街景字符编码识别-task1:赛题理解
街景字符编码识别-赛题理解
关于参赛
通过本次参赛(开始前不知道是比赛,主要是想组队学习)了解CV相关问题的解决思路,以及基础知识储备。
赛题的目标是对街景图片中的字符(数字)进行识别,主要难点在于图片中的字符长度不定。
赛题数据
数据集:重点关注验证集的使用。
数据分为训练集,验证集与测试集,其中:
- 训练集数据包括3W张照片,对应的json文件中包含图像名称,对应的编码,以及具体位置。
- 验证集数据包括1W张照片,同训练集一样,有对应的json文件包含图像名称,对应的编码,以及具体位置。
- 测试集A包括4W张照片,测试集B包括4W张照片。
数据标注:
只有训练集和验证集有数据标注,标注文件为json文件,文件格式如下:
"000001.png": {"height": [23, 23, 23], "label": [2, 1, 0], "left": [99, 114, 121], "top": [5, 8, 6], "width": [14, 8, 12]}
各字段的对应描述如下:
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 |
由于该图片中有三个字符,所以对应的编码以及位置标注都是三个。该标注对应的图片如下:
评测指标
选手提交结果与实际图片的编码进行对比,以编码整体识别准确率为评价指标。任何一个字符错误都为错误,最终评测指标结果越大越好,具体计算公式如下:
Score=编码识别正确的数量/测试集图片数量
解题思路
- 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:不定长字符识别
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
在赛题数据中已经给出了训练集、验证集中所有图片中字符的位置,因此可以首先将字符的位置进行识别,利用物体检测的思路完成。
三种思路分别是由易到难的程度。