Datawhale 零基础入门CV赛事-Task1 赛题理解
本章内容将会对街景字符识别赛题进行赛题背景讲解，对赛题数据的读取进行说明，并给出集中解题思路。
1 赛题理解
- 赛题名称：零基础入门CV之街道字符识别
- 赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。
- 赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。
为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很多相应的paper作为思路参考。
1.1 赛题数据
赛题以街道字符为为赛题数据，数据集报名后可见并可下载，该数据来自收集的SVHN街道字符，并进行了匿名采样处理。
注意: 按照比赛规则，所有的参赛选手只能使用比赛给定的数据集完成训练，不能使用SVHN原始数据集进行训练。比赛结束后将会对Top选手进行代码审核，违规的选手将清除排行榜成绩。
训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。
需要注意的是本赛题需要选手识别图片中所有的字符，为了降低比赛难度，我们提供了训练集、验证集和测试集中所有字符的位置框。
1.2 数据标签
对于训练数据每张图片将给出对于的编码标签，和具体的字符框的位置（训练集、测试集和验证集都给出字符位置），可用于模型训练：
| Field | Description |
|---|---|
| top | 左上角坐标X |
| height | 字符高度 |
| left | 左上角最表Y |
| width | 字符宽度 |
| label | 字符编码 |
字符的坐标具体如下所示：
在比赛数据（训练集、测试集和验证集）中，同一张图片中可能包括一个或者多个字符，因此在比赛数据的JSON标注中，会有两个字符的边框信息：
| 原始图片 | 图片JSON标注 |
|---|---|
|
|
1.3 评测指标
选手提交结果与实际图片的编码进行对比，以编码整体识别准确率为评价指标。任何一个字符错误都为错误，最终评测指标结果越大越好，具体计算公式如下：
Score=编码识别正确的数量/测试集图片数量
1.4 数据下载
下面的代码可以直接根据mchar_data_list_0515.csv文件，将所有相关数据集下载，并保存到当前路径的data下
import requests
import pandas as pd
import os
import zipfile
data=pd.read_csv('data/mchar_data_list_0515.csv')
mypath='./data/'
if not os.path.exists(mypath):
os.makedirs(mypath)
# 下载数据
for i,link in enumerate(data['link']):
file_name = data['file'][i]
print(file_name, '\t', link)
file_name = mypath + file_name
if not os.path.exists(file_name):
response = requests.get(link, stream=True)
with open( file_name, 'wb') as f:
for chunk in response.iter_content(chunk_size=1024):
if chunk:
f.write(chunk)
# 解压数据
zip_list = ['mchar_train', 'mchar_test_a', 'mchar_val']
for little_zip in zip_list: # 卖萌可耻
if not os.path.exists(mypath + little_zip):
zip_file = zipfile.ZipFile(mypath + little_zip + '.zip', 'r')
zip_file.extractall(path = mypath )
mchar_train.zip http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_train.zip
mchar_train.json http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_train.json
mchar_val.zip http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_val.zip
mchar_val.json http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_val.json
mchar_test_a.zip http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_test_a.zip
mchar_sample_submit_A.csv http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_sample_submit_A.csv
1.5 读取数据
import json
import cv2
import numpy as np
import matplotlib.pyplot as plt
train_json = json.load(open('data/mchar_train.json'))
print(len(train_json)) # 训练集大小
list(train_json.keys())[:3]
30000
['000000.png', '000001.png', '000002.png']
train_json['000000.png']
{'height': [219, 219],
'label': [1, 9],
'left': [246, 323],
'top': [77, 81],
'width': [81, 96]}
