论文笔记：An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application

1.历史方法

1）基于字符的DCNN,比如photoOCR.单个字符的检测与识别。要求单个字符的检测器性能很强，crop的足够好。

2）直接对图片进行分类。9万个单词，组合成无数的单词，无法直接应用

3）RNN,训练和测试均不需要每个字符的位置。但是需要预处理，从图片得到特征序列，独立做的，无法端到端。

2.propose method

1)端到端

2）任意长度

3）模型尺寸小

4）不针对特定字典，有无字典表现都很好

3.network如图

图：

1）输入图片高度要一致

2）（创新性的地方） map2seq ：在最后一个卷基层输出的所有通道上，从左到右逐列拼接，得到特征序列。按照宽度为1来输入到LSTM，这样可能多个长条特征才会cover一个单词。

图：

3）bp时需要seq2map，把梯度再拼成map

4）BLSTM利用双向信息，并stacked更深

5）标注序列的概率，通过CTC Layer,label不用具体到每个字符。

公式图：

任意一个label序列的概率 = 它的不同对齐方式的概率之和。

主要是空格以及重复字母的影响

note:注意映射的时候是 先删除重复的字母， 后删除空格。

示意图：“AAA” … “AA”是LSTM输出的不同预测的一个分布。 

6)优化方法采用adadelta。SGD似乎不work。

7）trick:长方形池化,BN

end