夜市招牌巡检记：DB与CTPN文字检测实战

CH-08-02-049·约 19 分钟·AI应用领域·更新 2026-08-11

夜幕降临，你走进一条夜市街。头顶的招牌五花八门：横的、竖的、绕着灯筒弯成弧的；有的亮得刺眼，有的被烟火熏得模糊。人类扫一眼就能说出“这里有字、那里也有字”，但电脑看到的只是一堆灰蒙蒙的像素格子。所谓文字检测，就是教会电脑在图片中回答两个问题：图里有没有文字？文字框在哪个位置？本文请来两位性格迥异的“招牌巡检员”：一位叫小切，擅长“切片检查法”（对应 CTPN 算法），把画面切成竖条逐条判断再拼接；一位叫小温，擅长“温度图法”（对应 DB 算法），给每个位置打“文字概率分”，再用一条能学习的红色等温线把文字圈出来。读完本文，你会明白他们各自的绝活、软肋，以及什么时候该请谁出马。

岗位关联

文字检测是 OCR 的第一道工序，也是决定识别上限的咽喉；掌握 CTPN 与 DB 的原理与取舍，能让你在真实项目中快速选型、少走弯路——这是每位 AI 工程师都值得拥有的看家本领。

可视化演示
检测任务概述：给照片做“找字体检”
CTPN核心原理：小切的“切片检查法”
CTPN网络结构：切片流水线车间
DB可微二值化：小温的“温度等温线”
DB网络架构：双屏幕气象站
训练与损失：给小温准备标准答案
评估与选型：两位高手同台竞技
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

对比展示CTPN水平文字检测与DB可微二值化两种算法的检测流程，包括候选框生成、概率图计算与自适应阈值二值化过程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

CTPN文字检测通过固定宽度锚框生成文字候选序列，RNN连接上下文信息候选框合并为完整文字行，适用于水平排列文本 B_text=merge({b_i|score(b_i)>τ}) CTPN擅长检测水平排列的长文本行

检测任务概述：给照片做“找字体检”

夜市入口人声鼎沸，一排排招牌横的竖的、亮的暗的。如果让一个从没见过汉字的实习生来找招牌，他会先问：“我要找的东西长什么样？”文字检测给计算机的答案也一样：圈出“哪里有文字”，至于写的是什么，那是后面识别模型的事。这第一步定位，专业上叫文字检测（Text Detection），是整个 OCR 管线的第一道工序，决定了后面识别模型能不能在正确的地方“下手”。

文字检测和通用目标检测相似——都要用框把目标圈出来，但又更刁钻：文字可以是一两个字，也可以是长长一串；可以横排、竖排，还能绕着瓶子弯曲；光照不均、运动模糊、透视变形都是家常便饭。为了应对这些，业界演化出两大流派：一派走“回归框”路线，代表人物是 CTPN；另一派走“分割涂色”路线，代表人物是 DB。前者像直接伸手去抓目标，后者像先给整张图涂上颜色再圈范围。

不管哪一派，最后都要拿自己的预测框和真实框比一比谁贴得更紧。这个比对标准叫 IoU（Intersection over Union，交并比），它回答“你圈出来的框和真实文字框到底像不像”。

就像体检时量体温必须量准位置，体温计放歪了读数就失真。IoU 就是文字检测圈的“体温计”，两位高手的水平如何，先看它量出来的分数。这也是为什么所有 OCR 比赛的排行榜上，IoU 相关的指标永远排在第一位。

\mathrm{IoU}(A, B) = \frac{|A \cap B|}{|A \cup B|}

IoU 就是把两个框看成两片影子，重叠部分除以合起来的部分，比值越高说明框得越准。

交集面积真实框 A 与预测框 B 重叠的那块区域，记作分子 |A∩B|。
$|A \cap B|$
并集面积两个框各自覆盖的面积总和再减去重叠部分，记作分母 |A∪B|。
$|A \cup B|$
比值结果交集除以并集得到一个 0 到 1 之间的分数，越接近 1 说明框得越准，检测任务通常要求 IoU 大于 0.5 才算命中。
$\mathrm{IoU}(A, B) = \frac{|A \cap B|}{|A \cup B|}$

CTPN核心原理：小切的“切片检查法”

