知乎：一文讀懂CRNN+CTC文本行識別 （詳解 CTC loss）

來自： https://zhuanlan.zhihu.com/p/43534801

文字檢測主要解決的問題是哪裏有文字，文字的範圍有多大，即定位文本行的所在位置和範圍及其布局。

文本識別是在文本行定位的基礎上，對文本行內容進行識別，將圖像中的文本信息轉化為文字信息。文字識別主要解決的問題是每個文字是什麽。

所以一般來說，從自然場景圖片中進行文本行識別，需要包括三個步驟：

• 圖像預處理
• 文字檢測定位文本行區域
• 對定位好的文本行圖片進行識別

圖1 文字識別的步驟

本文的重點是如何對已經定位好的文本行圖片進行識別。

常用文本行識別算法主要有兩個框架：

• CNN+RNN+CTC(CRNN+CTC)
• CNN+Seq2Seq+Attention

CTC總結

CTC是一種Loss計算方法，用CTC代替Softmax Loss，訓練樣本無需對齊。

CTC特點：

• 同時引入blank字符，解決有些位置沒有字符的問題
• 通過遞推，快速計算梯度

......

CRNN+CTC總結

這篇文章的核心，就是將CNN/LSTM/CTC三種方法結合：

• 首先CNN提取圖像卷積特征
• 然後LSTM進一步提取圖像卷積特征中的序列特征
• 最後引入CTC解決訓練時字符無法對齊的問題

提供了一種end2end文本行圖片算算法。

文字識別：CRNN