文章目錄

• • 1 概述
  • 2 模型介紹
  • • 2.1 輸入
    • 2.2 Feature extraction
    • 2.3 Sequence modeling
    • 2.4 Transcription
    • • 2.4.1 訓練部分
      • 2.4.2 預測部分
  • 3 模型效果
  • 參考資料

1 概述

CRNN(Convolutional Recurrent Neural Network)是2015年華科的白翔老師團隊提出的，直至今日，仍舊是文本識別領域最常用也最好用的方法。CRNN主要由三部分組成，分別是feature extraction，sequence modeling和transcription，如下圖1-1所示。

圖1-1 CRNN總體結構圖

feature extraction用于按寬度抽取圖像特征，sequence modeling用于融合這些特征并輸出label的預測分布，transcription用于將這個特征序列轉化為文本。

CRNN強大的地方就是它只是一個框架，其中的feature extraction和sequence modeling部分都是可以替換成不同的模型的，比如feature extraction部分，可以換成任意的抽取圖像特征的模型，想要追求性能就換成小模型，想要追求效果就換成大模型，非常靈活。

2 模型介紹

2.1 輸入

輸入是一般是文本檢測的輸出，一個長條形的圖片，是橫向長條的，因為我們的文字都是橫著寫的。而且這一長條里只能有一行文字，不能多行。多行就得要切成多個單行的長條分別輸入。

文本有一些傾斜問題不大，但最好是在文本檢測部分調整，即在文本檢測部分檢測多邊形，再仿射變換成長條形，使得文本部分不傾斜。也有論文提出在CRNN的前面前置一個STN。STN要真的有效，需要有好的訓練數(shù)據(jù)。就算有好的數(shù)據(jù)，也降低了模型的總體性能，增大了模型的訓練難度。STN可以看成一個極簡版的物體檢測模塊。

輸入的尺寸一般為$h\times w\times c=32\times 280\times 3$，不是這個尺寸的就resize and pad成這個尺寸，盡量不要只resize，這會使得文字變形。輸入尺寸$w$會根據(jù)需求做調整，如果文本都是短文本，則可以考慮$w=100$。

2.2 Feature extraction

Feature extraction就是對$32\times 280\times 3$的輸入進行特征抽取的一個deep convolutional neural networks，輸出$1\times w/4\times d=1\times 70\times 512$的向量。$w/4$表示對$32\times 4$的一小塊圖片區(qū)域抽取一個512維的特征。這一小塊區(qū)域被稱為receptive field（感受野），或是幀。

圖2-1 特征抽取示意圖

幀的尺寸是可以變的，輸出的特征維度也是可以變的，這些都是超參數(shù)。也正是因為CRNN這種抽取特征的方式，使得它沒法辦法處理豎向的文本，所有高度上的像素都被壓到一個特征里了，分不開了。幀的尺寸決定了模型的精度，比如有兩個文字完全都在同一幀內，那模型就沒法把這兩個文字分開了，識別就有問題了。

要處理豎向的文本，需要訓練一個識別文本方向的分類網(wǎng)絡，然后根據(jù)文本的方向對豎向的文本進行旋轉或者切片拼接等不同的操作。目的就是變成CRNN可以處理的輸入。

2.3 Sequence modeling

我們令feature extraction部分的輸出為$\mathbf{x}=x_1,x_2,...,x_T$，$T=70$，$x_t$表示第$t$幀的特征，為一個512維的向量。假設字典的長度為$N$，Sequence modeling就是一個雙向的LSTM，輸出$\mathbf{y}=y_1,..,y_T$，$y_t$表示第$i$幀為每個字典中字符的概率，是一個$N+1$維的向量。

Sequence modeling部分的總輸出是一個$T\times (N+1)$的概率圖。

圖2-2 序列模型

使用雙向LSTM的好處是：
（1）文本是一個序列，抽取特征的CNN模型只能看到附近幾幀的圖片特征，而雙向LSTM可以融合更遠的特征，使得模型看到完整的整個字；
（2）LSTM可以和CNN使用Back-Propagation Through Time (BPTT)的方法拼接起來一起訓練；
（3）LSTM可以處理任意長度的輸入。

