计算机视觉实践 - 街景字符编码识别/关于Task1的一些笔记

最近参加了DataWhale的计算机视觉入门比赛，认识了很多大佬。虽然之前有过基于深度学习的一些实操经验，但对其中的原理还是不怎么懂，更别提模型的创新了。希望这次比赛过后，在理论和代码能力方面都能有所提高。

Task 1 赛题理解

1. 赛题名称：零基础入门CV之街道字符识别
2. 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。
3. 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。

学习情况

1. 查阅相关论文，阅读顺序打算是从定长字符识别到不定长字符识别，最后专业的解题思路是先检测再识别。这也是官方给出的不同阶段的解题思路。
   这两天先看了CRNN和Baseline中的ResNet18的论文，等等奉上笔记。

2. 试着跑了一下Baseline，还是有一些问题。

字符识别论文笔记

ResNet18

先来看一下Baseline中的检测框架

如上图所示，这个表示的是ResNet系列的结构，因为除了ResNet18， 还有Res34，Res50，Res101，Res152这些网络。
每个网络都包括三个主要部分：输入部分、输出部分和中间卷积部分（中间卷积部分包括如图所示的Stage1到Stage4共计四个stage）。

• 网络输入部分
  所有的ResNet网络输入部分是一个size=7x7, stride=2的大卷积核，以及一个size=3x3, stride=2的最大池化组成，通过这一步，一个224x224的输入图像就会变56x56大小的特征图，极大减少了存储所需大小。

• 网络中间卷积部分
  中间卷积部分通过3*3卷积的堆叠来实现信息的提取。上图中每个矩阵后乘的数字，就是后面的列[2, 2, 2, 2]和[3, 4, 6, 3]等则代表了bolck的重复堆叠次数。

• 残差块实现
  输入数据分成两条路，一条路经过两个3*3卷积，另一条路直接短接，二者相加经过relu输出。

• 网络输出部分
  网络输出部分很简单，通过全局自适应平滑池化，把所有的特征图拉成1*1，对于res18来说，就是1x512x7x7 的输入数据拉成 1x512x1x1，然后接全连接层输出，输出节点个数与预测类别个数一致。

以上参照的是一位知乎大佬的文章，他在后面还写了如何改造得到自己的ResNet，放在Reference里了。

CRNN

CRNN网络结构可以分为三个部分：特征提取、序列建模、转录

• 特征提取（Convolutional Layers）
  这里的卷积层就是一个普通的CNN网络，用于提取输入图像的Convolutional feature maps，即将大小为（32，100，3）的图像转换为 （1，25，100）大小的卷积特征矩阵。

• 序列建模（Recurrent Layers）
  这里的循环网络层是一个深层双向LSTM网络，在卷积特征的基础上继续提取文字序列特征。
  RNN循环神经网络还没有好好看过，这边使用RNN的好处记一下笔记：1. 让网络可以结合上下文进行识别 2. 反传时将残差传给输入层。

• 转录（Transcription Layer）
  将RNN输出做softmax后，为字符输出。

CRNN有几个优点：

1. 它可以对整个文本进行识别，不定长
2. 这个网络不在乎文字大小
3. 可以自己添加词库（我的理解是，准确率就能提高不少
4. 生成的模型小，准确率提高

这边要注意的是，CRNN没有全连接层，因为它就是要将特征提取后进行对比，我的理解是，如果有全连接层，就会把一些特征归一化（去掉了），会影响后面找出可能字符的过程。

Baseline

自己的理解

1. 先将所需的库导入

import os, sys, glob, shutil, json
os.environ["CUDA_VISIBLE_DEVICES"] = '0'
import cv2

from PIL import Image
import numpy as np

from tqdm import tqdm, tqdm_notebook

%pylab inline

import torch
torch.manual_seed(0)  # 让每次得到的随机数是固定的
torch.backends.cudnn.deterministic = False  # 每次返回的卷积算法将是不确定的
torch.backends.cudnn.benchmark = True  # 可以在 PyTorch 中对模型里的卷积层进行预先的优化

import torchvision.models as models
import torchvision.transforms as transforms
import torchvision.datasets as datasets
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.autograd import Variable
from torch.utils.data.dataset import Dataset

2. 定义读取数据集

class SVHNDataset(Dataset): # 这个类，可以让使用mini batch的时候进行多线程并行处理，加快准备数据集的速度
    def __init__(self, img_path, img_label, transform=None):
    ```
    TODO:
    初始化文件路径+label，这边就是初始化该类的一些基本参数。
    ```
        self.img_path = img_path
        self.img_label = img_label 
        if transform is not None:
            self.transform = transform
        else:
            self.transform = None

    def __getitem__(self, index):
    ```
    TODO:
    从文件中读取数据，RGB图像
    预处理 transform()
    返回数据对：图像和标签
	```
        img = Image.open(self.img_path[index]).convert('RGB')

        if self.transform is not None:
            img = self.transform(img)
        
        lbl = np.array(self.img_label[index], dtype=np.int)
        lbl = list(lbl)  + (5 - len(lbl)) * [10]
        return img, torch.from_numpy(np.array(lbl[:5]))

    def __len__(self):
        return len(self.img_path)

Dataset类是Pytorch中所有数据集加载类中应该继承的父类。这好像是pytorch独有的，解决视觉问题的基础是定义一个数据集，keras和tenseflow里面就没有。__getitem__和 __len__这两个私有成员函数必须被加载，不然会报错。
__getitem__：编写支持数据集索引的函数，接收一个index，返回图像和标签，这个index通常是一个list，里面包含了图像数据的路径和标签信息。
__len__：表示返回数据集的大小
关于RGB：对于彩色图像，不管其图像格式是PNG，还是BMP，或者JPG，在PIL中，使用Image模块的open()函数打开后，返回的图像对象的模式都是RGB。而对于灰度图像，不管其图像格式是PNG，还是BMP，或者JPG，打开后，其模式为L。
3. 定义读取数据

train_path = glob.glob('input/mchar_train/*.png')
train_path.sort()
train_json = json.load(open('input/mchar_train.json'))
train_label = [train_json[x]['label'] for x in train_json]
print(len(train_path), len(train_label))

train_loader = torch.utils.data.DataLoader(  
    SVHNDataset(train_path, train_label,
                transforms.Compose(