前言

文本识别是图像领域的一个常见任务，场景文字识别OCR任务中，需要先检测出图像中文字位置，再对检测出的文字进行识别，文本介绍的CRNN模型可用于后者，对检测出的文字进行识别。

An End-to-End Trainable Neural Network for Image-Based Sequence Recognition and Its Application to Scene Text Recognition
原论文地址：论文地址

一、CRNN模型介绍

1.模型结构

CRNN模型结合了CNN模型与RNN模型，CNN用于提取图像特征，RNN将CNN提取的特征进行处理得到输出，对应最终的标签。
CRNN包含三层，卷积层，循环层和转录层，由于每张图像中英文单词的长度不一致，但是经过CNN之后提取的特征长度是一定的，所以就需要一个转录层处理，得到最终结果。

该图为模型的大体结构。

输入模型的是一张图像，其shape是(1,32,100) (channel,width,height),
经过一个卷积神经网络之后，其shape变成(512,1,24)(new_channel,new_height,new_width),把channel和height这两个维度合并，合并后shape(512,24),再将这两个维度交换位置，(24,512)(new_width,new_height*new_channel),由于后续需要将提取的特征输入循环神经网络，这个24就相当于是时间步了，24个时间步。输出特征图shape是(24,512)可以理解为，把原图分成24列，每一列用512维的特征向量表示。如下图所示

将24个特征向量输入进循环神经网络，论文中循环神经网络层是两个LSTM堆叠而成的，经过后就得到24个时间步的输出，再经过全连接层以及softmax层得到一个概率矩阵，形状为(T,num_class),T是时间步，num_class是要分类的类别数，是0-9数字以及a-z字母组合，还有一个blank标识符，总共37类。时间步输出是24个，但是图片中字符数不一定都是24，长短不一，经过转录层将其处理。

2.CTCLoss

如果使用传统的loss function，需要对齐训练样本，有24个时间步，就需要有24个对应的标签，在该任务中显然不合适，除非可以把图片中的每一个字符都单独检测出来，一个字符对应一个标签，则需要很强大的文字检测算法，CTCLoss不需要对齐样本。

还是24个时间步得到24个标签，再进行一个β变换，才得到最终标签。24个时间步可以看作原图中分成24列，每一列输出一个标签，有时一个字母占据好几列，例如字母S占据三列，则这三列输出类别都应该是S，有的列没有字母，则输出空白类别，可以这么理解。得到最终类别时将连续重复的字符去重(空白符两侧的相同字符不去重，因为真实标签中可能存在连续重复字符，例如green，中的两个连续的e不应该去重，则生成标签的时候就该是类似e-e这种，则不会去重),最终去除空白符即可得到最终标签。
β变换定义如下
β：L′T→L<=T\beta ：L^{'T} →L^{<=T}β：L′T→L<=T
T代表时间步，长度，由于对连续重复字符去重，则处理后的长度一定小于T
举几个β变换的例子，空白用-表示
β(−−sstaaat−ee)=state\beta(--sstaaat-ee)=stateβ(−−sstaaat−ee)=state
β(−−s−tt−a−t−e)=state\beta(--s-tt-a-t-e)=stateβ(−−s−tt−a−t−e)=state
β(−s−st−aat−e)=sstate\beta(-s-st-aat-e)=sstateβ(−s−st−aat−e)=sstate
β(−s−tta−tt−ee)=state\beta(-s-tta-tt-ee)=stateβ(−s−tta−tt−ee)=state

可以看出若想要输出state，不止一条路径可以实现输出state.
经过LSTM后的结果需要送入转录层处理，设LSTM的输出标签序列为x，输出标签为l的概率为：
p(l∣x)=∑π∈β−(l)p(π∣x)p(l|x)=\sum_{\pi \in \beta ^{-}(l) }p(\pi |x)p(l∣x)=π∈β−(l)∑p(π∣x)
π∈β−(l)\pi \in \beta ^{-}(l)π∈β−(l)表示经过β变换后为l的路径集合π\piπ

对于每一条路径π\piπ有
p(π∣x)=∏t=1Tyπttp(\pi |x)=\prod_{t=1}^{T}y_{\pi ^{t}}^{t } p(π∣x)=t=1∏Tyπtt

yπtty_{\pi ^{t}}^{t }yπtt表示该路径第t个时间步取得该标签的一个概率，连乘起来就是取得该路径的概率。
CTCLoss的优化目标是使得p(l∣x)=∑π∈β−(l)p(π∣x)p(l|x)=\sum_{\pi \in \beta ^{-}(l) }p(\pi |x)p(l∣x)=∑π∈β−(l)p(π∣x)最大，所以loss=−p(l∣x)=∑π∈β−(l)p(π∣x)loss=-p(l|x)=\sum_{\pi \in \beta ^{-}(l) }p(\pi |x)loss=−p(l∣x)=∑π∈β−(l)p(π∣x),使得该loss最小化，来更新前面lstm以及cnn的参数，由于CTCLoss计算有些复杂，暂不讨论。Pytorch中提供了CTCLoss的计算接口，我们直接使用即可。

