Datawhale 零基础入门CV - Baline赛题理解01
内容主要表述对街景字符识别赛题的理解,以及对赛题数据的读取说明,并采取的相应的解题思路。
##赛题理解
赛题名称:零基础入门CV之街道字符识别
赛题目标:通过本次比赛,能够深入了解计算机视觉,提高数据建模水平。
赛题任务:以计算机视觉中字符识别为背景,预测街道字符编码。
##前期工作
- 安装配置好pytorch环境
- 下载好比赛数据集链接:数据集
- 熟悉Python图片处理简单操作链接推荐Python图像处理
- 熟悉pytorch
##数据理解*
数据格式:
Field Description
top 左上角坐标X
height 字符高度
left 左上角最表Y
width 字符宽度
label 字符编码
字符的坐标具体如下所示:
原图
图片标注信息
##数据读取方式
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([])
##解题思路
赛题思路分析:赛题本质是分类问题,需要对图片的字符进行识别。
但赛题给定的数据图片中不同图片中包含的字符数量不等,如下图所示。有的图片的字符个数为2,有的图片字符个数为3,有的图片字符个数为4。因此本次赛题的难点是需要对不定长的字符进行识别,与传统的图像分类任务有所不同。
##简单入门思路:定长字符识别
可以将赛题抽象为一个定长字符识别问题,在赛题数据集中大部分图像中字符个数为2-4个,最多的字符 个数为6个。
因此可以对于所有的图像都抽象为6个字符的识别问题,字符23填充为23XXXX,字符231填充为231XXX。
经过填充之后,原始的赛题可以简化了6个字符的分类问题。在每个字符的分类中会进行11个类别的分类,假如分类为填充字符,则表明该字符为空。
##专业字符识别思路
在字符识别研究中,有特定的方法来解决此种不定长的字符识别问题,比较典型的有CRNN字符识别模型。
在本次赛题中给定的图像数据都比较规整,可以视为一个单词或者一个句子
##专业分类思路
检测再识别,此种思路需要参赛选手构建字符检测模型,对测试集中的字符进行识别。选手可以参考物体检测模型SSD或者YOLO来完成。
#总结
三种解决思路的难度从低到高,建议入门学习的同学可以先学习定长字符识别的思路。先入门再说,嘿嘿…