阿里天池竞赛-街景字符识别准备工作

阿里天池竞赛-街景字符识别Task01：赛题理解

了解比赛，下载数据集

比赛链接：https://tianchi.aliyun.com/competition/entrance/531795/introduction

赛题来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到比赛数据集。

数据集报名后可见并可下载，该数据来自真实场景的门牌号。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。

运行环境及安装

Baseline的运行环境要求：Python2/3，Pytorch1.x，内存4G，有无GPU都可以。

1. 安装anaconda和python3.7 ，我笔记本上已经有python3.7和anaconda了，只需要再安装Pytorch就可以了。
2. 安装pytorch 笔记本8G内存，没有GPU，是win10，所以，直接在anaconda navigator中搜索pytorch进行安装。
   
   安装成功！
   

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。有的图片的字符个数为2，有的图片字符个数为3，有的图片字符个数为4，如下所示。


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。解题思路供参考：

简单入门思路：定长字符识别

可以将赛题抽象为一个定长字符识别问题，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了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。

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。

专业分类思路：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。

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。

学习baseline代码

Baseline思路：将不定长字符转换为定长字符的识别问题，并使用CNN完成训练和验证，具体包括以下几个步骤：
赛题数据读取（封装为Pytorch的Dataset和DataLoder）

构建CNN模型（使用Pytorch搭建）

模型训练与验证

模型结果预测