Task 1 赛事理解
本章主要内容
赛题理解,了解数据集,赛题思路及选择的方法。
1.赛题理解
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。与常用的Minst数据集相比,两者都是识别数字。但这次的难度在与图片大小的不固定,色彩空间为彩色,字符数不固定。
2.了解数据集
赛题以街道字符为为赛题数据,数据集报名后可见并可下载,该数据来自收集的SVHN街道字符,并进行了匿名采样处理。数据集大小为训练集3W图,测试集1W图,A验证集4W。为了降低难度,将数字位置用框线标注出来了。有些图片比较模糊,识别难度会比较大。
对于训练数据每张图片将给出对于的编码标签,和具体的字符框的位置(训练集、验证集都给出字符位置),可用于模型训练:
Field | Description |
---|---|
top | 左上角坐标X |
height | 字符高度 |
left | 左上角最表Y |
width | 字符宽度 |
label | 字符编码 |
模型评价指标以编码整体识别准确率为评价指标。注意任何一个字符错误都为错误。
import json
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.image as mpimg
train_json = json.load(open('../input/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
img = mpimg.imread('E:/Machine Learning/CV字符/mchar_train/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(np.real(img))
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([])
3.赛题思路
-
基础思路:定长字符识别
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,这里有三种思路。最长字符数为6,识别数字,识别目标集为11,包含0-9数字和X填充字符。采用填充位的方式实现识别数字可调整。 此种方法叫定长字符识别。 -
专业字符识别思路: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。此方法个人觉得较好,利用了字符本身分布在一列的规律。 -
专业分类思路:检测再识别
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。及识别出每个数字的位置,然后再判读位置上的数字。个人感觉这个方法运算量稍大。
4.总结及选择的方法
总结,本次赛题是一个简单的字符识别问题,有多种解法。基础入门可选定长度,效果最好应该是先识别位置,再识别内容的算法。不定长个人感觉是比较好。既然是刚入门,那么就选择定长度了。