(2)OCR学习-CTC相关

一、CTC是什么？

CTC可以生成一个损失函数，用于在序列数据上进行监督式学习，不需要对齐输入数据及标签，经常连接在一个RNN网络的末端，训练端到端的语音和文本识别系统。(一句话总结就是当label长度小于input长度时，如何做损失函数。)原文

二、CTC过程

CTC网络的输入

 

CTC网络的输入是一个样本（图像）经过网络（一般是CNN+RNN）计算后生成的特征向量（特征序列）。

特征序列里各个向量是按序排布的，是从图像样本上从左到右的一个个小的区间映射过来的，可以设置区间的大小（宽度），宽度越小，获得的特征序列里的特征向量个数越多，极端情况下，可以设置区间宽度为1,这样就会生成width（图像宽度）个特征向量。

 

CTC网络的计算过程

 

CTC网络的计算是为了得到特征序列最可能对应的标签对象，对语音识别是一段话，对文本识别是一段文字。

1. 计算特征序列里N个特征向量分别对应的n个可能结果的概率。如果当前的特征向量的预测结果不在样本标签列表里，就置预测结果为blank空格或下划线。计算结果从一个N维的特征序列，得到一个N×n的预测序列。

2.  计算N×n的预测序列对应的所有可能的结果的概率，中间涉及到去除重复字母和blank的操作。
N×n个特征向量对应的所有可能结果有n的N次方个，涉及到组合学，计算所有可能概率的成本会很高，但是CTC运用了动态规划以大幅降低计算的复杂性。

 

CTC网络的输出

 

对识别过程，取出最大概率对应的结果作为识别结果输出;
对训练过程，取最大概率对应的结果跟真实标签之间的差异（计算编辑距离等方法），作为训练Loss，反向传输给前端网络。
 

CTC计算过程示意图：