字符识别
文章目录
-
- CRNN
- RARE
- ESIR
- What Is Wrong With Scene Text Recognition Model Comparisons? Dataset and Model Analysis （CVPR2019）
- 2D Attention Network for Scene Text Recognition（2019）
- SEED （CVPR2020）
- Towards Accurate Scene Text Recognition with Semantic Reasoning Networks(CVPR2020)
- 端到端 检测+识别
-
- FOT
- STN—OCR
- Integrated Framwork
- MORAN
- AON
- 数据集
字符识别是基于文字序列识别
大多是检测+识别的两个步骤
检测模型大多基于Faster R-CNN、 SSD 、 FCN 等通用模型针对区域候选网络 、 多目标协同训练 、 特征提取 、 非极大值抑制 、 半监督式学习等方向进行改进
字符识别，指的是对已分割出的文字区域进行识别文字内容
CRNN
( Convolutional Recurrent Neural Network)
42 Shi Baoguang,Bai Xiang,Yao Cong. An end - to - end trainable neural network for image-based sequence recognition and its application to scene text recognition[J] . 2015
特征提取层包含 CNN和 BLSTM，可进行端到端的训练。
RARE
( Robust text recognizer with Automatic Rectification)
43 Shi Baoguang, Wang Xinggang, Lyu Pengyuan, et al. Roust scene text recognition with automatic rectification CVPR2016
ESIR
44 ESIR: End - to - end scene text recognition via iterative image rectification CVPR2016
包含两部分，一个是迭代的文本校正网络 , 另一个是序列识别网络
What Is Wrong With Scene Text Recognition Model Comparisons? Dataset and Model Analysis （CVPR2019）
http://cn.arxiv.org/pdf/1904.01906v4
大佬写的综述类似物
2D Attention Network for Scene Text Recognition（2019）
继 Transformer-based-OCR 后又一篇基于语言、翻译模型架构的不规则文字识别的paper，主要贡献如下：
论文 http://cn.arxiv.org/pdf/1906.05708v1
attention部分使用多层双向transformer的block（BERT）替代了单transformer block；
label只用于计算loss，不用作网络输入，因此output过程是一次性输出整个字符串，精度和inference速度较之Transformer-based OCR都有所改善；
decoder部分串联了一个BERT attention模块，增强了输出节点间(每个字符作为一个节点)的依赖关系；
支持多行字符识别；
SEED （CVPR2020）
CVPR2020, SEED: Semantics Enhanced Encoder-Decoder Framework for Scene Text Recognition，中科院；国科大
Zhi Qiao, Yu Zhou, Dongbao Yang, Yucan Zhou, Weiping Wang
作者认为许多encoder-decoder模型都只利用了局部视觉特征而没有考虑全局的语义信息，无法处理遮挡，模糊.
文本识别可看做交叉形态的任务，语义信息可以减少专注于视觉特征的encoder和专注于语言信息的decoder之间的分歧。
1 使用NLP的词嵌入(word embedding)来进行监督。（监督编码模块，初始化解码模块）
2. 将ASTER方法整合进模型中
encoder decoder + attention + NLP的语义模型进行字符识别
使用FastText模型解决了Out-of-vocabulary（OOV）问题（OOV就是测试集中出现了训练集没有的单词组合）
NLP中FastText：
仅考虑字符级别，无法对于一个单词的高层次语义进行有效表征，因此NLP模型就考虑通过一个语句中的上下文信息来训练词嵌入模型。
FastText是一种skip-gram的词嵌入模型，简单而言就是通过一个词语来预测其上下文来训练一个词嵌入模型。
语义增强模型：四个部分
1 纠正模块，纠正倾斜文字。
2编码器：用于提取视觉特征,包括：45-layer的Resnet和2-layer的双向LSTM。它的输出是一个特征序列，shape为L x C，L是CNN最后一层特征width，C是depth
3语义模块：预测视觉特征的语义信息，语义特征序列又两个线性函数产生：
4解码器：用于记录最终的识别结果，使用Bahdanau-Attention mechanism,它包括一个GRU，有512 个隐藏单元和512个注意力单元。
Loss部分
SE-ASTER是端对端训练，loss函数如下：
Lrec是交叉熵loss，是目标的预测概率，Lsem就是cosine embeding loss预测语义信息。\lambda是超参数用于平衡两个loss，作者设定值为1.
