推荐｜caffe-orc主流ocr算法：CNN+BLSTM+CTC架构实现！

2017 年 10 月 29 日 全球人工智能

简介

caffe_ocr是一个对现有主流ocr算法研究实验性的项目，目前实现了CNN+BLSTM+CTC的识别架构，并在数据准备、网络设计、调参等方面进行了诸多的实验。代码包含了对lstm、warp-ctc、multi-label等的适配和修改，还有基于inception、restnet、densenet的网络结构。代码是针对windows平台的，linux平台下只需要合并相关的修改到caffe代码中即可。

caffe代码修改

1. data layer增加了对multi-label的支持
2. lstm使用的是junhyukoh实现的lstm版本（lstm_layer_Junhyuk.cpp/cu），原版不支持变长输入的识别。输入的shape由(TxN)xH改为TxNxH以适应ctc的输入结构。
3. WarpCTCLossLayer去掉了对sequence indicators依赖（训练时CNN输出的结构是固定的），简化了网络结构（不需要sequence indicator layer）。
4. densenet修改了对Reshape没有正确响应的bug，实现了对变长输入预测的支持。
5. 增加transpose_layer、reverse_layer，实现对CNN feature map与lstm输入shape的适配

编译

1. 安装opencv,boost,cuda,其它依赖库在3rdparty下（包含debug版的lib:http://pan.baidu.com/s/1nvIFojJ）
2. caffe-vsproj下为vs2015的工程，配置好依赖库的路径即可编译，编译后会在tools_bin目录下生成训练程序caffe.exe
3. 相关的依赖dll可从百度网盘下载（http://pan.baidu.com/s/1boOiscJ）

实验

数据准备
（1）VGG Synthetic Word Dataset
（2）合成的中文数据（http://pan.baidu.com/s/1c2fHpvE）

数据是利用中文语料库（新闻+文言文），通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成的。

字典中包含汉字、标点、英文、数字共5990个字符（语料字频统计，全角半角合并）

每个样本固定10个字符，字符随机截取自语料库中的句子

图片分辨率统一为280x32

共生成约360万张图片，按9:1分成训练集、验证集（暂时没有分测试集）

网络设计
网络结构在examples/ocr目录下
主要实验结果

英文数据集 VGG Synthetic Word Dataset:

中文数据集:

中文数据集上训练好的模型：
http://pan.baidu.com/s/1i5d5zdN

说明：

CPU是Xeon E3 1230, GPU是1080TI

densenet使用的是memory-efficient版本，其CPU代码并没有使用blas库，只是实现了原始的卷积操作，速度非常慢，待优化后再做对比。

“res-blstm”表示残差形式的blstm，“no-blstm”表示没有lstm层，CNN直接对接CTC

准确率是指整串正确的比例,在验证集上统计,"准确率-no lexicon"表示没用词典的准确率，"准确率-lexicon-minctcloss"指先在词典中查找Edit Distance <=2的单词，再选择ctcloss最小的单词作为识别结果

predict-CPU/GPU为单张图片的预测时间，predict-CPU的后端是openblas，MKL比openblas快约一倍。中文数据集上图片分辨率为280x32，英文数据集100x32

densenet-sum-blstm-full-res-blstm相对于densenet-res-blstm有两点改动：（1）两个lstm结合成blstm的方式由concat改为sum；（2）两层blstm都采用残差方式连接（CNN最后的Channel数改为与blstm结点数相同），最后得到了最高的准确率。

一些tricks
（1）残差形式的blstm可显著提升准确率，中文数据集上0.94-->0.965，两层BLSTM都用残差后又提升到了0.9805
（2）网络的CNN部分相对于BLSTM部分可以设置更高的学习率，这样可以显著增加收敛速度
疑问
（1）去掉blstm，直接用CNN+CTC的结构，在中文数据集上也可以取得很高的准确率（densenet-no-blstm），为什么？
可能的原因：a）CNN最后一层得到的特征对于字符级别的建模已经具有很好表征，b)lstm收敛较慢，需要更长的时间才能达到相同的精度。
现存的问题
（1）宽度较小的数字、英文字符会出现丢字的情况，如“11”、“ll”，应该是因为CNN特征感受野过大没有看到文字间隙的缘故。