网络结构：
1、基础网络时VGG16，在conv5_3卷积之后的特征图上进行后续处理
2、在conv5_3的特征图之上，使用3x3的卷积核进行滑窗处理，这就是Faster R-CNN中使用的RPN网络
3、然后以特征图的行为单位，将每行内容分别输入到双向LSTM循环网络中，将双向循环网络的输出结果进行concat连接，每个LSTM输出的结果是128维向量，所以每个位置的输出结果是256维的向量，得到的特征图大小就是 H x W x 256
4、在特征图上的每个（h, w）的位置上，后面连接一个全连接层FC，其实也可以使用1x1的卷积层（Faster R-CNN中使用的就是1x1的卷积层），分别得到3个分支，第一个分支表示基于RPN网络在每个（h, w）位置上生成的k个anchor而预测得到的k个推荐框proposal是前景还是背景的得分，可以使用softmax实现，第二个分支表示基于RPN网络在每个（h, w）位置上生成的k个anchor而预测得到的k个推荐框proposal的高度以及proposal高度的中心位置，因为proposal的宽度是固定的16。
关于RPN网络的作用在我之前写的Faster R-CNN中RPN网络总结中有描述，简单总结一下就是，在RPN网络处理阶段，anchor的大小，座标，以及anchor所属的label（anchor区域中是否包含目标）都是可以提前确定的，然后基于FC全连接层输出的预测结果计算损失函数，以anchor为基准点，使得训练后的模型预测结果更接近GT的真实结果。anchor的具体作用是为了尽量覆盖更多位置、更多尺度的目标，然后以anchor的位置和label为基准，训练模型参数，使得模型预测结果更接近真实值GT。
这里需要说明一下，有些人可能会疑惑，论文里明明白白的写了使用了全连接层FC，大家都知道全连接层要求输入的大小是固定的，而论文里面又说了CTPN实质上一个全卷积网络，可以处理任意大小的图片。问题的根本就在于虽然使用了全连接网络，但是全连接网络是作用于特征图的通道维度上的，特征图的通道维度是确定的，与输入图片的大小无关，所以CTPN可以处理任意大小的图片，其本质上也就是全卷积网络了。
tensorflow版本代码介绍，本篇代码来自于开源项目 text-detection-ctpn，遗憾的是项目中的百度网盘地址已经失效，没有获取到训练数据，训练过程还没跑通。
推理预测阶段：
1）、demo.py代码文件关键函数
resize_image对输入的图片进行缩放，缩放后的图片短边为600，并保持图片的长宽比不变。
2）、model_train.py代码文件关键函数
从model函数中可以明确的看到，模型在VGG16的基础上先进行了3x3的卷积操作，也就是RPN网络中的滑窗操作，然后将滑窗结果输入到双向LSTM。下面看一下双向LSTM中的操作。
在双向LSTM函数中可以看到，net的形状是[N * H, W, C]，其中N * H就是输入到LSTM的batch_size大小，W是输入序列的长度，C是每一步输入到LSTM中的数据维度，可以看到，每一步都是沿着W的方向，将通道C上的向量输入到LSTM中，然后将两个LSTM的输出结果进行连接。按照上面的描述，经过LSTM之后的输出结果要输入到FC全连接层，用于预测proposal的座标和得分，也就是lstm_fc函数的功能。
可以看到在lstm_fc函数中，分别在每个（h, w）位置的通道向量上进行FC操作，这也就是前面说的，CTPN中虽然使用了FC全连接层，但本质上仍是一个全卷积网络，因为这里的FC只和通道的大小有关系，与特征图的H和W无关。
在model函数的最后将lstm_fc函数的输出结果使用softmax函数转换为对应的前景和背景的概率。
3）、proposal_layer.py代码文件关键函数
proposal_layer函数用来计算基于RPN的预测结果以及生成的anchor座标，计算RPN预测结果在最终图像上的座标，然后对生成的proposal进行裁剪、过滤、NMS得到最终的proposal。
模型训练阶段：
前面粗略介绍了模型的正向推理过程，下面讲一下模型的训练过程。
1）、anchor_target_layer.py代码文件关键函数
anchor_target_layer函数的主要功能是在特征图上的每个位置生成10个anchor，并基于训练数据上的GT座标位置计算与anchor IoU得到anchor的label。然后对生成的anchor进行筛选、过滤，最终保留128个positive anchor和128个negative anchor，如果positive anchor的数量太少，就是用negative anchor进行填充。
loss函数用来计算模型的损失函数：
从上面代码可以看到，对于分类分支使用交叉熵损失，对于座标预测分支使用smooth_l1损失，tensorflow版本的代码中没有计算第三个分支。其中，对于分类分支的损失计算的是RPN预测的概率和anchor真是标签之间的损失，回归分支的损失计算的是RPN预测结果与anchor座标的差异和GT与anchor座标差异之间的损失。分类和回归损失的计算与Faster R-CNN中一致。
以上简单介绍了CTPN文字检测算法的模型，以及tensorflow版本的代码实现。要想深入理解算法的具体内容，还是要实地研究一下代码的具体实现。以上仅是个人的理解与观点，如有错误，欢迎指正。
道阻且长，加油吧！少年。