diff --git a/doc/doc_ch/PP-OCRv3_introduction.md b/doc/doc_ch/PP-OCRv3_introduction.md
index 096c27e5aebadd06ae795b5b2808be73da889201..8aa3abdb611ea87a17bd33223a72fd238863a20b 100644
--- a/doc/doc_ch/PP-OCRv3_introduction.md
+++ b/doc/doc_ch/PP-OCRv3_introduction.md
@@ -34,29 +34,29 @@ PP-OCRv2从骨干网络选择和调整、预测头部的设计、数据增强、
 
 ### PP-OCRv3文本检测模型优化策略
 
-PP-OCRv3在PP-OCRv2的基础上进一步升级。
+PP-OCRv3采用PP-OCRv2的[CML](https://arxiv.org/pdf/2109.03144.pdf)蒸馏策略，在蒸馏的student模型、teacher模型精度提升，CML蒸馏策略上分别做了优化。下面简要介绍PPOCRv3的文本检测优化策略。
 
-PP-OCRv3文本检测从网络结构、蒸馏训练策略两个方向做了进一步优化:
-1. 网络结构改进：提出两种改进后的FPN网络结构，RSEFPN，LKPAN，分别从channel attention、更大感受野的角度优化FPN结构。
+- 首先，在蒸馏student模型精度提升方面，针对模型召回能力低的问题，提出了RSEFPN的FPN结构用于提升student模型精度；
 
-*RSEFPN简要介绍：*
+RSEFPN的网络结构如下图所示，RSEFPN在PPOCRv2的FPN基础上，将FPN中的卷积层更换为了channel attention结构的RSEConv层。
 
 ![](../ppocr_v3/RSEFPN.png)
 
-PPOCRv2检测模型的FPN结构由纯卷积和上采样层构成，不包含BN层，激活函数等模块。PPOCRv3对PPOCRv2检测模型中的FPN结构进行改进，借鉴channel attention的思想，将FPN中的卷积层换为带残差结构的RSEBlock，其网络结构如上图所示；SEBlock起到channel attention的作用；另外，考虑到PPOCR文本检测模型FPN网络的通道数较小（channel=96），channel atttion可能抑制掉某些包含重要特征的channel；因此，PPOCRv3引入了残差结构。实验表明引入残差结构相比只引入SEBlock有2.7%的精度提升。RSEFPN将base检测模型的精度hmean从81.3%提升到84.5%。
+RSEFPN将PPOCR检测模型的精度hmean从81.3%提升到84.5%。模型大小从3M变为3.6M。
 
-*LKPAN简要介绍：*
+- 然后，在蒸馏的teacher模型精度提升方面，提出了LKPAN结构替换PPOCRv2的FPN结构，并且使用ResNet50作为Backbone，更大的模型带来更多的精度提升。最终teacher的模型指标hmean达到了86.0%。
+
+LKPAN的网络结构如下图所示：
 
 ![](../ppocr_v3/LKPAN.png)
 
-LKPAN是一个具有更大感受野的轻量级PAN结构。其网络结构如上图所示。 LKPAN对输入的特征首先使用`1*1`conv统一特征的通道， 在LKPAN的path augmentation中，使用kernel size为`9*9`的深度可分离卷积。更大的kernelsize意味着更大的感受野，更容易检测大字体的文字以及极端长宽比的文字。使用深度可分离卷积可以显著降低模型的参数量。LKPAN将base检测模型的精度hmean从81.3%提升到84.9%。
+LKPAN是一个具有更大感受野的轻量级PAN结构。在在LKPAN的path augmentation中，使用kernel size为`9*9`的卷积；更大的kernel size意味着更大的感受野，更容易检测大字体的文字以及极端长宽比的文字。LKPAN将base检测模型的精度hmean从81.3%提升到84.9%。
+
+*注：LKPAN相比RSEFPN有更多的精度提升，但是考虑到模型大小和预测速度等因素，在student模型中使用RSEFPN。*
 
-2. CML蒸馏训练策略调整：PPOCRv3文本检测模型训练中，仍采用[CML](https://arxiv.org/pdf/2109.03144.pdf)的蒸馏策略。首先，在蒸馏teacher模型选择上，使用ResNet50作为teacher的Backbone，使用LKPAN作为FPN部分，最终使用[DML](https://arxiv.org/abs/1706.00384)蒸馏策略训练得到更高精度的teacher模型。然后，在CML蒸馏训练时，随训练epoch数增加，线性降低teacher模型和student模型之间损失函数的比例，loss比例计算公式如下：
-```
- α = 1 – (epoch/total_epoch)*0.4
-```
-最后，在蒸馏时，考虑到模型大小及预测速度，采用RSEFPN作为蒸馏student模型的FPN结构。优化后的CML蒸馏将PPOCRv2的精度hmean从83.3%提升到84.4%，同时模型的召回能力显著提升。
+- 最后，调整CML蒸馏训练策略调整：为了进一步提升蒸馏模型的精度，对teacher模型使用[DML](https://arxiv.org/abs/1706.00384)蒸馏策略进一步提升teacher模型的精度，更好的指导student模型的训练。
 
+采用上述策略，PPOCRv3相比PPOCRv2，hmean指标从83.3%提升到85.4%；预测速度从平均117ms/image变为124ms/image。
 
 3. 消融实验