from torch.nn import CTCLoss

beam search

训练阶段使用CTCLoss更新参数，测试阶段如果使用暴力解法，算出每条路径的一个概率，最终取最大概率的一个路径，时间复杂度非常大，如果有37个类别，序列长度是24，那么路径总和是372437^{24}3724,这只是一个样本的路径数。所以就需要用到beam search来优化计算过程。

计算过程如图所示，现在第一个时间步中找到概率最大的三(可以自由设置)个标签，以这三个最大概率的标签为基础再往后搜索，在第二步会在第一步的概率基础上(需要以第一步的三个标签的概率乘以后面的标签概率)搜索出九个标签，在这九个标签中取三个最大的，继续往后搜索，以此类推，在经过最后一个时间步后会得到三条路径，取概率最大的那条，在经过CTC decode即可得到最终label。

二、使用pytorch实现crnn

数据集

将好几个数据集合并并做了相关处理，得到八千多张图片
只在这里展示关键部分代码
代码以及数据集在https://gitee.com/yuhailong143/crnn
dataset.py

import os
import torch
from torch.utils.data import Dataset
from PIL import Image
import numpy as npclass Synth90kDataset(Dataset):CHARS = '0123456789abcdefghijklmnopqrstuvwxyz'CHAR2LABEL = {char: i + 1 for i, char in enumerate(CHARS)}LABEL2CHAR = {label: char for char, label in CHAR2LABEL.items()}def __init__(self, root_dir=None,image_dir = None, mode=None, file_names=None, img_height=32, img_width=100):if mode == "train":file_names, texts = self._load_from_raw_files(root_dir, mode)else:texts = Noneself.root_dir = root_dirself.image_dir = image_dirself.file_names = file_namesself.texts = textsself.img_height = img_heightself.img_width = img_widthdef _load_from_raw_files(self, root_dir, mode):paths_file = Noneif mode == 'train':paths_file = 'train.txt'elif mode == 'test':paths_file = 'test.txt'file_names = []texts = []with open(os.path.join(root_dir, paths_file), 'r') as fr:for line in fr.readlines():file_name, ext = line.strip().split('.')text = file_name.split('_')[-1].lower()file_names.append(file_name + "." + ext)texts.append(text)return file_names, textsdef __len__(self):return len(self.file_names)def __getitem__(self, index):file_name = self.file_names[index]file_path = os.path.join(self.image_dir,file_name)image = Image.open(file_path).convert('L')  # grey-scaleimage = image.resize((self.img_width, self.img_height), resample=Image.BILINEAR)image = np.array(image)image = image.reshape((1, self.img_height, self.img_width))image = (image / 127.5) - 1.0image = torch.FloatTensor(image)if self.texts:text = self.texts[index]target = [self.CHAR2LABEL[c] for c in text]target_length = [len(target)]target = torch.LongTensor(target)target_length = torch.LongTensor(target_length)# 如果DataLoader不设置collate_fn,则此处返回值为迭代DataLoader时取到的值return image, target, target_lengthelse:return imagedef synth90k_collate_fn(batch):# zip(*batch)拆包images, targets, target_lengths = zip(*batch)# stack就是向量堆叠的意思。一定是扩张一个维度，然后在扩张的维度上，把多个张量纳入仅一个张量。想象向上摞面包片，摞的操作即是stack，0轴即按块stackimages = torch.stack(images, 0)# cat是指向量拼接的意思。一定不扩张维度，想象把两个长条向量cat成一个更长的向量。targets = torch.cat(targets, 0)target_lengths = torch.cat(target_lengths, 0)# 此处返回的数据即使train_loader每次取到的数据，迭代train_loader，每次都会取到三个值，即此处返回值。return images, targets, target_lengthsif __name__ == '__main__':from torch.utils.data import DataLoaderfrom config import train_config as configimg_width = config['img_width']img_height = config['img_height']data_dir = config['data_dir']train_batch_size = config['train_batch_size']cpu_workers = config['cpu_workers']train_dataset = Synth90kDataset(root_dir=data_dir, mode='train',img_height=img_height, img_width=img_width)train_loader = DataLoader(dataset=train_dataset,batch_size=train_batch_size,shuffle=True,num_workers=cpu_workers,collate_fn=synth90k_collate_fn)

