OCR论文笔记系列（一）: CRNN文字识别

已于 2023-04-20 10:04:23 修改 25441 收藏 122
分类专栏： 计算机视觉CV 深入浅出OCR 文章标签： 深度学习 CRNN lstm CNN OCR
于 2021-12-08 14:45:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36816848/article/details/121723891
版权

👨‍💻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，

了解本专栏 订阅专栏 解锁全文 超级会员免费看
阅读终点，创作起航，您可以撰写心得或摘录文章要点写篇博文。去创作
GoAI
关注
  • 15
    点赞
  • 踩
  • 122
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
CRNN_Chinese_Characters_Rec：（CRNN）汉字识别
02-05
字符识别 基于卷积递归网络的汉字识别库。 性能 识别图片中的字符 开发环境 WIN 10或Ubuntu 16.04 使用CUDA 10.0的PyTorch 1.2.0（可能会修复CTC丢失） :fire: yaml Easydict 张量板 数据 合成中文字符串数据集 下载 将lib / config / 360CC_config.yaml DATA：ROOT编辑为您的图像路径 DATASET: ROOT: 'to/your/images/path' 下载（密码：eaqb） 将char_std_5990.txt放入lib / dataset / txt / 并将trai
一文读懂CRNN（基于图像序列识别的端到端可训练网络）
Pleadge的博客
08-19 1555
CRNN网络介绍
CRNN_CRNN_文本识别_
10-03
文本识别算法论文CRNN，这是一篇论文，注意，这是一篇论文
文本识别 CRNN
最新发布
weixin_51691064的博客
04-18 244
OCR模型原理总结—RCNN
CRNN笔记
weixin_46763548的博客
04-12 63
1.RNN 1.1 RNN基础 全连接网络很好理解画出来就是：输入经过隐层输出一个h 此时的表达为: h=tanh(U(x)) h=tanh(U(x)) h=tanh(U(x)) 其中，h为输出，U为隐层的函数，x为输入。 RNN从这个角度可以当成多个全连接网络并排放一块，此时的他们没有任何关系，但是很多时候输入的序列是有前后联系的。 为了增加他们之间的联系，比如我认出了前一个字是"我"，那很容易联想到下一个词是"菜"。这个操作很容易让人想到一个思路就是把上一个识别的结果输入到下一个识别内容里，辅助我们
文字识别(OCR)CRNN（基于pytorch、python3） 实现不定长中文字符识别
热门推荐
Sierkinhane的博客
09-26 5万+
实时姿态估计网络：https://github.com/Sierkinhane/AtrousPose 简单单人跟踪：https://github.com/Sierkinhane/human_tracker（基于目标检测与特征映射算法） 演示视频：https://www.bilibili.com/video/av44360925 新写的关于人脸检测算法MTCNN的文章https://......
【文本识别】CRNN
可乐大牛的博客
05-15 1138
目录论文正文概述细节网络结构CNNRNNCTC 论文正文 链接：链接，提取码：jp0h 概述 以往做文本识别主要有三种做法： 做法1：基于CNN的方法：先检测单个字符，然后识别这些字符；给每个英语单词设置一个类别，直接当成分类问题解决，这些方法都无法直接用于场景文本的识别。 做法2：基于RNN的方法，需要做一步预处理，将image转换为sequence，无法实现端到端的训练。 做法3：非nn的做法，性能不行。 本文：提出CRNN模型，解决基于图像的序列识别问题，特别是场景文字识别问题。它是一个端到端的识别，
目标检测yolov3+文字识别CRNN 实现文本检测和识别
DeepCBW的博客
05-28 6391
目标检测yolov3+文字识别CRNN 实现文本检测和识别
CRNN网络结构详解
寂寞的小乞丐
07-05 5373
文章目录一. CRNN概论简介网络二. CRNN局部之特征提取三. CRNN局部之BLSTM四. CRNN局部之CTC五. 参考文献 一. CRNN概论 重点：原论文一定要得看！！！英语好的直接看原论文，不懂的地方查资料。英语不好的（比如笔者），先看中文资料，然后再看原论文。 简介 CRNN全称是：An End-to-End Trainable Neural Network for Image...
CRNN论文翻译——中英文对照
SnailTyan
08-29 1万+
文章作者：Tyan 博客：noahsnail.com  |  CSDN  |  简书 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation An End-to-End Trainable Neural N...
最新！CVPR 2021 OCR领域论文大盘点（22篇）
阿木寺的博客
06-21 7937
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：CSIG文档图像分析与识别专委会前言CVer正在盘点CVPR 2021上各个方向的工作，目前热度最高的视觉Tr...
文字识别-CRNN
人工智能曾小健