小切是位经验老到的招牌巡检员，他的方法朴素得可爱：既然夜市招牌基本都横着挂，那我就把画面竖直切成一条条细片，像切吐司一样逐片检查——这片里有笔画的痕迹吗？有，就标记“是文字”，没有就跳过。全部检查完后，把相邻的“是文字”细片拼起来，完整招牌就出来了。

在计算机科学里，小切的“细片”叫垂直锚框（Vertical Anchor），宽度固定为 16 像素，高度可以从 11 像素到 400 多像素变化，以适应不同字号。这个设计背后有深刻的观察：文字天然具有序列属性，水平方向上下文连贯，即使切成细条，每条里依然保留着可判断的局部笔画信号，比如横折、竖钩的痕迹。

每个锚框会输出两类预测：一是“这片是不是文字”的置信度分数，二是垂直方向要不要上下微调的偏移量。因为锚框在水平方向排布得非常密集，相邻锚框的判断可以互相印证，之后再把“水平距离近”且“垂直方向重叠度高”的高分锚框连成一条文本线（Text Line）。这里有一个关键技术点：网络回归的不是绝对的像素坐标，而是归一化的垂直偏移。

小切不识字也能干活，他只看笔画纹理就能判断“这片像不像字的一部分”。但他有个致命前提：只信横着挂的招牌。遇到竖排的灯笼招牌，切片会断成一地碎渣，这正是他的软肋——也是小温后来居上的机会。

v_j = \frac{y_j^{*} - y_j^{a}}{h_j^{a}}

小切不直接报“往上挪 5 个像素”，而是报“挪的幅度相当于自己身高的多少”，这样大招牌小招牌都能统一衡量。

分子差值真实文字中心的垂直坐标 y\* 减去锚框中心的垂直坐标 y^a，得到位置偏差。
$y_j^{*} - y_j^{a}$
分母高度用锚框自身高度 h^a 做归一化，避免大号字和小号字在数值上没法比较。
$h_j^{a}$
回归结果v_j 是归一化后的垂直偏移，网络学的是这个相对量，训练更稳定、收敛更快。
$v_j = \frac{y_j^{*} - y_j^{a}}{h_j^{a}}$

CTPN网络结构：切片流水线车间

把小切的“切片法”工业化，就变成一条流水线：入口是照片，出口是“哪些细片是文字”。车间里三个工人各司其职，配合得天衣无缝。第一个工人是VGG16 骨干网络，负责把原始图像翻译成特征图——相当于把“亮度”翻译成“这里有没有笔画边缘”的语义信息。

第二个工人是BLSTM（双向长短期记忆网络），它是整个车间的灵魂。切片有个天然问题：某一小片可能恰好被反光或烟雾挡住，单看它根本判断不了是不是文字。BLSTM 在水平方向上来回“张望”：左边邻居说“我这边像字的中间”，右边邻居说“我这边像字的收尾”，那中间这片十有八九也是文字。这种序列上下文建模，让 CTPN 对遮挡和模糊天生更抗造。

第三个工人负责“打包发货”：在特征图的每个位置同时输出三类结果——文本/非文本分数、垂直坐标修正、水平边缘细化偏移。车间训练时会计算这三类任务的总损失：

车间出货后还有一道质检工序：先把置信度太低的切片丢掉，再做 NMS（非极大值抑制）去掉彼此重叠的冗余框，最后把剩下的高分切片按邻近关系连成文本线。流水线让小切又快又准，但车间在规划时就没打算处理竖排——方向这个先验，从锚框设计那一刻起就写死了。

L = \sum_i L_{cls}(s_i, s_i^{*}) + \lambda_1 \sum_j L_{reg}(v_j, v_j^{*}) + \lambda_2 \sum_k L_{reg}(o_k, o_k^{*})

三个任务共用一套特征，一起训练、一次前向全出结果，这就是“多任务学习”的精髓。

分类损失判断每个锚框是文字还是背景的交叉熵损失，监督“切片判断”是否准确。
$\sum_i L_{cls}(s_i, s_i^{*})$
垂直回归损失修正锚框上下位置的 smooth L1 损失，权重为 λ1，监督“高度微调”。
$\lambda_1 \sum_j L_{reg}(v_j, v_j^{*})$
边缘回归损失修正文本线左右边界的回归损失，权重为 λ2，让拼接后的框左右更贴合。
$\lambda_2 \sum_k L_{reg}(o_k, o_k^{*})$

