2021SC@SDUSC
目录
一、前情回顾
1.1 PP-OCR文字识别策略
策略的选用主要是用来增强模型能力和减少模型大小。下面是PP-OCR文字识别器所采用的九种策略：
- 轻主干，选用采用 MobileNetV3 large x0.5 来权衡精度和效率；
- 数据增强，BDA (Base Dataaugmented)和TIA (Luo et al. 2020)；
- 余弦学习率衰减，有效提高模型的文本识别能力；
- 特征图辨析，适应多语言识别，进行向下采样 feature map的步幅修改；
- 正则化参数，权值衰减避免过拟合；
- 学习率预热，同样有效；
- 轻头部，采用全连接层将序列特征编码为预测字符，减小模型大小；
- 预训练模型，是在 ImageNet 这样的大数据集上训练的，可以达到更快的收敛和更好的精度；
- PACT量化，略过 LSTM 层；
1.2 本文介绍策略
- 特征图辨析，适应多语言识别，进行向下采样 feature map的步幅修改；
二、PP-OCR中CRNN与attention
2.1 CRNN和attention
现今基于深度学习的端到端OCR技术有两大主流技术：CRNN OCR和attention OCR。这两大方法主要区别在于最后的输出层（翻译层），即怎么将网络学习到的序列特征信息转化为最终的识别结果，见下图。这两大主流技术在其特征学习阶段都采用了CNN+RNN的网络结构，CRNN OCR在对齐时采取的方式是CTC算法，而attention OCR采取的方式则是attention机制。
2.2 为什么PP-OCR选用CRNN
现在已经有为什么很多的识别策略，问什么采用CRNN呢？transformer、attention等的效果在大数据集综合测试上效果相当不错，但是在中文的应用场景下，效果并不是太好——中文字符太多，挖掘字符间的序列关系比较困难。CRNN表现比较稳定，同时PP-OCR 也在尝试使用SRN和transformer相结合的策略，但是由于效果并没有太大提升，所以仍选用CRNN。
另外相比于attention，CTC结合CRNN还有以下优点：
- 从效果上来看，通用OCR场景CTC的识别效果优于Attention，因为带识别的字典中的字符比较多，常用中文汉字三千字以上，如果训练样本不足的情况下，对于这些字符的序列关系挖掘比较困难。中文场景下Attention模型的优势无法体现。而且Attention适合短语句识别，对长句子识别比较差。
- 从训练和预测速度上，Attention的串行解码结构限制了预测速度，而CTC网络结构更高效，预测速度上更有优势。
2.3 CRNN介绍
CRNN（Convolutional Recurrent Neural Network）主要用于端到端地对不定长的文本序列进行识别，不用先对单个文字进行切割，而是将文本识别转化为时序依赖的序列学习问题，也就是基于图像的序列识别。CRNN实现卷积特征和序列特征融合。
整个CRNN网络结构包含三部分，从下到上依次为：
- 1.CNN（卷积层）：使用深度CNN，对输入图像提取特征，得到特征图；
- 2.RNN（循环层）：使用双向RNN（BLSTM）对特征序列进行预测，对序列中的每个特征向量进行学习，并输出预测标签（真实值）分布；
- 3.CTC loss（转录层）：使用CTC损失，把从循环层获取的一系列标签分布转换成最终的标签序列，同时CTC损失解决预测结果（定长）和标签（边长）不一致的问题。
如下图：
2.4 CRNN执行流程
识别过程中，先使用标准的CNN网络提取文本图像的特征，再利用BLSTM将特征向量进行融合以提取字符序列的上下文特征，然后得到每列特征的概率分布，最后通过转录层(CTC)进行预测得到文本序列。
有几点注意：
- 利用BLSTM和CTC学习到文本图像中的上下文关系可以有效提升文本识别准确率。
- 在训练阶段，CRNN将训练图像统一缩放为160×32（w×h）；在测试阶段，针对字符拉伸会导致识别率降低的问题，CRNN保持输入图像尺寸比例，但是图像高度还是必须统一为32个像素，卷积特征图的尺寸动态决定LSTM 的时序长度（时间步长）。
2.5 CRNN所涉及的PP-OCR文字识别模型优化策略
- 特征图辨析，适应多语言识别，进行向下采样 feature map的步幅修改；
在CRNN中，涉及文本图像特征图和特征向量。经消融实验发现，对文本识别模型大小影响比较大的是特征图分辨率的大小。特征图分辨率，也就是把具有相应分辨率的骨干网络适配到一个文本识别模型。
骨干网络一般来自于图像分类模型。在PP-OCR中，选用的是MobileNetV3。图像分类模型的输入的分辨率一般是24像素*24像素，但是对于OCR文字识别模型来说，在中文场景下的输入一般都是一个整行序列，其分辨率为32像素*320像素。如果识别模型特征图（分辨率32*320）按照识别模型（分辨率24*24）的stride（步幅）去下降的话，32*320的特征图会降得非常小，整个序列上的信息和分辨率都会损失。因此对stride修改会在很大程度上影响特征图信息——分辨率更大，捕捉到的信息越多。所以这里要调整特征图分辨率在文本识别模型中的的下降步幅，从而保证文本行之间的序列特征信息。
当然，调整特征图分辨率也有缺点，因为分辨率大的话对识别时间增加 因为PP-OCR所选用的模型比较小，所以对实现图像识别的速率影响并不会非常明显。如实验显示，对单张图像的识别时间从11.84ms增加到12.96ms。
三、PP-OCR中特征图解析策略实现与代码分析
3.1 特征图解析策略实现步骤
对第二次特征图下采样的位置之后的所有向下采样位置，首先将stride步幅从（2，2）改为（2，1），只改变高度，不改变宽度。然后将stride步幅从（2，1）改为（1，1），只改变宽度，不改变高度。
3.2 特征图解析策略的代码实现
代码位置
具体代码
class MobileNetV3(nn.Layer):
def __init__(self,
in_channels=3,
model_name='small',
scale=0.5,
large_stride=None,
small_stride=None,
**kwargs):
super(MobileNetV3, self).__init__()
if small_stride is None:
small_stride = [2, 2, 2, 2]
if large_stride is None:
large_stride = [1, 2, 2, 2]
assert isinstance(large_stride, list), "large_stride type must " \
"be list but got {}".format(type(large_stride))
