OCR光學(xué)字符識別 – 潘登同學(xué)的NLP筆記

文章目錄

• • OCR光學(xué)字符識別 -- 潘登同學(xué)的NLP筆記
• 傳統(tǒng)的OCR方法
• • 文字行提取
  • • 基于切分的方法
    • 不依賴切分的方法
• 深度學(xué)習(xí)的方法
• • 受控場景的文字檢測
  • 非受控場景的文字檢測
  • 基于序列學(xué)習(xí)的文字識別
• CTC Loss
• • 數(shù)學(xué)表達(dá)

傳統(tǒng)的OCR方法

OCR （Optical Character Recognition，光學(xué)字符識別）是指電子設(shè)備（例如掃描儀或數(shù)碼相機）檢查紙上打印的字符，通過檢測暗、亮的模式確定其形狀，然后用字符識別方法將形狀翻譯成計算機文字的過程；即，針對印刷體字符，采用光學(xué)的方式將紙質(zhì)文檔中的文字轉(zhuǎn)換成為黑白點陣的圖像文件，并通過識別軟件將圖像中的文字轉(zhuǎn)換成文本格式；

一個OCR識別系統(tǒng)，其目的很簡單，只是要把影像作一個轉(zhuǎn)換，使影像內(nèi)的圖形繼續(xù)保存、有表格則表格內(nèi)資料及影像內(nèi)的文字，一律變成計算機文字，使能達(dá)到影像資料的儲存量減少、識別出的文字可再使用及分析，當(dāng)然也可節(jié)省因鍵盤輸入的人力與時間。

從影像到結(jié)果輸出，須經(jīng)過影像輸入、影像前處理、文字特征抽取、比對識別、最后經(jīng)人工校正將認(rèn)錯的文字更正，將結(jié)果輸出。

傳統(tǒng)步驟

• 輸入圖像預(yù)處理
  • 二值化：我們需要先對彩色圖進(jìn)行處理，使圖片只前景信息與背景信息，可以簡單的定義前景信息為黑色，背景信息為白色，這就是二值化圖了；
  • 噪聲去除：對于不同的文檔，我們對噪聲的定義可以不同，根據(jù)噪聲的特征進(jìn)行去噪；
  • 傾斜較正：由于一般用戶，在拍照文檔時，都比較隨意，因此拍照出來的圖片不可避免的產(chǎn)生傾斜，這就需要文字識別軟件進(jìn)行較正；
• 識別過程
  • 版面分析：將文檔圖片分段落，分行的過程就叫做版面分析，由于實際文檔的多樣性，復(fù)雜性，因此，目前還沒有一個固定的，最優(yōu)的切割模型；
  • 字符切割：由于拍照條件的限制，經(jīng)常造成字符粘連，斷筆，因此極大限制了識別系統(tǒng)的性能，這就需要文字識別軟件有字符切割功能；
  • 字符識別：這一研究，已經(jīng)是很早的事情了，比較早有模板匹配，后來以特征提取為主，由于文字的位移，筆畫的粗細(xì)，斷筆，粘連，旋轉(zhuǎn)等因素的影響，極大影響特征的提取的難度；
• 后處理
  • 版面恢復(fù)：人們希望識別后的文字，仍然像原文檔圖片那樣排列著，段落不變，位置不變，順序不變地輸出到word文檔、pdf文檔等，這一過程就叫做版面恢復(fù)；
  • 后處理、校對:根據(jù)特定的語言上下文的關(guān)系，對識別結(jié)果進(jìn)行較正，就是后處理；

傳統(tǒng)的OCR基于圖像處理（二值化、連通域分析、投影分析等）和統(tǒng)計機器學(xué)習(xí)（Adaboost、SVM），過去20年間在印刷體和掃描文檔上取得了不錯的效果。傳統(tǒng)的印刷體OCR解決方案整體流程如圖所示。