model.py

import torch.nn as nnclass CRNN(nn.Module):def __init__(self, img_channel, img_height, img_width, num_class,map_to_seq_hidden=64, rnn_hidden=256, leaky_relu=False):super(CRNN, self).__init__()self.cnn, (output_channel, output_height, output_width) = \self._cnn_backbone(img_channel, img_height, img_width, leaky_relu)self.map_to_seq = nn.Linear(output_channel * output_height, map_to_seq_hidden)self.rnn1 = nn.LSTM(map_to_seq_hidden, rnn_hidden, bidirectional=True)# 如果接双向lstm输出，则要 *2,固定用法self.rnn2 = nn.LSTM(2 * rnn_hidden, rnn_hidden, bidirectional=True)self.dense = nn.Linear(2 * rnn_hidden, num_class)# CNN主干网络def _cnn_backbone(self, img_channel, img_height, img_width, leaky_relu):assert img_height % 16 == 0assert img_width % 4 == 0# 超参设置channels = [img_channel, 64, 128, 256, 256, 512, 512, 512]kernel_sizes = [3, 3, 3, 3, 3, 3, 2]strides = [1, 1, 1, 1, 1, 1, 1]paddings = [1, 1, 1, 1, 1, 1, 0]cnn = nn.Sequential()def conv_relu(i, batch_norm=False):# shape of input: (batch, input_channel, height, width)input_channel = channels[i]output_channel = channels[i+1]cnn.add_module(f'conv{i}',nn.Conv2d(input_channel, output_channel, kernel_sizes[i], strides[i], paddings[i]))if batch_norm:cnn.add_module(f'batchnorm{i}', nn.BatchNorm2d(output_channel))relu = nn.LeakyReLU(0.2, inplace=True) if leaky_relu else nn.ReLU(inplace=True)cnn.add_module(f'relu{i}', relu)# size of image: (channel, height, width) = (img_channel, img_height, img_width)conv_relu(0)cnn.add_module('pooling0', nn.MaxPool2d(kernel_size=2, stride=2))# (64, img_height // 2, img_width // 2)conv_relu(1)cnn.add_module('pooling1', nn.MaxPool2d(kernel_size=2, stride=2))# (128, img_height // 4, img_width // 4)conv_relu(2)conv_relu(3)cnn.add_module('pooling2',nn.MaxPool2d(kernel_size=(2, 1)))  # (256, img_height // 8, img_width // 4)conv_relu(4, batch_norm=True)conv_relu(5, batch_norm=True)cnn.add_module('pooling3',nn.MaxPool2d(kernel_size=(2, 1)))  # (512, img_height // 16, img_width // 4)conv_relu(6)  # (512, img_height // 16 - 1, img_width // 4 - 1)output_channel, output_height, output_width = \channels[-1], img_height // 16 - 1, img_width // 4 - 1return cnn, (output_channel, output_height, output_width)# CNN+LSTM前向计算def forward(self, images):# shape of images: (batch, channel, height, width)conv = self.cnn(images)batch, channel, height, width = conv.size()conv = conv.view(batch, channel * height, width)conv = conv.permute(2, 0, 1)  # (width, batch, feature)# 卷积接全连接。全连接输入形状为(width, batch, channel*height)，# 输出形状为(width, batch, hidden_layer)，分别对应时序长度，batch，特征数，符合LSTM输入要求seq = self.map_to_seq(conv)recurrent, _ = self.rnn1(seq)recurrent, _ = self.rnn2(recurrent)output = self.dense(recurrent)return output  # shape: (seq_len, batch, num_class)

