超级会员免费看
👨💻作者简介：大数据专业硕士在读，CSDN人工智能领域博客专家，阿里云专家博主，专注大数据与人工智能知识分享，公众号：GoAI的学习小屋，免费分享书籍、简历、导图等资料，更有交流群分享AI和大数据，加群方式公众号回复“加群”或➡️点击链接。
🎉专栏推荐：➡️点击访问《计算机视觉》：长期更新不限于深度学习、OCR、目标检测、图像分类、分割等方向总结资料。 ➡️点击访问《深入浅出OCR》: 对标全网最全OCR教程。以上目前活动仅29.9，感兴趣小伙伴可关注下。
🎉学习者福利：强烈推荐一个优秀AI学习网站，包括机器学习、深度学习等理论与实战教程，非常适合AI学习者。➡️网站链接。
🎉技术控福利：程序员兼职社区招募！技术范围广，CV、NLP方向均可，要求有一定基础，最好是研究生及以上或有工作经验，欢迎大佬加入！群内Python、c++、Matlab等各类编程语言单应有尽有, 资源靠谱、费用自谈，有意向直接➡️访问。
OCR专栏：➡️点击访问 深入浅出OCR
🍀导读：恭喜你发现宝藏！本专栏系列主要介绍计算机视觉OCR文字识别领域，每章将分别从OCR技术发展、方向、概念、算法、论文、数据集、对现有平台及未来发展方向等各种角度展开详细介绍，综合基础与实战知识。以下是本系列目录，分为前置篇、基础篇与进阶篇，进阶篇在基础篇基础上进行全面总结，会针对最经典论文及最新算法展开讲解，内容目前包括不限于文字检测、识别、表格分析等方向。 </font>未来看情况更新NLP方向知识，本专栏目前主要面向深度学习及CV的同学学习，希望大家能够多多交流，欢迎订阅本专栏，如有错误请大家在评论区指正，如有侵权联系删除。
📝OCR文字识别技术合集：
1️⃣OCR系列第一章：OCR文字识别技术总结（一）
2️⃣OCR系列第二章：OCR文字识别技术总结（二）
3️⃣OCR系列第三章：OCR文字识别技术总结（三）
4️⃣OCR系列第四章：OCR文字识别技术总结（四）
5️⃣OCR系列第五章：OCR文字识别技术总结（五）
📝OCR文字识别领域经典论文汇总：
📝OCR文字识别领域论文详解系列：
1️⃣CRNN：CRNN文字识别
2️⃣ASTER：ASTER文本识别详解
近几年来，CRNN在计算机视觉文本识别领域取得不错成果。CRNN是一种卷积循环神经网络结构，用于解决基于图像的序列识别问题，特别是场景文字识别问题。CRNN网络实现了不定长验证结合CNN和RNN网络结构，使用双向LSTM循环网络进行时序训练，并在最后引入CTC损失函数来实现端对端的不定长序列识别，
二、CRNN网络结构：
1.CRNN完整网络结构图：
从整个网络中可以看出，卷积层是由一系列的卷积、最大池化、批量归一化等操作组成，由标准的CNN模型中的卷积层和最大池化层组成，结构类似于VGG网络。maps为卷积核个数，k为卷积核大小，s为步长，pw为填充，这里要注意后两层最大池化改成2×1，保证高度缩小一半，而宽度+1。
2.CRNN模型计算公式：
3.CRNN模型计算详细流程：
注意前几层卷积核使用3×3，且padding为1，步长为1，比如输入32，则根据计算公式 （32-3+2×1）/1+1=32，尺寸不变！注意Pooling层计算： 以pool3层为例，如右图， 高H为4，经过k=2,s=2,p=0 带入公式 (4+2×0-2 ）/2 +1=2 ，高减少一半 ，而宽为26 ，k=2,s=1,p=1 带入公式( 26+2×1-2 ）/1 +1=27, 宽度+1变为27,卷积层计算：以最后一层[H,W]为例，卷积层大小使用2×2，且高的padding为0，步长为2 ，根据上图输入尺寸为2，带入公式：(2-2+2×0 )/1 +1 =1，则最终输出高度为1。 宽度计算同上，宽27 ，padding为0 ，步长为1，带入公式：（27-2+2×0）/1+1=26
三、CRNN网络层介绍
1.卷积层
CRNN卷积层由标准的CNN模型中的卷积层和最大池化层组成，自动提取出输入图像的特征序列。与普通CNN网络不同的是，CRNN在训练之前，先把输入图像缩放到相同高度（图像宽度维持原样），论文中使用的高度值是32。