傳統(tǒng)的OCR解決方案存在著以下不足：

• 通過版面分析（連通域分析）和行切分（投影分析）來生成文本行，要求版面結(jié)構(gòu)有較強的規(guī)則性且前背景可分性強（例如黑白文檔圖像、車牌），無法處理前背景復(fù)雜的隨意文字（例如場景文字、菜單、廣告文字等）。另外，二值化操作本身對圖像成像條件和背景要求比較苛刻。
• 通過人工設(shè)計邊緣方向特征（例如方向梯度直方圖）來訓(xùn)練字符識別模型，在字體變化、模糊或背景干擾時，此類單一的特征的泛化能力迅速下降。
• 過度依賴于字符切分的結(jié)果，在字符扭曲、粘連、噪聲干擾的情況下，切分的錯誤傳播尤其突出。
• 盡管圖像預(yù)處理模塊可有效改善輸入圖像的質(zhì)量，但多個獨立的校正模塊的串聯(lián)必然帶來誤差傳遞。另外由于各模塊優(yōu)化目標(biāo)獨立，它們無法融合到統(tǒng)一的框架中進(jìn)行。

行切分，投影切分例子

輸入圖片

二值圖片

水平投影

行切分

文字行提取

傳統(tǒng)OCR采取自上而下的切分式，但它只適用于版面規(guī)則背景簡單的情況。該領(lǐng)域還有另外兩類思路

• 自底向上的生成式方法。該類方法通過連通域分析或最大穩(wěn)定極值區(qū)域（MSER）等方法提取候選區(qū)域，然后通過文字/非文字的分類器進(jìn)行區(qū)域篩選，對篩選后的區(qū)域進(jìn)行合并生成文字行，再進(jìn)行文字行級別的過濾，如圖所示。該類方法的不足是，一方面流程冗長導(dǎo)致的超參數(shù)過多，另一方面無法利用全局信息
  
• 基于滑動窗口的方法。該類方法利用通用目標(biāo)檢測的思路來提取文字行信息，利用訓(xùn)練得到的文字行/詞語/字符級別的分類器來進(jìn)行全圖搜索。原始的基于滑動窗口方法通過訓(xùn)練文字/背景二分類檢測器，直接對輸入圖像進(jìn)行多尺度的窗口掃描。檢測器可以是傳統(tǒng)機器學(xué)習(xí)模型（Adaboost、Random Ferns），也可以是深度卷積神經(jīng)網(wǎng)絡(luò)

文字行識別流程
傳統(tǒng)OCR將文字行識別劃分為字符切分和單字符識別兩個獨立的步驟，盡管通過訓(xùn)練基于卷積神經(jīng)網(wǎng)絡(luò)的單字符識別引擎可以有效提升字符識別率，但切分對于字符粘連、模糊和形變的情況的容錯性較差，而且切分錯誤對于識別是不可修復(fù)的。因此在該框架下，文本行識別的準(zhǔn)確率主要受限于字符切分。假設(shè)已訓(xùn)練單字符識別引擎的準(zhǔn)確率p=99%，字符切分準(zhǔn)確率為q= 95%，則對于一段長度為L的文字行，其識別的平均準(zhǔn)確率為P= (pq)的L次方，其中L=10時，P=54.1%

由于獨立優(yōu)化字符切分提升空間有限，因此有相關(guān)方法試圖聯(lián)合優(yōu)化切分和識別兩個任務(wù)。現(xiàn)有技術(shù)主要可分為基于切分的方法（Segmentation-Based）和不依賴切分的方法（Segmentation- Free）兩類方法。