10-19 3185
CRNN的主要特点是： （1）可以进行端到端的训练； （2）不需要对样本数据进行字符分割，可识别任意长度的文本序列 （3）模型速度快、性能好，并且模型很小（参数少） 下面将展开对这三个层进行介绍： （1）卷积层 ① 预处理 CRNN对输入图像先做了缩放处理，把所有输入图像缩放到相同高度，默认是32，宽度可任意长。 ② 卷积运算 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，如下图： 从上图可以看出，卷积层是由一系列的卷积、最大池化、批量归一化等操作组..
CRNN——文本识别算法
l15201的博客
09-17 2892
CRNN文本识别算法
（二十五）论文阅读 | 文本识别之CRNN
Skies_的博客
06-16 451
TPAMI2016 | 文本识别之CRNN
attention_ocr
年轻即出发，
01-09 9328
论文：Attention-based Extraction of Structured Information from Street View Imagery Github：https://github.com/tensorflow/models/tree/master/research/attention_ocr   论文提出了基于attention机制的自然场景图片的ocr识别，在Fr...
Python-本项目基于yolo3与crnn实现中文自然场景文字检测及识别
08-11
本项目基于yolo3 与crnn 实现中文自然场景文字检测及识别
大话文本识别经典模型：CRNN
weixin_34321977的博客
05-10 762
2019独角兽企业重金招聘Python工程师标准>>> ...
Tesseract OCR集成Android Studio实现OCR识别
关注微信公众号【OpenCV学堂】
11-21 2万+
Tesseract OCR集成Android Studio实现OCR识别介绍Tesseract OCR谷歌开源的OCR识别引擎，支持多国文字包括中文简体与繁体。最新的版本是3.x。可以通过安装程序安装在机器上然后通过命令行运行该程序识别各种图片中的文字、同时还提供二次开发包，支持二次开发包括C、C++语言。也可以被移植到Android平台实现移动应用领域的OCR识别APP。下载在Android平台上
CRNN端到端文字识别
年轻即出发，
08-05 1万+
Convolutional Recurrent Neural Network(CRNN)，华科白翔老师组的作品，An End-to-End Trainable Neural Network for Image-based Sequence Recognition and ItsApplication to Scene Text Recognition 整体流程： CNN+biLSTM+CTC ...
CRNN文字识别模型整体的架构是什么样的
03-27
CRNN（Convolutional Recurrent Neural Network）是一种用于文本识别的深度学习模型，其整体架构包括卷积层、循环神经网络层（RNN）和转录层。 具体来说，CRNN的架构可以分为以下几个部分： 1.卷积层（Convolutional Layer）：用于提取输入图像中的特征，可以使用多个卷积层提取不同层次的特征。在CRNN中，通常使用卷积神经网络（CNN）进行特征提取。 2.循环神经网络层（Recurrent Neural Network Layer）：用于捕捉序列信息。在CRNN中，通常使用双向LSTM（Bidirectional LSTM）作为循环神经网络层，这种网络结构可以有效地捕捉序列中的上下文信息。 3.转录层（Transcription Layer）：用于将特征序列转换为文本输出。在CRNN中，通常使用CTC（Connectionist Temporal Classification）作为转录层，该层可以在没有对齐信息的情况下对输入序列进行分类。 整个CRNN的架构如下图所示： ``` +----------------+ +----------------+ | Input | | Output | +----------------+ +----------------+ | | | +---------------------+ v v +--------------+ +---------------+ | Convolution| | Bidirectional| | Layers | | LSTM | +--------------+ +---------------+ | | | | v v +-----------------+ +-----------------+ | Reshape and | | CTC Layer | | Permute Layer | +-----------------+ +-----------------+ | | v +---------------+ | Loss | +---------------+ ``` 其中，输入层将输入的图像送入卷积层进行特征提取，然后将特征序列送入双向LSTM进行序列建模，最后将建模结果送入CTC层进行分类，得到最终的文本输出。在训练过程中，模型通过损失函数计算输出序列与真实标签序列之间的差异，通过反向传播更新模型参数，从而不断优化模型。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

GoAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值