举世瞩目的「深度神经网络」如何应用于移动端？

声明：本文来自有道技术团队的投稿，交流可致邮：ydtech@rd.netease.com
责编：钱曙光（qianshg@csdn.net）
欢迎加入CSDN人工智能技术交流QQ群（群号：299059314），内涵大量学习材料。

随着深度学习算法在图像领域中的成功运用，学术界的目光重新回到神经网络上；而随着 AlphaGo 在围棋领域制造的大新闻，全科技界的目光都聚焦在“深度学习”、“神经网络”这些关键词上。与大众的印象不完全一致的是，神经网络算法并不算是十分高深晦涩的算法；相对于机器学习中某一些数学味很强的算法来说，神经网络算法甚至可以算得上是“简单粗暴”。只是，在神经网络的训练过程中，以及算法的实际运用中，存在着许多困难，和一些经验，这些经验是比较有技巧性的。

有道云笔记不久前更新的文档扫描功能中使用了神经网络算法。本文试图以文档扫描算法中所运用的神经网络算法为线索，聊一聊神经网络算法的原理，以及其在工程中的应用。

背景篇

首先介绍一下什么是文档扫描功能。文档扫描功能希望能在用户拍摄的照片中，识别出文档所在的区域，进行拉伸(比例还原)，识别出其中的文字，最终得到一张干净的图片或是一篇带有格式的文字版笔记。实现这个功能需要以下这些步骤：

1. 识别文档区域
   将文档从背景中找出来，确定文档的四个角；
2. 拉伸文档区域，还原宽高比
   根据文档四个角的坐标，根据透视原理，计算出文档原始宽高比，并将文档区域拉伸还原成矩形。这是所有步骤中唯一具有解析算法的步骤；
3. 色彩增强
   根据文档的类型，选择不同的色彩增强方法，将文档图片的色彩变得干净清洁；
4. 布局识别
   理解文档图片的布局，找出文档的文字部分；
5. OCR
   将图片形式的“文字”识别成可编码的文字；
6. 生成笔记
   根据文档图片的布局，从 OCR 的结果中生成带有格式的笔记。

在上述这些步骤中，“拉伸文档区域”和“生成笔记”是有解析算法或明确规则的，不需要机器学习处理。剩下的步骤中都含有机器学习算法。其中“文档区域识别”和“OCR”这两个步骤我们是采用深度神经网络算法来完成的。

之所以在这两个步骤选择深度神经网络算法，是考虑到其他算法很难满足我们的需求：

• 场景复杂，浅层学习很难很好的学习推广；

同时，深度神经网络的一些难点在这两个步骤中相对不那么困难

• 属于深度神经网络算法所擅长的图像和时序领域；
• 能够获取到大量的数据。能够对这些数据进行明确的标注。

接下来的内容中，我们将展开讲讲“文档区域识别”步骤中的神经网络算法。

算法篇

文档区域识别中使用的神经网络算法主要是全卷积网络(FCN)[1]。在介绍 FCN 前，首先简单介绍一下 FCN 的基础，卷积神经网络（这里假设读者对人工神经网络有最基本的了解）。

卷积神经网络(CNN, Convolutional Neural Networks)

卷积神经网络（CNN）早在 1962 年就被提出[2]，而目前最广泛应用的结构大概是 LeCun 在 1998 年提出的[3]。CNN 和普通神经网络一样，由输入、输出层和若干隐层组成。CNN 的每一层并不是一维的，而是有(长, 宽, 通道数)三个维度，例如输入层为一张 rgb 图片，则其输入层三个维度分别是(图片高度, 图片宽度, 3)。

与普通神经网络相比，CNN 有如下特点：

1. 第 n 层的某个节点并不和第