images/img_00000028.jpg --resume /root/final --polygon --box_thresh 0.7 --visualize
+
+实测一张图拆出来的每一行一个图，字符级标注：结果完全不得行
+
+todo:
+    优化训练原码，自已写