DB可微二值化：小温的“温度等温线”

小温是气象员出身，他的名言是：“别一个一个框，先给整条街画温度。”他的思路和小切完全不同：不切条、不判断单个切片，而是把每个像素都打一个文字概率分（0 到 1 之间），形成一张概率图——文字区域像高温区一样发烫，背景像深秋的夜一样冰冷。

可热成像图有个毛病：边界是糊的。怎么把“热区”清晰地圈出来？传统做法是拿一个固定阈值（比如 0.5）去切：概率大于阈值就是文字，否则是背景。但不同招牌亮度不同、背景复杂程度各异，固定阈值在这条街刚调好，换个巷子就翻车。更致命的是，“切”这个操作是一个阶跃函数，导数处处为 0，梯度根本传不回去，模型没法通过训练学会“该怎么切”。

小温的高明之处在于：他把“切”这一步替换成了一个可微的 S 形近似。左边是传统二值化的阶跃判断，右边是 DB 提出的可微二值化（Differentiable Binarization）：

从此，那条红色等温线不再是人工设定的常数，而是网络自己学出来的、每个位置都不同的“专属温度线”。它能绕过弯曲的灯箱、避开刺眼的反光，圈得又准又贴合。小温从此成了夜市招牌巡检界的传奇。

B_{i,j} = \begin{cases} 1, & P_{i,j} \ge t \\ 0, & \text{otherwise} \end{cases}\quad\Longrightarrow\quad\hat{B}_{i,j} = \frac{1}{1 + e^{-k(P_{i,j} - T_{i,j})}}

固定阈值 t 被替换成逐像素的阈值图 T，而且整个“切割”过程处处可导，模型终于能学会该在哪里下刀。

固定阈值判定左边是传统方式，概率值 P 大于等于固定阈值 t 就定为文字，输出硬性的 1 或 0。
$B_{i,j} = \begin{cases} 1, & P_{i,j} \ge t \\ 0, & \text{otherwise} \end{cases}$
可微差值右边用逐像素阈值 T_{i,j} 替换固定值 t，先算出“概率超出温度线多少”的差值。
$P_{i,j} - T_{i,j}$
S 形压缩差值经过指数与 Logistic 函数后，被压到 0 到 1 之间，形成近似二值化的光滑曲线，k 控制曲线陡峭程度，全程可导。
$\hat{B}_{i,j} = \frac{1}{1 + e^{-k(P_{i,j} - T_{i,j})}}$

DB网络架构：双屏幕气象站

小温的工位有两个大屏幕：一块显示“文字下雨概率”，另一块显示“雨线该画在哪里”。两块屏幕共享同一套雷达数据，却又各司其职。第一块屏幕输出的是概率图 P，回答“这个像素是不是文字”；第二块屏幕输出的是阈值图 T，回答“这里该设多高的温度线”。两者合成，就是最终的二值图。

雷达数据从哪来？网络骨干采用 ResNet 加 FPN（特征金字塔）结构。浅层特征分辨率高、边缘清晰，能看清招牌的轮廓；深层特征语义强，能认出“这是文字不是灯带”。FPN 把各层的优点融合在一起：

推理阶段，小温的“双屏幕”可以精简：阈值图分支在部署时可以剥离，直接用概率图加固定阈值做二值化，速度还能再快一截。拿到二值图后，提取连通域，对每个连通域的轮廓做多边形近似（通常是 Douglas-Peucker 算法），再把多边形按收缩比例外扩还原，最终得到贴合任意形状的文本框。雷达越清晰，等温线越精准——这就是 DB 能拿下各种弯曲文字竞赛冠军的底气。

\mathbf{F} = \mathrm{Conv}\big(\mathrm{Concat}(\mathbf{P}_2, \mathrm{Up}(\mathbf{P}_3), \mathrm{Up}(\mathbf{P}_4), \mathrm{Up}(\mathbf{P}_5))\big)

