1:样本获取
**算法论文:** Synthetic Data for Text Localisation in Natural Images
**词库:** 英文词汇 经过处理后得到大约500兆 6000万词组
**字体:** ubntu系统下支持中文的字体,选了大概10种字体左右
**背景图片库:** 大约有一万张分割好的图片
**算法大致过程:** 随机从背景图片库中选出一张图片,随机从词库中选出一些词组,与背景图片分割
的块进行匹配,选好字体,颜色,大小,变换等信息,将词组写入背景块中,
扣取背景块矩形框作为一个个样本。
**样本类似**
2:网络设计:
网络:
1:input: 输入文字块,归一化到32*w 即height缩放到32,宽度按高度的比率缩 放,当然,也可以缩放到自己想要的宽度,如128(测试时统一缩放到[32,128],训练时为批次训练,缩放到[32,Wmax])
下面以32*128(w,h)分析
2:conv3层时数据大小为256*8*32,两个pooling层宽高各除以4
3:pooling2层时 步长为(2,1) dilation (1,1)
所以此时输出为256*4*33
4:bn层不改变输出的大小(就是做个归一化,加速训练收敛,个人理解),同样p3层时,w+1,所以pooling3层时,输出为512*2*34
5:conv7层时,kernel 为2*2,stride(1,1) padding(0,0)
Wnew = (2 + 2 * padW - kernel ) / strideW + 1 = 1
Hnew = 33
所以conv7层输出为512*1*33
6: 后面跟两个双向Lstm,隐藏节点都是256
Blstm1输出33*1*256
Blstm2输出33*1*5530 5530 = 字符个数 + 非字符 = 5529 + 1
最终的输出结果直观上可以想象成将128分为33份,每一份对应5530个类别的概率
3:实验结果
自动生成差不多150万个样本,测试集1500张左右,测试集全对率62%左右。因为硬件限制,所以样本较少,感觉样本数量应该要几千万甚至上亿,模型才会比较稳定。150万个样本训练也没收敛,还有2.5左右的cost.
4:CTPN+CRNN整合场景文字检测识别结果
没有进行版面分析,所以识别结果没有按顺序输出
其中标点符号训练集较少,错得较多。整体识别率感觉还行,如果加大训练样本至几千万,上亿,模型应该会比较稳定,识别也会比较好