Datawhale 零基础入门CV - Baline赛题理解01

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

1. 安装配置好pytorch环境
2. 下载好比赛数据集链接:数据集
3. 熟悉Python图片处理简单操作链接推荐Python图像处理
4. 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…