融合特征 F 既懂锐利边界又懂文字语义，喂给两个分支，分别预测概率图和阈值图。

多尺度特征FPN 输出 P2 到 P5 四层特征，分辨率从细到粗，编码的信息从边缘细节到高层语义。
$\mathbf{P}_2, \mathbf{P}_3, \mathbf{P}_4, \mathbf{P}_5$
统一尺寸把 P3 到 P5 上采样到与 P2 相同的分辨率，才能逐位置对齐拼接。
$\mathrm{Up}(\mathbf{P}_3), \mathrm{Up}(\mathbf{P}_4), \mathrm{Up}(\mathbf{P}_5)$
融合卷积按通道拼在一起后过一个 3×3 卷积，得到既懂边缘又懂语义的融合特征 F。
$\mathbf{F} = \mathrm{Conv}\big(\mathrm{Concat}(\mathbf{P}_2, \mathrm{Up}(\mathbf{P}_3), \mathrm{Up}(\mathbf{P}_4), \mathrm{Up}(\mathbf{P}_5))\big)$

训练与损失：给小温准备标准答案

光有方法论还不够，训练时得告诉小温“哪条等温线是对的”。如果直接把整个文字多边形当作正样本，模型学出来的边界会松松垮垮，经常“越界”框到旁边招牌上去。小温的训练法则有一条铁律：标准答案必须自带安全距离。

DB 的做法是用 Vatti 收缩算法把真实多边形向内收缩一圈，收缩后的多边形作为概率图的正样本区域，原多边形与收缩多边形之间的夹缝则当作难负样本。收缩距离不是随便拍的，它由多边形的面积和周长共同决定：

有了标签，还要配一套完整的损失函数来约束三个输出。概率图和二值图都用带难样本挖掘的二分类损失（聚焦在那些容易混淆的边界像素上），阈值图则用 L1 损失，只监督文字区域内部：

与小切的锚框回归不同，小温的训练标签是“面”而非“框”，收缩出的安全距离让等温线既不会内缩过头吃掉文字，也不会外溢到邻居招牌上。就像给气象员划定重点预报区域，小温画线时心里有了谱。

d = \frac{A(1 - r^2)}{L}

总损失等于概率图损失 + 二值图损失 + 阈值图损失，权重 α=1、β=10，阈值图因为有数值约束，权重要给足。

面积 A文本多边形的面积，面积越大，整体需要收缩的尺度也越大。
$A$
周长 L多边形周长越长，说明形状越细长，收缩距离要相应减小，防止细字消失。
$L$
收缩比例 rr 通常取 0.4，决定正样本区域缩到原来的多大，1−r² 是面积缩减系数。
$1 - r^2$
收缩距离 dVatti 算法沿着每条边向内平移 d 个单位，生成收缩后的文本多边形标签。
$L = L_s + \alpha L_b + \beta L_t$

评估与选型：两位高手同台竞技

夜市管理方要招一位总巡检员，两位高手拿着成绩单来应聘。成绩单上不能只写“我找到了 100 个招牌”，还得说清楚哪些是真招牌、哪些是误报。这就引出了文字检测的铁三角指标：精确率（Precision）、召回率（Recall）和 F1 分数。

精确率回答“你报出来的招牌里，真有字的占多少”；召回率回答“街上所有招牌，你找到了多少”。只看精确率，小切可以只报最亮那一个招牌，精确率 100% 但漏掉一半；只看召回率，小温可以把所有灯箱都圈上，召回率 100% 但误报一堆。所以要用调和平均逼着两边都不偏科：

实际竞赛中还有一个隐性门槛：预测框与真实框的 IoU 必须大于 0.5 才算一次有效命中，这正是我们第一节讲的“体温计”在发威。综合对比两位高手：CTPN 在水平排版、结构化的文档场景下精度高、理论经典，但只能处理水平文字，后处理链路较长；DB 对任意形状通吃，推理极快（能用 RLE 加速做到实时），但对极小字和超长文本需要额外调参。选型口诀很简单：规整印刷体选小切，杂乱弯曲场景请小温。

F_1 = \frac{2 \times P \times R}{P + R}, \quad P = \frac{TP}{TP + FP}, \quad R = \frac{TP}{TP + FN}

TP 是正确命中的框，FP 是误报的框，FN 是漏掉的真实文字框；F1 是两个指标平衡之后的综合得分。

精确率 P预测出的框里真正是文字的占比，太高说明“宁缺毋滥”，报得少但报得准。
$P = \frac{TP}{TP + FP}$
召回率 R真实文字框里被找到的占比，太高说明“宁滥勿缺”，找得全但可能带噪声。
$R = \frac{TP}{TP + FN}$
调和平均 F1当 P 和 R 都高时 F1 才高，任何一边偏科都会被严重拉低，倒逼模型均衡发展。
$F_1 = \frac{2 \times P \times R}{P + R}$

