2-D CTC Loss

2D-CTC for Scene Text Recognition，1-D CTC Loss参考CTC Loss和Focal CTC Loss

Motivation

普通的CTC仅支持1-d，但是文字识别不像语音识别，很多时候文字不是水平的，如果强行“压”到1d，对识别影响很大，如下图所示

Review 1-D CTC

首先对alphabeta进行扩充，加入blank符号，然后定义一个映射规则: blank之间的相同字符可以去重
计算loss时，对每个gt label字符间加入blank

然后计算

但是如果穷举能够经过映射规则变换到apple字符串的话，计算量太大。其实可以将apple分开进行映射，其实是互不干扰的，这时可以用动态规划重复利用子问题答案，参考博客

2-D CTC

2d比1d多了个高度，不仅可以左右跳还可以上下跳。

左右跳是有固定的规则

而上下跳我们可以利用一个网络进行学习，上面第一个输出是wh各个位置的概率输出向量，而下面第二个输出是各个位置在h方向上跳动的概率，由于最后一列不用跳，因此输出是(w-1) h * h

每个位置在h方向跳动的概率和为1


同样在计算2-D CTC loss时依然可以用到动态规划，只是在多了个h方向(将原来的某一个点(一个概率值)，换成某一条竖线，变成h个概率值乘以跳转概率的和)

备注

本文为了简便，在预测上下跳动概率时，假设同一列位置上，他们跳动到该列其他点上概率分布相同(好像attention呀，就是预测该列上出现文字的地方)，该转移概率输出为(w-1) * h
作者说两者效果差不多

实验

解释下Vanill CTC + Attention，即网络结构和输出和2D-CTC一样，然后利用2d转移概率图乘以输出的概率图，最后在h方向求和以利用1d ctc

对比结果2d-ctc还是最好的

点评

个人认为这个应该是1.5d ctc，解决的是弯曲的一行文字，而不是真正的2d即多行文字