CRNN论文笔记

CRNN是《An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition》中提出的模型，解决图像中文字识别问题。
论文地址：https://arxiv.org/abs/1507.05717
github地址：https://github.com/bgshih/crnn

1、应用环境

应用于图像中序列物体的识别。比如说一段文字、一段乐谱。简单而言，就是前后文有联系的。

2、特点

1、可以直接从序列标签学习，不必给每一个字符打标签。例如图片中是“abc123”，标签即是“abc123”，不用给每个字符单独打标签。
2、有CNN的优点，直接从输入图像学习，不必做二值化、分割、定位等，这些预处理操作。
3、有RNN的优点，输出的是一个序列标签。
4、对要识别的序列对象没有长度限制。只是在训练和测试中，高度要归一化。
5、比其他模型参数更少。
6、虽然结合了CNN和RNN，但最后用一个loss函数，可以端到端的训练。

3、模型架构

模型有三部分构成：
（1）convolution layer 直接从图像中提取特征，生成的特征序列
（2）recurrent layer 把特征序列变成特征分布
(3) transcription layer 则把特征分布转化成标签序列

4、特征序列提取

首先输入图像都必须统一成同样高度，其次CNN由convolution layer和max-pooling layer组成。
因为卷积和池化具有平移不变性，所以在从左往右提取特征的时候，生成的特征向量跟原图的位置也是对应的。因此生成的特征序列可以看做是对原图像的描述。

5、序列标签

The recurrent layers 输入的是特征序列，输出的是特征分布。
对特征序列x=x1,x2,..,xT中xt，输出其标签分布yt
使用RNN有3个好处：
（1）RNN有很强的联系上下文能力，所以适合处理这种序列任务。
（2）RNN可以将误差反向传播回去，这样就可以跟CNN联合训练
（3）RNN能输入任意序列长度

本文采用了双向LSTM,其原理和作用不再赘述。
最后，作者写了一个“Map-to-Sequence”layer，作为联系CNN和RNN的桥梁。

6、transcription

transcription就是把特征分布转化成标签序列，本质上就是找特征分布中对应标签概率最大的。
采用CTC的方法。未完待续。。

7、训练

训练使用了一个loss函数，可以跟CNN，RNN 联系起来，所以实现了端到端的训练。
采用SGD训练，ADADELTA优化效果更好。