AI 应用场景

卡证票据的高精度 OCR 前置检测

阶段：数据预处理与检测定位

解决的问题：身份证、发票、快递单上的文字规整但常伴随拍照倾斜、反光。传统通用目标检测框定位不准，错误框直接喂给识别模型会放大误差，导致整张单据识别失败。

具体案例：某银行接入 OCR 识别身份证正反面信息。管线先用 CTPN 定位水平文本行，结合旋转校正把倾斜的身份证摆正，再送识别网络。上线后身份证号码识别准确率从 92% 提升到 99% 以上，验证了小切在规整场景的统治力。

电商商品图与街景招牌的任意形状文字检测

阶段：模型训练与推理

解决的问题：酒瓶弧形标签、奶茶杯身环绕字、街景中倾斜弯曲的灯箱，CTPN 这类水平检测器会漏检或把弯曲文字切成碎片。DB 的“温度图 + 可微二值化”能贴合任意形状。

具体案例：某电商平台对商品外包装图做合规审查，需要检测“仅限今日”“买一送一”等弯曲小字。改用 DB 后，对弧形瓶身文字的召回率从 61% 提升到 92%，且单图推理仅 12 毫秒，顺利接入实时审核流水线。

高分辨率文档版面高速分析

阶段：工程优化与部署

解决的问题：政务大厅每天扫描大量纸质表格，版面杂乱、字段繁多。逐像素分割类模型通常很慢，但 DB 推理阶段可剥离阈值分支、配合 RLE 编码加速，特别适合高分辨率文档的实时版面分析。

具体案例：某政务系统用 DB 实时框出扫描件的“姓名/日期/盖章区”，再裁剪交给下游识别，单页处理耗时从 200 毫秒降到 30 毫秒，省下的算力可以支撑更多并发请求。

Python 演示

python60 行

import numpy as np  def connect_textline(scores, gap_thresh=2):    """CTPN 思想: 把连续的高分竖向切片连成一条文本线."""    lines = []    start = None    for i, score in enumerate(scores):        if score > 0.5 and start is None:            start = i        elif score <= 0.5 and start is not None:            if i - start >= gap_thresh:                lines.append((start, i - 1))            start = None    if start is not None:        lines.append((start, len(scores) - 1))    return lines  def shrink_box(box, shrink_ratio):    """把四边形按比例向中心收缩, 生成 DB 训练用的收缩标签."""    box = np.asarray(box, dtype=np.float64)    center = box.mean(axis=0)    return box + (center - box) * shrink_ratio  def differentiable_binarization(prob_map, threshold_map, k=50):    """DB 核心: 可微二值化, 替代不可导的固定阈值切割."""    return 1.0 / (1.0 + np.exp(-np.clip(k * (prob_map - threshold_map), -30, 30)))  def db_inference(prob_map, threshold_map, min_area=4):    """推理: 可微二值化后统计文字像素区域面积."""    binary_map = differentiable_binarization(prob_map, threshold_map)    mask = binary_map > 0.5    return mask, int(mask.sum())  def main():    # 1. CTPN 切片连接: 模拟一条水平文本行的逐片置信度    scores = [0.9, 0.95, 0.98, 0.92, 0.1, 0.3, 0.88, 0.91, 0.86, 0.2]    lines = connect_textline(scores)    print("CTPN 连接的文本线切片索引:", lines)     # 2. DB 标签收缩: 一个水平的矩形文本框    box = [(10, 10), (60, 10), (60, 40), (10, 40)]    shrunk_box = shrink_box(box, 0.4)    print("DB 收缩标签的第一个角点:", shrunk_box[0])     # 3. DB 推理: 模拟简单概率图与阈值图    prob_map = np.zeros((8, 8))    prob_map[2:6, 2:6] = 0.8    threshold_map = np.full((8, 8), 0.3)    mask, area = db_inference(prob_map, threshold_map)    print("DB 检测出的文字区域像素数:", area)    print("二值化掩码形状:", mask.shape)  if __name__ == "__main__":    main()