基于切分的方法

該類方法還是保留主動切分的步驟，但引入了動態(tài)合并機制，通過識別置信度等信息來指導(dǎo)切分，如圖所示。

• 過切分模塊將文字行在垂直于基線方向上分割成碎片，使得其中每個碎片至多包含一個字符。通常來說，過切分模塊會將字符分割為多個連續(xù)筆劃。過切分可以采用基于規(guī)則或機器學(xué)習(xí)的方法。規(guī)則方法主要是直接在圖像二值化的結(jié)果上進(jìn)行連通域分析和投影分析來確定候補切點位置，通過調(diào)整參數(shù)可以控制粒度來使得字符盡可能被切碎。基于規(guī)則的方法實現(xiàn)簡單，但在成像/背景復(fù)雜的條件下其效果不好。機器學(xué)習(xí)方法通過離線訓(xùn)練鑒別切點的二類分類器，然后基于該分類器在文字行圖像上進(jìn)行滑窗檢測
• 動態(tài)合并模塊將相鄰的筆劃根據(jù)識別結(jié)果組合成可能的字符區(qū)域，最優(yōu)組合方式即對應(yīng)最佳切分路徑和識別結(jié)果。直觀來看，尋找最優(yōu)組合方式可轉(zhuǎn)換為路徑搜索問題，對應(yīng)有深度優(yōu)先和廣度優(yōu)先兩種搜索策略。深度優(yōu)先策略在每一步選擇擴(kuò)展當(dāng)前最優(yōu)的狀態(tài)，因此全局來看它是次優(yōu)策略，不適合過長的文字行。廣度優(yōu)先策略在每一步會對當(dāng)前多個狀態(tài)同時進(jìn)行擴(kuò)展，比如在語音識別領(lǐng)域廣泛應(yīng)用的Viterbi解碼和Beam Search。但考慮到性能，Beam Search通常會引入剪枝操作來控制路徑長度，剪枝策略包含限制擴(kuò)展的狀態(tài)數(shù)（比如，每一步只擴(kuò)展TopN的狀態(tài)）和加入狀態(tài)約束（比如，合并后字符形狀）等;
• 由于動態(tài)合并會產(chǎn)生多個候選路徑，所以需要設(shè)計合適的評價函數(shù)來進(jìn)行路徑選擇。評價函數(shù)的設(shè)計主要從路徑結(jié)構(gòu)損失和路徑識別打分兩方面出發(fā)。路徑結(jié)構(gòu)損失主要從字符形狀特征方面衡量切分路徑的合理性，路徑識別打分則對應(yīng)于特定切分路徑下的單字平均識別置信度和語言模型分。
• 該方案試圖將字符切分和單字符識別融合在同一個框架下解決，但由于過分割是獨立的步驟，因此沒有從本質(zhì)上實現(xiàn)端到端學(xué)習(xí);

不依賴切分的方法

該類方法完全跨越了字符切分，通過滑動窗口或序列建模直接對文字行進(jìn)行識別

滑窗識別借鑒了滑動窗口檢測的思路，基于離線訓(xùn)練的單字識別引擎，對文字行圖像從左到右進(jìn)行多尺度掃描，以特定窗口為中心進(jìn)行識別。在路徑?jīng)Q策上可采用貪心策略或非極大值抑制（NMS）策略來得到最終的識別路徑。下圖給出了滑窗識別的示意流程。可見滑窗識別存在兩個問題：滑動步長的粒度過細(xì)則計算代價大，過粗則上下文信息易丟失；無論采用何種路徑?jīng)Q策方案，它們對單字識別的置信度依賴較高。

序列學(xué)習(xí)起源于手寫識別、語音識別領(lǐng)域，因為這類問題的共同特點是需要對時序數(shù)據(jù)進(jìn)行建模。盡管文字行圖像是二維的，但如果把從左到右的掃描動作類比為時序，文字行識別從本質(zhì)上也可歸為這類問題。通過端到端的學(xué)習(xí)，摒棄矯正/切分/字符識別等中間步驟，以此提升序列學(xué)習(xí)的效果，這已經(jīng)成為當(dāng)前研究的熱點;(深度學(xué)習(xí)的方法)

