01

60 秒回答模板

OCR 通常先检测再识别。DBNet 属于文本检测方法，目标是从图像中定位文字区域，它用可微分二值化把概率图、阈值图和近似二值图一起学习，让文本边界更清晰，后处理再把连通区域转成文本框或文本多边形。CTC 属于序列识别训练目标，解决输入特征帧和输出字符序列长度不一致、没有逐字符对齐标注的问题。它引入 blank 标签，把所有折叠后等价于目标字符串的路径概率求和，训练时最大化目标序列概率，解码时再去 blank、合并重复字符。

考点 DBNet 定位文字
难度 真实面经题
回答目标 讲清原理、实现和边界
02

深入解析

01

OCR 链路分工

DBNet 和 CTC 不在同一层解决问题。DBNet 解决检测，即图像里哪里是文字；CTC 解决识别训练，即检测到的文字图像如何转成字符序列，尤其是不知道每个字符对应输入特征中哪个位置时如何监督。

02

DBNet 的检测思想

传统文本检测会预测文本概率图，再通过固定阈值二值化得到文字区域。DBNet 把二值化近似成可微模块，同时学习概率图和阈值图，让模型能根据局部边界难度自适应地产生更干净的文本区域。

03

DBNet 的训练输出

训练时通常有文本区域概率图、阈值图和近似二值图三类监督。概率图关注是否为文本，阈值图关注边界处如何切开相邻文本，二值图让最终可分割区域更接近后处理需要的结果。

04

CTC 的对齐问题

识别网络输出的是一串时间步或宽度方向特征，每个位置给出字符分布，但标注通常只有完整字符串。CTC 不要求字符级位置标注，而是枚举所有可能对齐路径，把折叠后得到目标字符串的路径概率加起来。

05

CTC 解码与边界

CTC 解码会先取每个时间步概率最高的标签，再合并连续重复字符并删除 blank。它适合横向序列文字识别，训练简单稳定；如果文本排列复杂、需要强语言建模或字符间依赖，可能需要 attention decoder、Transformer decoder 或语言模型重排序补充。

03

易错点

  • 把 DBNet 说成识别网络，或把 CTC 说成文本检测算法。
  • 只说 CTC 不需要对齐，没有解释 blank、路径折叠和路径概率求和。
  • 把 DBNet 的贡献简化成普通分割，漏掉可微分二值化和自适应阈值。
  • 忽略检测和识别误差会级联，回答时完全不讲 OCR pipeline。
04

面试官追问

DBNet 为什么要学习阈值图？

固定阈值对模糊边界、粘连文本和不同尺度文字不够稳定，阈值图能让模型在局部自适应地区分文本和背景。

CTC 中 blank 的作用是什么？

blank 用来表示当前时间步不输出字符，也用于分隔连续相同字符，避免折叠重复字符时把真实重复字符误合并。

CTC 和 attention decoder 有什么区别？

CTC 假设输出顺序基本单调，训练不需要显式对齐；attention decoder 学习对输入位置的软选择，表达更灵活但训练和解码通常更复杂。

OCR 里检测错了会怎样影响识别？

检测框裁剪不完整、角度不准或包含太多背景都会让识别网络输入质量下降，所以检测召回、边界和矫正都直接影响识别准确率。