assert isinstance(small_stride, list), "small_stride type must " \
"be list but got {}".format(type(small_stride))
assert len(large_stride) == 4, "large_stride length must be " \
"4 but got {}".format(len(large_stride))
assert len(small_stride) == 4, "small_stride length must be " \
"4 but got {}".format(len(small_stride))
if model_name == "large":
cfg = [
# k, exp, c, se, nl, s,
[3, 16, 16, False, 'relu', large_stride[0]],
[3, 64, 24, False, 'relu', (large_stride[1], 1)],
[3, 72, 24, False, 'relu', 1],
[5, 72, 40, True, 'relu', (large_stride[2], 1)],
[5, 120, 40, True, 'relu', 1],
[5, 120, 40, True, 'relu', 1],
[3, 240, 80, False, 'hardswish', 1],
[3, 200, 80, False, 'hardswish', 1],
[3, 184, 80, False, 'hardswish', 1],
[3, 184, 80, False, 'hardswish', 1],
[3, 480, 112, True, 'hardswish', 1],
[3, 672, 112, True, 'hardswish', 1],
[5, 672, 160, True, 'hardswish', (large_stride[3], 1)],
[5, 960, 160, True, 'hardswish', 1],
[5, 960, 160, True, 'hardswish', 1],
]
cls_ch_squeeze = 960
elif model_name == "small":
cfg = [
# k, exp, c, se, nl, s,
[3, 16, 16, True, 'relu', (small_stride[0], 1)],
[3, 72, 24, False, 'relu', (small_stride[1], 1)],
[3, 88, 24, False, 'relu', 1],
[5, 96, 40, True, 'hardswish', (small_stride[2], 1)],
[5, 240, 40, True, 'hardswish', 1],
[5, 240, 40, True, 'hardswish', 1],
[5, 120, 48, True, 'hardswish', 1],
[5, 144, 48, True, 'hardswish', 1],
[5, 288, 96, True, 'hardswish', (small_stride[3], 1)],
[5, 576, 96, True, 'hardswish', 1],
[5, 576, 96, True, 'hardswish', 1],
]
cls_ch_squeeze = 576
else:
raise NotImplementedError("mode[" + model_name +
"_model] is not implemented!")
supported_scale = [0.35, 0.5, 0.75, 1.0, 1.25]
assert scale in supported_scale, \
"supported scales are {} but input scale is {}".format(supported_scale, scale)
inplanes = 16
# conv1
self.conv1 = ConvBNLayer(
in_channels=in_channels,
out_channels=make_divisible(inplanes * scale),
kernel_size=3,
stride=2,
padding=1,
groups=1,
if_act=True,
act='hardswish')
i = 0
block_list = []
inplanes = make_divisible(inplanes * scale)
for (k, exp, c, se, nl, s) in cfg:
block_list.append(
ResidualUnit(
in_channels=inplanes,
mid_channels=make_divisible(scale * exp),
out_channels=make_divisible(scale * c),
kernel_size=k,
stride=s,
use_se=se,
act=nl))
inplanes = make_divisible(scale * c)
i += 1
self.blocks = nn.Sequential(*block_list)
self.conv2 = ConvBNLayer(
in_channels=inplanes,
out_channels=make_divisible(scale * cls_ch_squeeze),
kernel_size=1,
stride=1,
padding=0,
groups=1,
if_act=True,
act='hardswish')
self.pool = nn.MaxPool2D(kernel_size=2, stride=2, padding=0)
self.out_channels = make_divisible(scale * cls_ch_squeeze)
def forward(self, x):
x = self.conv1(x)
x = self.blocks(x)
x = self.conv2(x)
x = self.pool(x)
return x
总结
以上是今天PP-OCR文字识别模型的特征图解析策略的相关介绍。之后将会继续介绍PP-OCR文字识别模型的其他策略。
2292
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