深度學(xué)習(xí)的方法

深度學(xué)習(xí)的方法可以歸結(jié)為兩步

• 目標(biāo)檢查
• 文字識別

根據(jù)版面是否有先驗信息（卡片的矩形區(qū)域、證件的關(guān)鍵字段標(biāo)識）以及文字自身的復(fù)雜性（如水平文字、多角度），圖像可劃分為受控場景（如身份證、營業(yè)執(zhí)照、銀行卡）和非受控場景（如菜單、門頭圖），如圖所示

考慮到這兩類場景的特點不同，我們借鑒不同的檢測框架。由于受控場景文字諸多約束條件可將問題簡化，因此利用在通用目標(biāo)檢測領(lǐng)域廣泛應(yīng)用的Faster R-CNN框架進(jìn)行檢測。而對于非受控場景文字，由于形變和筆畫寬度不一致等原因，目標(biāo)輪廓不具備良好的閉合邊界，我們需要借助圖像語義分割來標(biāo)記文字區(qū)域與背景區(qū)域。

受控場景的文字檢測

對于受控場景（如身份證），我們將文字檢測轉(zhuǎn)換為對關(guān)鍵字目標(biāo)（如姓名、身份證號、地址）或關(guān)鍵條目（如銀行卡號）的檢測問題。基于Faster R-CNN的關(guān)鍵字檢測流程如圖所示。為了保證回歸框的定位精度，同時提升運算速度，我們對原有框架和訓(xùn)練方式進(jìn)行了微調(diào)

• 考慮到關(guān)鍵字或關(guān)鍵條目的類內(nèi)變化有限，網(wǎng)絡(luò)結(jié)構(gòu)只采用了3個卷積層
• 訓(xùn)練過程中提高正樣本的重疊率(IOU)閾值
• 根據(jù)關(guān)鍵字或關(guān)鍵條目的寬高比范圍來適配RPN層Anchor的寬高比

Faster R-CNN框架由RPN（候選區(qū)域生成網(wǎng)絡(luò)）和RCN（區(qū)域分類網(wǎng)絡(luò)）兩個子網(wǎng)絡(luò)組成。RPN通過監(jiān)督學(xué)習(xí)的方法提取候選區(qū)域，給出的是無標(biāo)簽的區(qū)域和粗定位結(jié)果。RCN引入類別概念，同時進(jìn)行候選區(qū)域的分類和位置回歸，給出精細(xì)定位結(jié)果。訓(xùn)練時兩個子網(wǎng)絡(luò)通過端到端的方式聯(lián)合優(yōu)化。下圖以銀行卡卡號識別為例，給出了RPN層和RCN層的輸出

對于人手持證件場景，由于證件目標(biāo)在圖像中所占比例過小，直接提取微小候選目標(biāo)會導(dǎo)致一定的定位精度損失。為了保證高召回和高定位精度，可采用由粗到精的策略進(jìn)行檢測。首先定位卡片所在區(qū)域位置，然后在卡片區(qū)域范圍內(nèi)進(jìn)行關(guān)鍵字檢測，而區(qū)域定位也可采用Faster R-CNN框架，如圖所示。

非受控場景的文字檢測

對于菜單、門頭圖等非受控場景，由于文字行本身的多角度且字符的筆畫寬度變化大，該場景下的文字行定位任務(wù)挑戰(zhàn)很大。由于通用目標(biāo)檢測方法的定位粒度是回歸框級，此方法適用于剛體這類有良好閉合邊界的物體。然而文字往往由一系列松散的筆畫構(gòu)成，尤其對于任意方向或筆畫寬度的文字，僅以回歸框結(jié)果作為定位結(jié)果會有較大偏差。另外剛體檢測的要求相對較低，即便只定位到部分主體（如定位結(jié)果與真值的重疊率是50%），也不會對剛體識別產(chǎn)生重大影響，而這樣的定位誤差對于文字識別則很可能是致命的。

