Datawhale 零基础入门CV赛事-Task1 赛题理解
赛题名称:零基础入门CV赛事-街道字符识别
赛题地址
赛题目标:通过这道赛题可以引导大家走入计算机视觉的世界,主要针对竞赛选手上手视觉赛题,提高对数据建模能力。
赛题任务:赛题以计算机视觉中字符识别为背景,要求选手预测街道字符编码,这是一个典型的字符识别问题。
为了简化赛题难度,赛题数据采用公开数据集SVHN,因此大家可以选择很多相应的paper作为思路参考。
1. 学习目标
(1) 理解赛题背景和赛题数据
(2) 完成赛题报名和数据下载,理解赛题的解题思路
2.赛题数据
数据来自SVHN街道字符,并进行了匿名采样处理。
训练集数据包括3W张照片,验证集数据包括1W张照片,每张照片包括颜色图像和对应的编码类别和具体位置;为了保证比赛的公平性,测试集A包括4W张照片,测试集B包括4W张照片。例如:
赛题的目标是识别图片中的全部字符。
数据分为两部分,每个照片的png图像文件和全部照片的JSON数据文件。
JSON文件中的每条数据有5个属性,如下表所示:
Field | Description |
---|---|
top | 左上角坐标X |
height | 字符高度 |
left | 左上角坐标Y |
width | 字符宽度 |
label | 字符编码 |
具体图解如下图所示:
对于图片中的每个字符,它的上述五个属性都被保存在JSON数据中对应属性的数组中。由于每幅图片中的字符数量不等,数组的长度也是变长的。
下面给出JSON中标签的读取方式:
#载入工具包
import json
import cv2
import numpy as np
import matplotlib.pyplot as plt
#根据json文件的位置相应修改路径字符串
train_json = json.load(open('../data/mchar_train.json'))
# 数据标注处理
def parse_json(d):
arr = np.array([
d['top'], d['height'], d['left'], d['width'], d['label']
])
arr = arr.astype(int)
return arr
#根据训练数据的位置相应修改路径
img = cv2.imread('../data/mchar_train/000000.png')
arr = parse_json(train_json['000000.png'])
plt.figure(figsize=(10, 10))
plt.subplot(1, arr.shape[1]+1, 1)
plt.imshow(img)
#去掉坐标轴
plt.xticks([]); plt.yticks([])
for idx in range(arr.shape[1]):
plt.subplot(1, arr.shape[1]+1, idx+2)
plt.imshow(img[arr[0, idx]:arr[0, idx]+arr[1, idx],arr[2, idx]:arr[2, idx]+arr[3, idx]])
plt.title(arr[4, idx])
plt.xticks([]); plt.yticks([])
运行结果如图所示:
如图,可以根据提供的数据获得图片中所有字符的位置框,并将其切分出来,并得到相应字符对应的编码即标签。将以上作为训练数据,训练分类模型从而得到字符识别模型。
3. 评测指标
选手提交结果与实际图片的编码进行对比,以编码整体识别准确率为评价指标。任何一个字符错误都为错误,最终评测指标结果越大越好,具体计算公式如下:
Score=编码识别正确的数量/测试集图片数量
4. 解题思路
赛题思路分析:赛题本质是分类问题,需要对图片的字符进行识别。但赛题给定的数据图片中不同图片中包含的字符数量不等,因此本次赛题的难点是需要对不定长的字符进行识别,与传统的图像分类任务有所不同。
思路1: 定长字符识别
可以将赛题抽象为一个定长字符识别问题,(可以由简单统计得到)在赛题数据集中大部分图像中字符个数为2-4个,最多的字符个数为6个。
因此可以对于所有的图像都抽象为6个字符的识别问题,字符23填充为23XXXX,字符231填充为231XXX。
经过填充之后,原始的赛题可以简化为6个字符的分类问题。在每个字符的分类中会进行11个类别的分类,假如分类为填充字符,则表明该字符为空。
思路2: 不定长字符识别
在字符识别研究中,有特定的方法来解决此种不定长的字符识别问题,比较典型的有CRNN字符识别模型。
在本次赛题中给定的图像数据都比较规整,可以视为一个单词或者一个句子。
思路3: 检测再识别
在赛题数据中已经给出了训练集、验证集中所有图片中字符的位置,因此可以首先将字符的位置进行识别,利用物体检测的思路完成。
此种思路需要参赛选手构建字符检测模型,对测试集中的字符进行识别。选手可以参考物体检测模型SSD或者YOLO来完成。
5.小结
综上所示,本次赛题虽然是一个简单的字符识别问题,但有多种解法可以使用到计算机视觉领域中的各个模型,是非常适合大家入门学习的。
三种解决思路的难度从低到高,因此建议入门学习的同学可以先学习定长字符识别的思路。在文档之后的内容中我们也会以定长字符识别为例,让大家逐渐入门计算机视觉。