1. 赛题背景
赛题以计算机视觉中字符识别为背景,要求选手预测真实场景下的字符识别,这是一个典型的字符识别问题。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。
2. 赛题数据
赛题来源自Google街景图像中的门牌号数据集,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。
为了降低比赛难度,训练集、验证集和测试集中字符的位置框已给出。
字段 | 描述 |
---|---|
top | 左上角坐标X |
height | 字符高度 |
left | 左上角坐标Y |
width | 字符宽度 |
label | 字符编码 |
在比赛数据(训练集和验证集)中,同一张图片中可能包括一个或者多个字符,因此在比赛数据的JSON标注中,会有两个字符的边框信息:
读取json数据:
import json
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 = cv2.imread('../input/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(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. 评分标准
评价标准为准确率,提交的结果与实际图片的编码进行对比,以编码整体识别准确率为评价指标,任何一个字符错误都为错误,结果越大越好,具体计算公式如下:
s
c
o
r
e
=
编
码
识
别
正
确
的
数
量
测
试
集
图
片
数
量
\ score = \frac{编码识别正确的数量}{测试集图片数量}
score=测试集图片数量编码识别正确的数量
4. 解题思路
赛题本质是分类问题,但给定的数据集中字符数目不一,因此如何识别不定长的字符就是本赛题的一个难点。有如下三个解决方法,难度递增。
1. 转化为定长字符识别问题
因为字符数最长只有6个,可以对所有图片统计进行6位编码,不足6位自动补零,例如25补全为250000。
2. 利用专业识别模型
因为前人对不定长字符识别有所研究,所以可以利用现有的成果,例如CRNN字符识别模型。
3. 先检测后识别
训练集和测试集军已给出字符位置,因此可以利用物体检测的思路来识别字符位置。先构建字符检测模型,然后对测试集字符进行识别。参考物体检测模型SSD或YOLO。