為了實現(xiàn)足夠精細(xì)的定位，我們利用語義分割中常用的全卷積網(wǎng)絡(luò)（FCN）來進(jìn)行像素級別的文字/背景標(biāo)注，整體流程如圖所示

多尺度全卷積網(wǎng)絡(luò)通過對多個階段的反卷積結(jié)果的融合，實現(xiàn)了全局特征和局部特征的聯(lián)合，進(jìn)而達(dá)到了由粗到精的像素級別標(biāo)注，適應(yīng)于任意非受控場景（門頭圖、菜單圖片）;

基于多尺度全卷積網(wǎng)絡(luò)得到的像素級標(biāo)注，通過連通域分析技術(shù)可得到一系列連通區(qū)域（筆劃信息）。但由于無法確定哪些連通域?qū)儆谕晃淖中?#xff0c;因此需要借助單鏈聚類技術(shù)來進(jìn)行文字行提取。至于聚類涉及的距離度量，主要從連通域間的距離、形狀、顏色的相似度等方面提取特征，并通過度量學(xué)習(xí)自適應(yīng)地得到特征權(quán)重和閾值，如圖所示

基于序列學(xué)習(xí)的文字識別

我們將整行文字識別問題歸結(jié)為一個序列學(xué)習(xí)問題。利用基于雙向長短期記憶神經(jīng)網(wǎng)絡(luò)（Bi-directional Long Short-term Memory，BLSTM）的遞歸神經(jīng)網(wǎng)絡(luò)作為序列學(xué)習(xí)器，來有效建模序列內(nèi)部關(guān)系。為了引入更有效的輸入特征，我們采用卷積神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行特征提取，以描述圖像的高層語義。此外在損失函數(shù)的設(shè)計方面，考慮到輸出序列與輸入特征幀序列無法對齊，我們直接使用結(jié)構(gòu)化的Loss（序列對序列的損失），另外引入了背景（Blank）類別以吸收相鄰字符的混淆性。

整體網(wǎng)絡(luò)結(jié)構(gòu)分為三層：卷積層、遞歸層和翻譯層，如圖所示。其中卷積層提取特征；遞歸層既學(xué)習(xí)特征序列中字符特征的先后關(guān)系，又學(xué)習(xí)字符的先后關(guān)系；翻譯層實現(xiàn)對時間序列分類結(jié)果的解碼.

對于輸入的固定高度h0= 36的圖像（寬度任意，如W0 = 248），我們通過CNN網(wǎng)絡(luò)結(jié)構(gòu)提取特征，得到9×62×128的特征圖，可將其看作一個長度為62的時間序列輸入到RNN層。RNN層有400個隱藏節(jié)點，其中每個隱藏節(jié)點的輸入是9×128維的特征，是對圖像局部區(qū)域的描述。考慮到對應(yīng)于某個時刻特征的圖像區(qū)域，它與其前后內(nèi)容都具有較強的相關(guān)性，所以我們一般采用雙向RNN網(wǎng)絡(luò)，如圖所示

而這個圖中核心的就是bilstm的輸出除了普通的字符之外，還有_來表示空白區(qū)域，兩個_之間重復(fù)出現(xiàn)的往往需要被過濾器合并，滿足過濾器前的所有正樣本有很多種，總的來說，就是一個類似曼哈頓道路的序列路徑（類似，但絕對不是） 總之，生成這樣的道路可以根據(jù)規(guī)則生成，而在計算關(guān)鍵的CTC loss的時候，往往采用的是動態(tài)規(guī)劃的思想進(jìn)行計算