train.py

import osimport cv2
import torch
from torch.utils.data import DataLoader
import torch.optim as optim
from torch.nn import CTCLossfrom dataset import Synth90kDataset, synth90k_collate_fn
from model import CRNN
from evaluate import evaluate
from config import train_config as configdef train_batch(crnn, data, optimizer, criterion, device):crnn.train()images, targets, target_lengths = [d.to(device) for d in data]logits = crnn(images)log_probs = torch.nn.functional.log_softmax(logits, dim=2)batch_size = images.size(0)input_lengths = torch.LongTensor([logits.size(0)] * batch_size)target_lengths = torch.flatten(target_lengths)loss = criterion(log_probs, targets, input_lengths, target_lengths)optimizer.zero_grad()loss.backward()optimizer.step()return loss.item()def main():epochs = config['epochs']train_batch_size = config['train_batch_size']lr = config['lr']show_interval = config['show_interval']valid_interval = config['valid_interval']save_interval = config['save_interval']cpu_workers = config['cpu_workers']reload_checkpoint = config['reload_checkpoint']img_width = config['img_width']img_height = config['img_height']data_dir = config['data_dir']device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')print(f'device: {device}')train_dataset = Synth90kDataset(root_dir=data_dir,image_dir='../data/images', mode='train',img_height=img_height, img_width=img_width)train_loader = DataLoader(dataset=train_dataset,batch_size=train_batch_size,shuffle=True,num_workers=cpu_workers,collate_fn=synth90k_collate_fn)num_class = len(Synth90kDataset.LABEL2CHAR) + 1crnn = CRNN(1, img_height, img_width, num_class,map_to_seq_hidden=config['map_to_seq_hidden'],rnn_hidden=config['rnn_hidden'],leaky_relu=config['leaky_relu'])if reload_checkpoint:crnn.load_state_dict(torch.load(reload_checkpoint, map_location=device))crnn.to(device)optimizer = optim.RMSprop(crnn.parameters(), lr=lr)criterion = CTCLoss(reduction='sum')criterion.to(device)assert save_interval % valid_interval == 0 or valid_interval % save_interval ==0i = 1for epoch in range(1, epochs + 1):print(f'epoch: {epoch}')tot_train_loss = 0.tot_train_count = 0for train_data in train_loader:loss = train_batch(crnn, train_data, optimizer, criterion, device)train_size = train_data[0].size(0)tot_train_loss += losstot_train_count += train_sizeif i % show_interval == 0:print('train_batch_loss[', i, ']: ', loss / train_size)if i % save_interval == 0:save_model_path = os.path.join(config["checkpoints_dir"],"crnn.pt")torch.save(crnn.state_dict(), save_model_path)print('save model at ', save_model_path)i += 1print('train_loss: ', tot_train_loss / tot_train_count)if __name__ == '__main__':main()

识别效果还算可以

测试效果

文本识别CRNN模型介绍以及pytorch代码实现相关推荐

GAT: 图注意力模型介绍及PyTorch代码分析
文章目录 GAT: 图注意力模型介绍及代码分析原理图注意力层(Graph Attentional Layer) 情境一:节点和它的一个邻居情境二:节点和它的多个邻节点聚合(Aggregatio ...
GAT：图注意力模型介绍及PyTorch代码分析
文章目录 1.计算注意力系数 2.聚合 2.1 附录--GAT代码 2.2 附录--相关代码 3.完整实现 3.1 数据加载和预处理 3.2 模型训练 1.计算注意力系数对于顶点 iii ,通过计算 ...
深度学习100+经典模型TensorFlow与Pytorch代码实现大合集
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! [导读]深度学习在过去十年获得了极大进展,出现很多新的模型,并且伴随TensorF ...
【从零开始学习深度学习】25.卷积神经网络之LeNet模型介绍及其Pytorch实现【含完整代码】
目录 1. LeNet模型介绍与实现 2. 输入为Fashion-MNIST时各层输出形状 3. 获取Fashion-MNIST数据和并使用LeNet模型进行训练 4.完整代码之前我们对Fashio ...
NFM(Neural Factorization Machines)：模型原理及pytorch代码实现
一.前言 FM已经公认是稀疏数据预测中最有效的嵌入方法之一,真实世界中的数据往往是非线性且内部结构复杂,而FM虽然能够比较好的处理稀疏数据, 也能学习稀疏数据间的二阶交互, 但说白了,这个还是个线性模 ...
AFM模型原理及Pytorch代码复现
一.前言该模型是和NFM模型结构上非常相似, 算是NFM模型的一个延伸,在NFM中, 不同特征域的特征embedding向量经过特征交叉池化层的交叉,将各个交叉特征向量进行"加和" ...
深度学习中一些注意力机制的介绍以及pytorch代码实现
文章目录前言注意力机制软注意力机制代码实现硬注意力机制多头注意力机制代码实现参考前言因为最近看论文发现同一个模型用了不同的注意力机制计算方法,因此懵了好久,原来注意力机制也是多种多 ...
【OCR技术系列之八】端到端不定长文本识别CRNN代码实现
CRNN是OCR领域非常经典且被广泛使用的识别算法,其理论基础可以参考我上一篇文章,本文将着重讲解CRNN代码实现过程以及识别效果. 数据处理利用图像处理技术我们手工大批量生成文字图像,一共360万 ...
【从零开始学习深度学习】28.卷积神经网络之NiN模型介绍及其Pytorch实现【含完整代码】
目录 1. NiN块介绍 2. 构建NiN模型 3.NIN模型每层输出形状 4. 获取Fashion-MNIST数据和训练NiN模型 5. 总结前几篇文章介绍的LeNet.AlexNet和VGG在设 ...
经典CNN模型介绍及Pytorch实现
文章目录前言一.LeNet 1. LeNet介绍 2. LeNet核心代码 3. LeNet在MNIST上测试二.AlexNet 1. AlexNet介绍 2. AlexNet核心代码 3. A ...

文本识别CRNN模型介绍以及pytorch代码实现

文章目录

前言