2.4 Transcription

這部分是使用CTC來做的，它在訓練和預測時有著不同的處理方法。2.3中的$\mathbf{y}$之所以維度為$N+1$就是因為CTC需要一個空白符"$?$"。CTC的對齊基于兩個規(guī)則：

（1）先合并所有的重復字符；
（2）再刪除所有的空白符。

比如，下面兩個序列$\mathbf{s}$經(jīng)過對齊之后，都是"Hello"。

$$\begin{gathered} H?eee?lll???lll?oo \\ Hee??lll??llll?ooo \end{gathered}$$

2.4.1 訓練部分

訓練時，我們是知道文本標簽的。

假設我們的訓練數(shù)據(jù)為$\{{\mathbf{I}}_i,{\mathbf{l}}_i\}$，${\mathbf{I}}_i$為第$i$張訓練圖片，${\mathbf{l}}_i$為第$i$張圖片的文本標簽，${\mathbf{y}}_i$為第$i$張圖片的預測概率圖（序列都用粗體進行了表示）。我們的目標就是

$$arg\min ?\sum _{i}logp({\mathbf{l}}_i|{\mathbf{y}}_i)\text{\hspace{1em}(2-1)}$$

其中，$p({\mathbf{l}}_i|{\mathbf{y}}_i)$表示用概率圖${\mathbf{y}}_i$得到文本序列${\mathbf{l}}_i$的概率。

$$p({\mathbf{l}}_i|{\mathbf{y}}_i)=\sum _{\mathbf{s}:\mathrm{B}(\mathbf{s})={\mathbf{l}}_i}p(\mathbf{s}|{\mathbf{y}}_i)\text{\hspace{1em}(2-2)}$$

$\mathbf{s}$表示可以變成文本$\mathbf{l}$的一條路徑，$\mathrm{B}(\mathbf{s})$表示對$\mathbf{s}$進行CTC對齊操作。$p({\mathbf{l}}_i|{\mathbf{y}}_i)$也就是所有可以從$\mathbf{s}$變?yōu)?span id="ozvdkddzhkzd" class="katex--inline">${\mathbf{l}}_i$的路徑概率和。

$$p(\mathbf{s}|{\mathbf{y}}_i)=\prod _{t=1}^T{y}_{s_t}^t\text{\hspace{1em}(2-3)}$$

要找到所有可以從$\mathbf{s}$變?yōu)?span id="ozvdkddzhkzd" class="katex--inline">${\mathbf{l}}_i$的路徑，用枚舉法是不行的，這里一般會用HMM中的前向后向算法，也就是動態(tài)規(guī)劃。

2.4.2 預測部分

預測時，我們是不知道文本標簽的。

這個時候要去計算所有可能的文本序列的概率，再找到最大的，簡直無法想象。所以預測時，我們只能寄希望于模型訓練的足夠好，每一幀都預測得很準。然后用greedy search或者beam search的方法來找到最有路徑。

greedy search是實際最常用的方法，就是取每幀概率最大的標簽。

beam search是在每幀去概率最大的前n條路徑，一直保留n條概率最大的路徑，直到最后一幀，當n取1時，beam search就退化為greedy search。

以上說的都是只有字典的情況，當我們有詞表lexicon時，我們可以根據(jù)結果，取編輯距離小于$\delta$的所有詞，然后再看取這些詞時，概率最大的是哪個詞，以此確定最終的輸出。

3 模型效果

作者還對比了不同數(shù)據(jù)集下，CRNN對比其他模型的效果，不過這都是2015年的時候的了，看看即可。

不如看下百度開源的paddle-ocr里的對比結果。CRNN雖然不是準確率最高的，但是是paddle-ocr最推薦的算法。它的效果和性能的綜合優(yōu)勢是最高的。

參考資料

[1] An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition
[2] 一文讀懂CRNN+CTC文字識別
[3] PaddleOCR

總結

以上是生活随笔為你收集整理的论文阅读 - CRNN的全部內容，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)站內容還不錯，歡迎將生活随笔推薦給好友。