最近在做公式检测的项目。从本文开始介绍一个用于扫描式公式检测的方法，我们将分为三个部分介绍。第一、解读论文。第二、开源代码详解。第三、在本地数据集上的复现。论文地址和代码地址分别为：论文地址，代码地址。
标题
标题：ScanSSD: Scanning Single Shot Detector forMathematical Formulas in PDF Document Images
翻译：ScanSSD：用于PDF文档图像中的数学公式的扫描式SSD。
解读：PDF文档其实可以按页提取为图像。那么我们如何检测出图像中的数学公式呢？这篇文章就介绍了这样一种方法：ScanSSD。
摘要
原文：We introduce the Scanning Single Shot Detector (ScanSSD) for locating math formulas offset from text and embedded in textlines.
翻译：locating math formulas(定位数学公式)，offset from text(文本开头)，embedded in textlines(嵌入文本行)。
我们介绍扫描式SSD(ScanSSD)，用于定位，文本开头和嵌入文本行的数学公式。
解读：数学公式在图像中的分布可以分为两种：1.offset from text(文本开头)，2.embedded in textlines(嵌入文本行)。如图1，绿框代表文本开头的公式，因为这些公式后面跟着的都是文本，红框代表嵌入文本行的，因为它处于文本行的中间。
原文：ScanSSD uses only visual features fordetection: no formatting or typesetting information such aslayout, font, or character labels are employed.
翻译：visual features(视觉特征)，formatting(格式)，typesetting(排版)，character labels(字符标签)，employed(使用)。
ScanSSD只使用视觉特征进行检测。没有使用格式或排版信息，如：布局、字体或字符标签。
解读：只使用了神经网络进行视觉特征的提取，而对布局、字体或字符标签，没有太多要求。这其实是神经网络的优势。但是这个优势建立在丰富的训练数据集的基础上。
原文：Given a 600 dpidocument page image, a Single Shot Detector (SSD) locatesformulas at multiple scales using sliding windows, after whichcandidate detections are pooled to obtain page-level results.
翻译：dpi(打印分辨率，每英寸所能打印的点数，即打印精度)，multiple scales(多尺度)，sliding windows(滑动窗口)，candidate detections(候选检测框)，pooled(集中资源，合并)，page-level results(整个页面的结果)
给定一个600dpi的文档页图像，SSD使用多尺度滑动窗口的方式定位公式，然后把检测结果合并，得到整个页面的公式。
解读：600dpi的意思是该图像每英寸有600个像素点。SSD本身是一个用于公式检测的神经网络，基本的方法就是多尺度滑动窗口定位目标。
原文：Forour experiments we use the TFD-ICDAR2019v2 dataset, amodification of the GTDB scanned math article collection.
翻译：modification(修改，改进)，GTDB(应该是一个软件)。
我们在实验中使用的数据集是：TDF-ICDAR2019v2，该数据集基于GTDB扫描的数学文章集，并进行了一点改进。
解读：实验中用到的数据集应该是用GTDB这个软件采集的。
原文：ScanSSD detects characters in formulas with high accuracy,obtaining a 0.926 f-score, and detects formulas with high recall overall.
翻译：ScanSSD可以高精度检测公式里的字符，在保持高召回率的情况下可以达到0.926 f-score。
原文：Detection errors are largely minor, such as splittingformulas at large whitespace gaps (e.g., for variableconstraints) and merging formulas on adjacent textlines.
翻译：largely(很大程度上)，large whitespace gaps(较大的空白处)，adjacent textlines(相邻文本行)。
检测误差很大程度上很小，例如在较大空白处拆分公式(例如，用于变量约束)，并合并相邻文本行上的公式。
解读：在较大空白处拆分公式，意思就是公式旁边有较大的空白，对于这种公式，误差肯定会较小。合并相邻文本行上的公式，字面意思很好理解，就是如果两个公式相邻，就只画一个框，但是这么做为什么会减小误差？
原文：Formula detection f-scores of 0.796 (IOU ≥ 0.5) and 0.733(IOU ≥ 0.75) are obtained.
翻译：IOU(测量真实和预测之间的相关度)，f-scores(综合考虑Precision和Recall的调和值)。
公式检测在IOU>=0.5的情况下f-scores为0.796，在IOU大于0.75的情况下f-scores为0.733。
解读：IOU的计算公式如图2所示，是预测框和真实框的交集和并集的比值，分子为交集，分母为并集。
f-scores的数学公式为：
当时，成为F1-score，这时精确率和召回率都很重要，权重相同。如果精确率更重要，则
。反之，
。
总结
摘要的大致内容如下：通过扫描式SSD算法，用多尺度滑动窗口，检测公式。该算法可以把文本开头和嵌入文本行的公式全部检测出来。实验中用到的数据集为：TDF-ICDAR2019v2。当IOU>=0.5的情况下f-scores为0.796，在IOU大于0.75的情况下f-scores为0.733。
遗留问题
摘要部分的解读到这里就结束了，但是仍然几个遗留问题，我准备列出来，在后续继续阅读文章时，争取找到答案。问题如下：
1.ScanSSD只使用视觉特征进行检测。没有使用格式或排版信息，如：布局、字体或字符标签。那么有没有考虑布局、字体或字符标签的算法呢？
2.多尺度滑动窗口的具体流程是怎样的？检测公式时，如果遇到很简单的公式，如：，那么该如何把这类公式和文本信息进行区分？
3.GTDB采集数据的流程是怎样的？
4.在本文中计算f-score时，的取值是怎样的？
5.之前提到，保持高召回率的同时，f-score达到了0.926。后面又提到，当IOU>=0.5的情况下f-scores为0.796，在IOU大于0.75的情况下f-scores为0.733。这两种说法如何理解，是否前后不一致？