雙向RNN后接一個全連接層，輸入為RNN層（在某個時刻）輸出的特征圖，輸出為該位置是背景、字符表中文字的概率。全連接層后接CTC（聯(lián)結(jié)主義時間分類器）作為損失函數(shù)。在訓(xùn)練時，根據(jù)每個時刻對應(yīng)的文字、背景概率分布，得到真值字符串在圖像中出現(xiàn)的概率P(ground truth)，將-log(P(ground truth))作為損失函數(shù)。在測試時，CTC可以看作一個解碼器，將每一時刻的預(yù)測結(jié)果（當(dāng)前時刻的最大后驗概率對應(yīng)的字符）聯(lián)合起來，然后去掉空白和重復(fù)的模式，就形成了最終的序列預(yù)測結(jié)果，如圖所示

從上圖中也可以看出，對應(yīng)輸入序列中的每個字符，LSTM輸出層都會產(chǎn)生明顯的尖峰，盡管該尖峰未必對應(yīng)字符的中心位置。換句話說，引入CTC機制后，我們不需要考慮每個字符出現(xiàn)的具體位置，只需關(guān)注整個圖像序列對應(yīng)的文字內(nèi)容，最終實現(xiàn)深度學(xué)習(xí)的端到端訓(xùn)練與預(yù)測。

基于上述序列學(xué)習(xí)框架，我們給出了在不同場景下的文字行識別結(jié)果，如圖18所示。其中前兩行的圖片為驗證碼場景，第三行為銀行卡，第四行為資質(zhì)證件，第五行為門頭圖，第六行為菜單。可以看到，識別模型對于文字形變、粘連、成像的模糊和光線變化、背景的復(fù)雜等都有較好的健壯性。

CTC Loss

舉個例子

• 如果我們的標(biāo)簽序列，就是真實的數(shù)據(jù)“水煮肉片22元”，長度設(shè)為L，加入blank空格之后，長度為多少？

“_水_煮_肉_片_2_2_元_”
2*L+1

• 最終將預(yù)測的序列：

• 連續(xù)相同的字符去重！
• 去除空字符！

• 所以我們要想我們的預(yù)測序列可以經(jīng)過上述的去重去空格得到正確答案，所以我們是不是在訓(xùn)練模型的時候，就要給RNN準(zhǔn)備各種可能的路徑~

各種可能的路徑是不是要根據(jù)之前的“_水_煮_肉_片_2_2_元_”來構(gòu)建

• 為了最終去重去空格可以不會錯，那么我們在構(gòu)建各種可能的路徑時候就需要加入一些約束條件！
• 方向只能向下和向右(向下其實是指斜向下)
• 相同的字符之間要有一個空字符（這是指22這個中間必須要有一個_，而不是不能出現(xiàn)‘22_2’這種情形）
• 非空字符不能被跳過（不能少字）
• 起點必須從前兩個字符開始
• 終點必須在結(jié)尾兩個字符結(jié)束

CTC Loss求解的是所有可能路徑的對數(shù)概率之和最大，用到動態(tài)規(guī)劃的思想；動態(tài)規(guī)劃需要初始條件和狀態(tài)轉(zhuǎn)移方程

符號記法s表示狀態(tài)（字符）,t表示時刻，f表示狀態(tài)概率函數(shù), p表示該狀態(tài)的輸出概率（bilstm的輸出概率）

• 情況一： 第s個字符是blank(因為上一個blank后面不能跨過字符接blank)
  $$f_t(s)=(f_{t?1}(s)+f_{t?1}(s?1))?p(s)$$
• 情況二：第s個字符和第s-2個字符相同(因為兩個相同字符間必須接blank)
  $$f_t(s)=(f_{t?1}(s)+f_{t?1}(s?1))?p(s)$$
• 其他情況
  $$f_t(s)=(f_{t?1}(s)+f_{t?1}(s?1)+f_{t?1}(s?2))?p(s)$$

