零基础入门CV赛事—街景字符编码识别—task1赛题理解

街景字符编码识别

零基础入门CV赛事- 街景字符编码识别是Datawhale联合天池举办的CV入门学习赛，赛题以计算机视觉中字符识别为背景，要求选手预测真实场景下的字符识别，这是一个典型的字符识别问题。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。

数据集

数据来源

赛题来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到比赛数据集。

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。

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

用[top,left]和[height,width]两组坐标就可以在图片中具体表示字符的位置和大小了。

评测标准

评价标准为准确率，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，结果越大越好，具体计算公式如下：
$$score=\frac{编码识别正确的数量}{测试集图片数量}$$

标签数据读取

数据标签用json.load()读取，下面的代码可以读取图片文件和标签文件，然后获取图像位置，再把框里的图像单独显示出来。

import json
train_json = json.load(open('../input/train.json'))

# 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

img = cv2.imread('../input/train/000000.png')
arr = parse_json(train_json['000000.png'])

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]):
   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([])

解题思路

看到这个问题，我的第一个想法就是Faster R-CNN目标检测。但论文太长看不下去，在知乎上看到一篇很详细的Faster RCNN解析。学完这篇文章后，对Faster RCNN有了整体性的认识，但达不到空手编程的地步。扯远了。
后来我查文献找到了一篇Google自己解决这个问题的论文Multi-digit Number Recognition from Street View Imagery using Deep Convolutional Neural Networks
这个论文的核心就是多任务，卷积网络提取特征，多个全连接层分别预测出数字个数和每个数字的值。由于每张图片上数字个数不同，多出的用10表示空白。具体可以看论文。
Datawhale给出了三种思路：

简单入门思路：定长字符识别

定长字符识别就是Google那篇文章的思路。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，原始赛题变为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。
这个入门思路比Google的论文更简化了一点，去掉了预测数字个数的输出，但这个是baseline，目的是给选手更多的发挥空间。

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。
CRNN的结构是CNN-RNN-CTC，CNN提取特征，RNN预测出不太好的序列，CTC把不太准确的序列翻译成正确的词。详细可以看论文和大佬们的博客。

专业分类思路：检测再识别

这种思路就要用到目标检测了，Faster R-CNN、YOLO等方法挺强。
因为数据集里给出了每个数字的位置框，这正是目标检测的保准数据格式，在我看来想拿名次，必定要走这个思路。
Faster RCNN有好多详细介绍的博客，这里就不再赘述。

小节

综上所述，一共有三种思路，第一种思路是baseline，要想拿高分，就在下面两种思路里做工作吧。冲吧！看论文吧！debug吧！