# 数据标注处理
def parse_json(d):
arr = np.array([
d['top'], d['height'], d['left'], d['width'], d['label']
])
arr = arr.astype(int)
return arr
parse_json(train_json['000000.png'])
array([[ 77, 81],
[219, 219],
[246, 323],
[ 81, 96],
[ 1, 9]])
- 图片000000.png
img = cv2.imread('./data/mchar_train/000000.png')
arr = parse_json(train_json['000000.png'])
print("图片中可能包括{}个字符".format(arr.shape[1]))
plt.figure(figsize=(10, 10))
plt.subplot(1, arr.shape[1]+1, 1)
plt.imshow(img)
plt.xticks([]); plt.yticks([])
for idx in range(arr.shape[1]):# 多个标注字符
plt.subplot(1, arr.shape[1]+1, idx+2)
plt.imshow(img[arr[0, idx]:arr[0, idx]+arr[1, idx],arr[2, idx]:arr[2, idx]+arr[3, idx]])
plt.title(arr[4, idx])
plt.xticks([]); plt.yticks([])
图片中可能包括2个字符
- 图片000001.png
img = cv2.imread('./data/mchar_train/000001.png')
arr = parse_json(train_json['000001.png'])
print("图片中可能包括{}个字符".format(arr.shape[1]))
plt.figure(figsize=(10, 10))
plt.subplot(1, arr.shape[1]+1, 1)
plt.imshow(img)
plt.xticks([]); plt.yticks([])
for idx in range(arr.shape[1]):# 多个标注字符
plt.subplot(1, arr.shape[1]+1, idx+2)
plt.imshow(img[arr[0, idx]:arr[0, idx]+arr[1, idx],arr[2, idx]:arr[2, idx]+arr[3, idx]])
plt.title(arr[4, idx])
plt.xticks([]); plt.yticks([])
图片中可能包括2个字符
- 图片000020.png
img = cv2.imread('./data/mchar_train/000020.png')
arr = parse_json(train_json['000020.png'])
print("图片中可能包括{}个字符".format(arr.shape[1]))
plt.figure(figsize=(10, 10))
plt.subplot(1, arr.shape[1]+1, 1)
plt.imshow(img)
plt.xticks([]); plt.yticks([])
for idx in range(arr.shape[1]):# 多个标注字符
plt.subplot(1, arr.shape[1]+1, idx+2)
plt.imshow(img[arr[0, idx]:arr[0, idx]+arr[1, idx],arr[2, idx]:arr[2, idx]+arr[3, idx]])
plt.title(arr[4, idx])
plt.xticks([]); plt.yticks([])
图片中可能包括1个字符
从三个例子可以看出，图片的大小，标注的字符个数以及分辨率都可能不一样。
1.6 解题思路
赛题思路分析：赛题本质是分类问题，需要对图片的字符进行识别。但赛题给定的数据图片中不同图片中包含的字符数量不等，如下图所示。有的图片的字符个数为2，有的图片字符个数为3，有的图片字符个数为4。
| 字符属性 | 图片 |
|---|---|
| 字符：42 字符个数：2 |
|
| 字符：241 字符个数：3 |
|
| 字符：7358 字符个数：4 |
|
因此本次赛题的难点是需要对不定长的字符进行识别，与传统的图像分类任务有所不同。为了降低参赛难度，我们提供了一些解题思路供大家参考：
- 简单入门思路：定长字符识别
可以将赛题抽象为一个定长字符识别问题，在赛题数据集中大部分图像中字符个数为2-4个，最多的字符 个数为6个。
因此可以对于所有的图像都抽象为6个字符的识别问题，字符23填充为23XXXX，字符231填充为231XXX。
经过填充之后，原始的赛题可以简化了6个字符的分类问题。在每个字符的分类中会进行11个类别的分类，假如分类为填充字符，则表明该字符为空。
- 专业字符识别思路：不定长字符识别
在字符识别研究中，有特定的方法来解决此种不定长的字符识别问题，比较典型的有CRNN字符识别模型。
在本次赛题中给定的图像数据都比较规整，可以视为一个单词或者一个句子。
- 专业分类思路：检测再识别
在赛题数据中已经给出了训练集、验证集中所有图片中字符的位置，因此可以首先将字符的位置进行识别，利用物体检测的思路完成。
此种思路需要参赛选手构建字符检测模型，对测试集中的字符进行识别。选手可以参考物体检测模型SSD或者YOLO来完成。
2 参考资料：
- https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12586969.1002.6.2ce83fdft96KXS&postId=107990
- https://www.kaggle.com/olgabelitskaya/svhn-digit-recognition/data
- https://github.com/potterhsu/SVHNClassifier-PyTorch