最后把$f_T(S)$和$f_T(S?1)$的和最大化即可

CTC算法特性

• 條件獨立性，CTC loss最開始是用在語言識別的，后來才用于OCR

• 比如一個人去說“三個A”，輸出有兩個，AAA，triple A； 它不會學(xué)到任何語言模型的知識，更像n-gram的統(tǒng)計語言模型

• CTC算法不需要訓(xùn)練數(shù)據(jù)對齊（給規(guī)則即可）

• CTC要求對齊的方式是單調(diào)的（水煮肉片 22元與22元 水煮肉片是不同的），像機器翻譯的任務(wù)就不適合用CTC Loss

• CTC要求輸入和輸出是多對一的關(guān)系，有的任務(wù)是需要嚴(yán)格一對一關(guān)系，比如詞性標(biāo)注也不適合用CTC Loss

• CTC要求輸出要比輸入短（如63個時刻，7個輸出）

數(shù)學(xué)表達(dá)

$$\begin{array}{rl}{L}_{CTC}(X,W)& =?\log \sum _{C:K(C)=W}p(C|X)\\ & =?\log \sum _{C:K(C)=W}\prod _{t=1}^{T}p(c_t|X)\end{array}$$
其中，$W$表示滿足條件的所有序列形式，T表示時刻數(shù)，$p(c_t|X)$則是LSTM給出的概率值

除此之外，還有一種表示所有路徑可能的形式

• ${\alpha }_t(s)$表示從開始到時刻t，狀態(tài)s的所有路徑的概率
  $${\alpha }_t(s)=\sum _{\pi \in K({\pi }_{1:t})=l_{1:s}}\prod _{t^{\prime }=1}^t{y}_{{\pi }_t^{\prime }}^{t^{\prime }}$$
• ${\beta }_t(s)$表示從時刻t，狀態(tài)s到結(jié)束的所有路徑的概率
  $${\beta }_t(s)=\sum _{\pi \in K({\pi }_{t:T})=l_{s:|l|}}\prod _{t^{\prime }=1}^t{y}_{{\pi }_t^{\prime }}^{t^{\prime }}$$
  很容易證明
  $$\frac{{\alpha }_t(s){\beta }_t(s)}{y_s^t}=\frac{{\sum }_{\pi \in K^{?1}(l):{\pi }_t=s}{y}_s^t{\prod }_{t=1}^T{y}_{{\pi }_t}^t}{y_{l_s}^t}=\sum _{\pi \in K^{?1}(l):{\pi }_t=s}\prod _{t=1}^T{y}_{{\pi }_t}^t$$
  $$p(l|x)=\sum _{\pi \in K^{?1}(l)}p(\pi |x)=\sum _{\pi \in K^{?1}(l)}\prod _{t=1}^T{y}_{{\pi }_t}^t=\sum _{\pi \in K^{?1}(l):{\pi }_t=s}\frac{{\alpha }_t(s){\beta }_t(s)}{y_{{\pi }_t}^t}$$
  $p(l|x)$可以理解為所有路徑之和

現(xiàn)在我們要做的事情就是：通過梯度$\frac{?p(l|x)}{?y_t^k}$調(diào)整LSTM的參數(shù)w，使得對于輸入樣本為$x\in K^{?1}(z)$時有 $p(l|x)$ 取得最大。所以如何計算梯度才是核心
$$\frac{?p(l|x)}{?y_t^k}=\frac{?{\sum }_{\pi \in K^{?1}(l):{\pi }_t=s}\frac{{\alpha }_t(s){\beta }_t(s)}{y_{{\pi }_t}^t}}{?y_t^k}=?\frac{{\sum }_{\pi \in K^{?1}(l):{\pi }_t=s}\frac{{\alpha }_t(s){\beta }_t(s)}{y_{{\pi }_t}^t}}{(y_t^k{)}^{?2}}$$

注意 這些符號記法不是關(guān)鍵，核心就是動態(tài)規(guī)劃的思想，只要能推出完整的動規(guī)路徑，就很容易去追蹤導(dǎo)數(shù)…

總結(jié)

以上是生活随笔為你收集整理的OCR光学字符识别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。