CRNN文字识别

要点：CNN+RNN+CTC

CNN：通过卷积操作，将h x w x c图像转换为1xTxC特征图。1为特征图的高，T为特征图的宽，C为特征图的通道数。以高度为32的特征图来说，出卷积层为，用4层池化层可将高度降低到2，再用一个核为2、pad为0的卷积即可将高度降为1。

RNN：RNN一般采用两层的双向LSTM，输入的序列长度为CNN卷积后特征的长度T，序列中每一个特征尺度为CNN卷积后的通道数C。那么，

（1）第一层LSTM输入数据的维度为（T,N,C），N为batchsize大小。第一层LSTM的inputsize为C，隐藏层hiddensize可以自定义M，如256，第一层LSTM输出为MX2。再接一个全连接层，输出由Mx2转为M。

（2）第二层LSTM输入数据的维度为（T,N,M），inputsize为M，hiddensize自定义M2，如256，那么输出为M2x2。由于RNN需要对文字进行识别，假设需要识别的文字数量为K，那么LSTM的输出需要通过全连接层输出（K+1）个维度，每一个维度可以用于表征相应文字的概率。其中，数量增加1个是因为CTC中会增加空白字符。第二层LSTM同样需要一个全连接层，将输出由M2x2转为K+1。

RNN层最后的输出维度为（T,N,K+1）。

CTC：CTC通过引入空白字符来计算Loss损失，好处是不需要把文字识别位置与原图所在位置对齐，可以自动进行训练。在推断时，选出结果不为占位符，并且相邻文字如果一样则只取一次，这样就可以得到预测的结果。

参考文章：一文读懂CRNN+CTC文字识别https://zhuanlan.zhihu.com/p/43534801

pytorch参考代码：https://github.com/ooooverflow/chinese-ocr