目的：用 50 行不到的 Python 把 CTPN 的“切片连成文本线”和 DB 的“收缩标签 + 可微二值化 + 推理”三个核心思想各跑了一遍，让你直观看到两种算法的“手感”差异。

def connect_textline(scores, gap_thresh=2)模拟 CTPN 后处理：把连续超过 0.5 分的切片拼成一行文本线，低于阈值的切片把它拆断。
scores = [0.9, 0.95, 0.98, 0.92, 0.1, 0.3, 0.88, 0.91, 0.86, 0.2]模拟一条水平文本行上 10 个竖直切片的置信度，中间那两个低分是反光干扰。
center = box.mean(axis=0)计算四边形中心，这是向内收缩的“锚点”，每个角点朝中心挪。
box + (center - box) * shrink_ratio收缩公式：角点向中心靠拢 shrink_ratio 比例，对应论文里的 Vatti 收缩思想。
np.clip(k * (prob_map - threshold_map), -30, 30)先算概率与阈值的差值再乘系数，clip 防止指数爆炸，这是可微二值化的数值稳定技巧。
binary_map > 0.5推理阶段把 S 形输出转成 0/1 掩码，再统计面积，对应 DB 的连通域提取前置步骤。

常见误区

误区我看 CTPN 是经典的文字检测模型，以为它和现代检测器一样，横排竖排弯曲的文字都能检测。

正解CTPN 的设计根基是“固定宽度的垂直锚框 + 水平方向的 BLSTM 序列建模”，它把文字当作水平方向上的一串竖直切片。竖排、弯曲的文字在切片之后，相邻切片的上下文彻底失去连续性，检测会崩掉。所以 CTPN 只适合水平或近似水平的文字，比如身份证、车牌、横幅。

为何常见：很多 OCR 教程把 CTPN 当作“文字检测入门模型”来讲，很少强调它只处理水平文字这个硬前提，初学者就容易把它当成万能检测器。

误区我以为 DB 里的“二值化”和传统图像处理一样，阈值是靠经验手动调的固定超参数，比如 0.5。

正解DB 的阈值图 T 是网络的一个分支预测出来的“逐像素阈值地图”，每个位置的阈值都可以不同，而且和概率图一起端到端训练。正是这个可学习的阈值，让 DB 在不同光照、复杂背景下都能自适应贴合文字边缘，而不是靠人手工调参。

为何常见：传统图像处理里二值化阈值确实靠人调，人们容易把旧经验直接套到新模型上，忽略了深度学习中“网络自己学”这个关键差异。

误区我以为 DB 就是把网络输出的概率图在最后阶段做一次二值化，这个操作和训练过程没关系。

正解恰恰相反，普通二值化是阶跃函数，梯度为零，模型无法学习。DB 用 S 形函数近似二值化，训练时梯度能穿过“二值化”这层反向传播，同时优化概率图和阈值图；推理时才是用训练好的模块或固定阈值去取连通域。

为何常见：“二值化”听起来就是个后处理操作，很难联想到它在训练中扮演着“可导层”的角色，这正是 DB 论文最重要的卖点。

误区我以为所有文字检测框都是矩形框，DB 输出的也是四个顶点组成的标准矩形。

正解DB 基于分割，推理时对二值图提取连通域、再做轮廓多边形近似，输出的可以是任意边数的多边形，能贴合弯曲、倾斜的招牌。而 CTPN 因为后处理是“连框 + 边缘细化”，输出更接近水平矩形。这也是 DB 能处理场景文字而 CTPN 不能的根本原因。

为何常见：教科书和论文里常用矩形框示意检测结果，让人误以为所有检测器的输出形式都一样，忽略了分割类方法天然支持任意形状。

面试题

Q1. CTPN 最擅长检测哪种排列方式的文字？

单选题 · easy

A.水平排列的文字← 正确答案
B.竖直排列的文字
C.任意弯曲的文字
D.圆形环绕的文字

答案：A。CTPN 用固定宽度的垂直锚框和水平方向的 BLSTM 建模，本质是把文字当作水平方向的一串切片，因此只有水平排列的文字能发挥它的优势。竖排和弯曲文字的切片连续性会被破坏，检测效果骤降。