S是预测的语义信息，em来自与FastText模型的词嵌入；
Towards Accurate Scene Text Recognition with Semantic Reasoning Networks(CVPR2020)
Towards Accurate Scene Text Recognition With Semantic Reasoning Networks国科大；百度；中科院
Deli Yu, Xuan Li, Chengquan Zhang, Tao Liu, Junyu Han, Jingtuo Liu, Errui Ding
代码https://github.com/chenjun2hao/SRN.pytorch
SRN四个组成部分：
1.Backbone
2.并行的视觉特征提取模型PVAM
3.全局语义推理模块GSRM
4.视觉语义融合的解码器VSFD
为了打破传统Attention机制的时间依赖特性，PVAM会针对文本行中的每个字符，计算出相应attention map ，通过将其与feature map逐像素加权求和，我们便得到每个目标字符对应的的视觉特征 。另外，PVAM也用字符的阅读顺序 取代上一时刻隐变量 来引导计算当前时刻的attention map ，如下公式。这样PVAM打破了时间依赖，实现了并行提取视觉特征的目的。
端到端 检测+识别
FOT
45 Liu Xuebo,Liang Ding,Yan Shi,et al. FOTS: Fast oriented text spotting with a unified network CVPR2018
端到端，检测识别共享卷积，引入旋转ROI，支持倾斜
STN—OCR
46 paper：Christian Bartz,Yang Haojin,Christoph Meinel. STN -OCR: A single neural network for text detection and text recognition[ CVPR) ,2017
内嵌STN等同于数据增强，半监督学习，只需标注文本内容，不需要文本位置信息
Integrated Framwork
47 Sui Wanchen, Zhang Qing, Yang Jun, et al. A novel integrated framework for learning both text detection and recognition ICPR 2018
MORAN
48 Luo Canjie,Jin Lianwen,Sun Zenghui. MORAN: A multi-object rectified attention network for scene text recognition 2019
校正自网络MORN+识别自网络ASRN。
MORN使用像素级弱监督，纠正形状
ASRN二者端到端学习，不需标记字符位置
AON
49 （Arbitrary Orientation Network）提取四个方向场景文本信息，，滤波门FG ， Attention-Based解码，端到端训练
Cheng Zhanzhan,Xu Yangliu,Bai Fan,et al. AON: Towards arbitrarily - oriented text recognition 2018
数据集
大型图文识别训练和测 试 数 据 集 如 下 :
CTW( Chinese Text in the Wild) 数 据 集 [53 ] 、
RCTW - 17( Reading Chinese Text in the Wild) 数据集 [54 ] 、
ICPR MWI 2018 挑 战 赛 数 据 集 、
Total - Text 数 据 集 [55 ] 、
Google FSNS ( 谷 歌 街 景 文 本 数 据 集 ) 数 据 集 [56 ] 、
COCO -TEXT 数据集 [57 ] 、
Synthetic Data for Text Localization 自 然 场 景 文 本 数 据 [58 ] 、
Synthetic Word Dataset、
Caffe - ocr 中 文 合 成 数 据 、
ICDAR15 数 据[59 ]、
SVT - Perspective [60 ] 数据集和
CUTE80 [61 ] 数据集等 。
47]Sui Wanchen, Zhang Qing, Yang Jun, et al. A novel integrated framework for learning both text detection and recognition 2018
48 [ 48] Luo Canjie,Jin Lianwen,Sun Zenghui. MORAN: A multi-object rectified attention network for scene text recognition 2019
49 Cheng Zhanzhan,Xu Yangliu,Bai Fan,et al. AON: Towards arbitrarily - oriented text recognition 2018