前言
关于DRRG网上资料比较少，但是其实作为CVPR最新的成果大家的期待度还是挺高的。我个人在学习的时候就很苦恼，所以处于将心比心，这里将学习心得为大家写下来。
结构
首先，毋庸置疑的DRRG是一个端到端的网络。这正是我们深度学习所追求的效果，端到端能有效地加快模型速度。其次，整个模型被分为两个部分：基于CNN的文本建议网络和基于GCN的关系推理网络。这里我们上图：
关于这个图，我要解释一下：首先基于CNN的文本建议网络只到CR箭头那里，也就是说CNN的文本建议网络的输出为：HW8（带有4个通道的TR / TCR分类结果和4个通道的h 1 , h 2 , c o s θ , s i n θ的回归结果）而后面的则是基于GCN的关系推理网络，原理如下图：
接下来我们分别对两个部分进行讲解：
1）基于CNN的文本建议网络
如果看过我写的关于EAST的文章，相信大家可以发现。DRRG的结构极其类似EAST算法。类似于EAST的FPN网络，DRRG做了如下几点改变：
1）特征金字塔：在特征提取和特征合并部分特征金字塔层数更多，也就是说合并了更多不同感受野的特征图。
2）采用了新的卷积方式：EAST选择的是11逐点卷积和33普通卷积，而DRRG选用的是33的空间卷积和逐点卷积。但是两者有甚麽区别呢：首先顺序相反，因为普通卷积会整合空间信息和通道信息所以先用11改变通道数，然后再卷积能有效减少参数量。但是空间卷积通道固定，所以他要在逐点卷积之前，然后由逐点卷积改变通道信息，空间卷积没有改变通道数能力。其次后者参数更少，普通卷积是这样的，比方说原卷积核是5536的，普通卷积必须是3336n的。而空间卷积只需是55*36.所以可以有效减少参数量。
3）输出不同：EAST算法直接输出整体的文本框，而DRRG输出的是文本框部件。
这里说一下TCR的计算，挺简单的：1.算出中心线，2.左右缩短0.5w。3.上下扩展0.3h。
2）基于GCN的关系推理网络
首先，这里说几点：1）首先思想类似于ctpn就是先做出小文本框，然后用某种方法连接起来。2）不同ctpn的地方是：1.没有预设的anchor是通过FPN预测小文本框的。2，链接方法不同，传统连接方法是基于cnn的所以称为cc。但是cnn只能整合空间信息和通道信息
，而文本最明显的就是序列特征，也就是我们说的上下文信息。所以用GCN进行推理，效果更好。3）GCN并不是直接连接小文本框，因为实际上FPN输出的就是局部图也就是说一定程度上连接过的。而且是多个局部图，然后通过GCN连接这些局部图给出合理推理。这因为这种方法所以才能实现任意形状文本的预测：
总结
我们总结一下DRRG的优点：1.合理的特征金字塔，对不同感受野的文本检测效果更好。
2.新的连接方式，基于GCN的推理方式有比CNN更适合文本部件间的推理关系，真正实现任意文本形状的预测。3.抛弃anchor思想，不再需要预先考虑文本框大小。4.最新的卷积方式有效地减少参数量。
最后
关于DRRG我先写到这里，后续还有对部件的解析，这里由于个人也是粗略学习可能有错误，还请谅解，还有就是为了更好的理解DRRG的结构，请先对EAST和CTPN进行学习。