提取的特征序列中的向量是从特征图上从左到右按照顺序生成的，每个特征向量表示了图像上一定宽度上的特征，论文中使用的这 个宽度是1,就是单个像素。
2.循环层
转录就是 RNN 对每个像素的预测转换为标签序列的过程。
CRNN的循环层由一个双向LSTM循环神经网络构成，预测特征序列中的每一个特征向量的标签分布（真实结果的概率列表），循环层的误差被反向传播，最后会转换成特征序列，再把特征序列反馈到卷积层，这个转换操作由论文中定义的“Map-to-Sequence”自定义网络层完成，作为卷积层和循环层之间连接的桥梁。
LSTM（长短期记忆网络）则是一种特殊结构的RNN，用于解决RNN的长期依赖问题，普通RNN会出现“梯度消失”或“梯度爆炸”的问题，不能获取更多上下文信息，所以 CRNN 中使用的是 LSTM，允许捕获长距离依赖。LSTM单元由输入门、遗忘门和输出门组成。
RNN原理参考：水很深的深度学习-Task05循环神经网络RNN_GoAl的博客-CSDN博客
LSTM原理参考：LSTM原理介绍_GoAl的博客-CSDN博客
3.转录层
CTC一般连接在RNN网络的最后一层用于序列学习和训练。对于一段长度为T的序列来说，每个样本点t（t远大于T）在RNN网络的最后一层都会输出一个softmax向量，表示该样本点的预测概率，所有样本点的这些概率传输给CTC模型后，输出最可能的标签，再经过去除空格（blank）和去重操作，就可以得到最终的序列标签。
四、CTC原理介绍
CTC是一种Loss计算方法，用CTC代替Softmax Loss，训练样本无需对齐。引入blank字符，解决有些位置没有字符的问题,通过递推，快速计算梯度。
以下以apple单词为例，引入“-”符号，解释CTC网络是如何展开路径进行计算的。
路径展开原则：（如图中5点）
CTC训练流程和传统的神经网络类似，构建损失函数，然后根据BP算法进行训练，不同之处在于传统的神经网络的训练准则是针对每帧数据，即每帧数据的训练误差最小，而CTC的训练准则是基于序列的，比如最大化 p(l|x) ，序列化的概率求解比较复杂，因为一个输出序列可以对应很多的路径，所有引入前后向算法来简化计算。
前向概率：
后向概率：
计算CTC Loss:
CTC原理参考：
【Learning Notes】CTC 原理及实现_丁丁的博客-CSDN博客_ctc实现
CTC（Connectionist Temporal Classification）介绍 - PilgrimHui - 博客园
五、CRNN模型训练：
在模型训练过程中，首先使用标准的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。其具体模型训练流程为：
1.将输入图像统一缩放至32*W*3。
2.利用CNN提取后图像卷积特征，得到的大小为：1*W/4*512。
3.通过上述输入到LSTM提取序列特征，得到W/4*n后验概率矩阵。
4.利用CTC损失，实现标签和输出一一对应，进行训练。
六、CRNN+CTC总结
CRNN将CNN/LSTM/CTC三种方法结合：提供了一种end2end文本行图片算算法。
（1）CNN提取图像卷积特征
（2）LSTM进一步提取图像卷积特征中的序列特征
（3）引入CTC解决训练时字符无法对齐的问题
优点：
- 可以直接从序列标签学习，不需要详细的标注
- 具有直接从图像数据学习信息表现的DCNN的相同性质，既不需要手工特征也不需要预处理步骤，包括实体化/分割，组件定位等;
- 具有 RNN 相同的性质，能够产生一系列标签
- 对类序列对象的长度无约束，只需要在训练阶段和测试阶段对高度进行归一化
- 比标准 DCNN 模型包含的参数要少的多，占用更少的存储空间
445
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