Q2. CTPN 用于判断文字的基本单元是什么？

单选题 · easy

A.整幅图像区域
B.垂直细长的锚框← 正确答案
C.完整独立的字符
D.水平长条窗口

答案：B。CTPN 的核心单元是 16 像素宽的垂直锚框，高度可变。它不先检测完整字符，而是判断每个竖直细条是不是文字的一部分，再把连续细条连成文本线，这就像小切一片一片切吐司检查。

Q3. DB 算法的核心创新点是什么？

单选题 · easy

A.引入注意力机制
B.可微二值化模块← 正确答案
C.加深网络到百层
D.使用更大训练集

答案：B。DB 的招牌创新是把不可导的固定阈值二值化替换成可微的 S 形近似，让二值化过程能参与端到端训练。注意力机制、网络深度和训练集规模都不是它区别于其他分割法检测器的本质。

Q4. 关于 DB 的阈值图，下列说法正确的是？

单选题 · mid

A.阈值是固定超参数
B.阈值图由网络预测← 正确答案
C.阈值图来自人工标注
D.阈值与训练无关

答案：B。DB 的阈值图 T 是网络的一个分支实时预测出来的逐像素地图，每个位置的阈值都可以不同，并且参与训练。它不是人工标注、不是固定常数，这正是“自适应阈值”的含义。

Q5. 可微二值化中的“可微”主要指什么？

单选题 · mid

A.输出结果恒为浮点
B.二值化函数可求导← 正确答案
C.模型支持分布式训练
D.输入图像必须为灰度

答案：B。“可微”指二值化这个函数对输入可求导，梯度能穿过它反向传播，从而同时优化概率图和阈值图。输出是不是浮点、能否分布式训练、输入是否灰度，都和“可微”无关。

Q6. CTPN 网络的输出内容包含哪些？

多选题 · mid

A.文本与非文本的置信度← 正确答案
B.垂直方向的位置偏移← 正确答案
C.水平方向的边缘细化← 正确答案
D.像素级的文字概率图

答案：ABC。CTPN 是多任务输出：每个锚框预测文本/非文本分数、垂直坐标偏移和水平边缘偏移。像素级概率图是 DB 这类分割方法的输出，CTPN 不做逐像素预测。

Q7. 关于 CTPN 的文本线构造，下列说法正确的有？

多选题 · mid

A.相邻锚框水平距离近← 正确答案
B.相邻锚框垂直重叠高← 正确答案
C.直接输出完整矩形框
D.剔除低置信度锚框← 正确答案

答案：ABD。文本线构造时，先剔除低置信度的锚框，再把“水平距离近且垂直重叠度高”的锚框连成文本线。它不是直接回归完整矩形框，而是先有切片拼接、再做边缘细化，C 的说法违背了 CTPN 的设计逻辑。

Q8. Vatti 收缩算法生成训练标签时，收缩距离 d 与什么有关？

单选题 · hard

A.只与图像宽度有关
B.只与文字颜色有关
C.面积与周长共同决定← 正确答案
D.与人眼识别能力有关

答案：C。收缩距离 d = A(1−r²)/L，由多边形面积 A 和周长 L 共同决定。面积越大收缩尺度越大，周长越长（形状越细长）收缩距离越小，防止细字被缩没。与图像宽度、颜色都无关。

Q9. DB 在训练阶段的损失函数由哪些部分组成？

多选题 · hard

A.概率图二分类损失← 正确答案
B.二值图二分类损失← 正确答案
C.阈值图的 L1 损失← 正确答案
D.字符识别的交叉熵

答案：ABC。DB 总损失 = 概率图损失 + 二值图损失 + 阈值图 L1 损失，前两项用带难样本挖掘的 BCE，阈值图用 L1。DB 只做检测不做字符识别，因此没有字符识别的交叉熵项。

Q10. DB 可微二值化系数 k 增大时，下列哪个效果会增强？

单选题 · extreme

A.S形曲线变得更陡峭← 正确答案
B.阈值图数值会变大
C.特征图分辨率提高
D.文字区域自动扩大

答案：A。k 是二值化曲线 1/(1+e^{−k(P−T)}) 的放大系数，k 越大曲线越陡峭、越接近真正的阶跃二值化。但 k 过大会导致梯度消失，训练不稳定。k 不参与阈值图的数值大小，也不影响分辨率或区域面积。