基于CLEval的OCR精度评价指标

CLEval

本论文发表于CVPR2020,提出了一种针对字符级别的任意形状文本的端到端检测与识别的评估方法。
该论文提出了一种针对字符级别信息的评估方式，这种方式是对独立的文本检测、文本识别和端到端的文本发掘的细化评估。

细粒度表示的是检测结果刚好与真实单词匹配，而不将其割裂为不同的几个部分。因此对于合成或者割裂的检测实例需加以惩罚。
正确性表示的是文本与检测的匹配程度，在检测结果中，理想情况是每个字符被且仅被检测到一次。当字符位置未被检出或多次检出时，需要对其加以惩罚。

为了解决细粒度和正确性两个问题，CLEval包含了两个过程：
1.实例匹配过程：针对细粒度问题，将所有可能的gt和det做匹配，这里的匹配要求gt和det起码包含一个以上的共享字符。
2.字符级打分过程：针对正确性问题，计算gt与识别结果的最长公共子序列。

IoU+CRW与CLEval评估结果对比。对“RIVERSIDE”的检测展示了细粒度的问题，对“WALK”的识别体现了正确性问题。可以看出CLEval法成功地量化了不同的端到端结果。

实例的匹配有两个基础原则：
det与gt的公共区域，至少包含一个伪字符中心（Pseudo-Character Center, PCC）.
det与gt的公共区域应该足够大。

打分策略
计算字符级别的正确性。公式如下：
 
TotalNum代表GT或检测到的字符的总数，CorrectNum代表正确的字符的总数。GranualPenalty与分割或合并次数成正比。

 

 

 
 
https://blog.csdn.net/Christine__xu/article/details/111869334