Facebook OCR识别工作：Rosetta

本篇介绍的是FaceBook在KDD 2018上公开的一篇关于工业级应用OCR系统，名字叫Rosetta. FaceBook用这个系统用来处理 Facebook 社交网络上的数亿张图像，提取文字信息，为下游任务提供大量数字化资源。

这篇工作的主要亮点是: 给出了工业级OCR应用如何在性能和效果作tradeoff，对完成高性能的OCR识别任务有实用的参考价值。

1.OCR简介

OCR即光学字符识别，主要目标是识别和提取图片中的文字信息，一般流程分为以下三个步骤。

例如下面的图片中，文字框检测先提取出红色的单词框，文字识别再识别出具体的单词。

中文没有空格，所以文字框检测可以去检测单独的字，或者直接检测文字行。如果检测目标是单独的一个字，文字识别任务就是一个多分类，每一类代表一个中文字符；如果检测目标是文字行，文字识别就是识别一行字。这篇工作检测的文字框是一个单词，其解法可以类比到中文的文字行OCR识别。

对于任何的机器学习问题，大量的高质量标注数据都是非常关键的，OCR问题的一个优势是可以自动构造生成无穷无尽的训练数据。围绕OCR数据生成也有很多相关工作，可以将各种字体、大小、角度等变化的文字加入到各种背景图中，产生OCR任务的训练数据。

2.模型架构

模型架构分成完全分离的两个步骤，文字框检测采用Faster-RCNN，文字识别采用CTC损失的全卷积网络。两个步骤独立训练，在预测的时候也是分离的，这样解耦的好处是可以独立部署，分别做并行化。可以支持共用一套文字框检测，有不同的文字识别模型。

3.文字框检测：

在步骤一的文字框检测中，基于OCR任务，对Faster-RCNN主要做的改进包括：

1）CNN特征提取，对比了ResNet50和ResNet18以及ShuffleNet，发现SuffleNet效果非常高，而且性能更高，所以选择了SuffleNet。

2）文字检测的训练方法，对比了几种预训练手段，最佳的方式是：先用人工合成的假数据，再用开源数据COCO-text，最后用人工标注的真实场景数据。

3）对比不同的NMS选择方案, linear softNMS最佳。

4）Anchor的长宽比

 5）RPN候选数量与性能的trade off

6）输入图片像素大小在效果和性能上的tradeoff，发现大于800像素会对性能有比较大的影响。最后选择的输入是600*800.

4.文字识别：

文字识别选择的模型是全卷积网络+CTC loss，全卷积网络可以支持不固定尺寸的输入，预测不定长的文字。未加入RNN block（如lstm或gru）主要是为了优化性能，并且对精确度损失不大。CNN层对比各种网络结构后选择了Res-net 18.

全卷积的最后一层对应了图中字符（即字母或空格等）的识别，输出是真实的单词。这两层之间可以选择字符级的联合概率最大，或者CTC loss。CTC loss的参数更少，效果更佳。

CTC loss在语音识别和OCR任务中都非常常见，原理看上去有些晦涩，它把整个问题的联合概率转化成了一个有向的概率图模型，用前向后向算法降低了计算复杂度。

关于CTC Loss的详细介绍不再展开，可以参考：CTC loss: https://distill.pub/2017/ctc/。

文字识别模型的其它优化点：

1）文字识别模型的输入是上一步产生的文字框，在此之前的很多工作采用了固定尺寸的输入，如32*100，这种做法产生的文字拉伸比较严重。本工作中，只有超过32*128像素的才会resize，没达到这个像素的在右侧加padding，使大部分input数据尽可能保留原始的长宽比。预测时，宽resize到32，保留长宽比，这样尽可能保证输入不会变形。

2）CTC loss在训练时不易收敛，解法有两种，一种是采用由易到难的训练方法，先训练简单任务，如只包含少于3个字符的，再逐步增加字符长度。另一种是先训练字符模型，复用字符模型的CNN层权重作为ctc loss模型的初始权重。

3）数据的最佳训练方式是先在构造数据集上训练，然后在人工标注的真实数据集上继续训练。

4）训练时发现如果文字框检测出现一些偏差，有时并不影响文字识别模型的正确召回。所以在做文字识别任务时，还对上一阶段产生的框进行了数据增强，加噪声后的文字识别模型更加地鲁棒。这个操作可以提升整体1.54%的准确率。

5. 相关资源：

文字框检测部分依赖于已经开源的faster-rcnn：

Detectron: FAIR’s research platform for objectdetection research, imple- menting popular algorithms like Mask R-CNN and RetinaNet. (2018).

https: //github.com/facebookresearch/Detectron/

文字识别模型未开源。

论文链接：http://www.kdd.org/kdd2018/accepted-papers/view/rosetta-large-scale-system-for-text-detection-and-recognition-in-images