如何在中文场景文字识别赛中赢取飞桨周边？
【飞桨开发者说】魏宏炜，福建省三明学院，本科三年级，研究方向为目标检测、OCR识别。
赛题背景
关于光学字符识别(Optical Character Recognition, 简称OCR)，是指将图像上的文字转化为计算机可编辑的文字内容，众多的研究人员对相关的技术研究已久，也有不少成熟的OCR技术和产品产生，比如PaddleOCR。中文汉字识别是OCR的一个分支。因为汉语作为我们的母语，汉字主要在我国广泛使用，对汉字的种类、内涵、造字原理国内的掌握情况较透彻，所以关于汉字识别的深入研究主要集中在国内。
中文场景文字识别技术在人们的日常生活中受到广泛关注，具有丰富的应用场景，如：拍照翻译、图像检索、场景理解等。然而，中文场景中的文字面临着包括光照变化、低分辨率、字体以及排布多样性、中文字符种类多等复杂情况。如何解决上述问题成为一项极具挑战性的任务。
在本月中文场景文字识别赛中，笔者使用了飞桨开源深度学习框架，在百度学习与实训社区AI Studio上完成了数据处理、模型搭建、模型训练、模型预测等整个工作过程，拿到了6月份前十名，获得了800元京东卡。非常感谢AI Studio为参赛选手提供的GPU在线训练环境，以及丰厚GPU使用时长，对于在学习深度学习过程中硬件条件不足的学生党来说，提供了非常大的帮助。
下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu
比赛链接：
https://aistudio.baidu.com/aistudio/competition/detail/20
项目链接：
https://aistudio.baidu.com/aistudio/projectdetail/1136775
赛题数据分析
要求实现对街拍图片中的文字提取，并且提取出的文字序列还是长短不一的。考虑卷积神经网络在图像特征提取方面有很好的效果，输出可以采用CTC实现长度可变的预测。
1.图片信息：
(a) 标注：魅派集成吊顶
(b) 标注：母婴用品连锁
2.训练集标注文件：
h表示图片高，w表示图片宽，name为图片路径，value为图片对应的标注（如：母婴用品连锁）。
3.要求的预测结果格式为：
name为测试集图片名字，value为预测出的结果（如：母婴用品连锁）
模型原理
模型采用CRNN-CTC结构（CNN+RNN+CTC）：先用CNN网络提取图像特征，转化为时间序列再传入RNN网络,最后输出使用CTC层（不同样本的标签序列长度可以不一致）。
结构图：
1. CNN层搭建：
卷积层的分量是通过从标准CNN模型中提取卷积层和最大池化层来构造的（全连接层被移除）。该模块用于从输入图像中提取序列特征表示。在被输入到网络之前，所有的图像都需要缩放到相同的高度。然后从卷积层分量产生的特征映射中提取一系列特征向量，这是递归层的输入。
#卷积层的Paddle实现
paddle.fluid.layers.conv2d(input, num_filters, filter_size, stride=1, padding=0, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, name=None, data_format="NCHW")
#最大池化层的Paddle实现
paddle.fluid.layers.pool2d(input, pool_size=-1, pool_type='max', pool_stride=1, pool_padding=0, global_pooling=False, use_cudnn=True, ceil_mode=False, name=None, exclusive=True, data_format="NCHW")
#全连接层的Paddle实现
paddle.fluid.layers.fc(input, size, num_flatten_dims=1, param_attr=None, bias_attr=None, act=None, name=None)
2.LSTM层（递归层）：
（a）图是传统的LSTM结构：一个LSTM由一个单元模块和三个门组成，即输入门、输出门和遗忘门。
（b）图是论文中使用的结构：深层双向LSTM的结构。将前向（从左到右)和后向(从右到左）LSTM相结合构成双向LSTM。堆叠2个双向LSTM构成深层双向LSTM。
本次比赛使用代码实现用的是双层GRU单元：
paddle.fluid.layers.dynamic_gru(input, size, param_attr=None, bias_attr=None, is_reverse=False, gate_activation='sigmoid', candidate_activation='tanh', h_0=None, origin_mode=False)
飞桨也提供了LSTM的实现方法
paddle.fluid.layers.dynamic_lstm(input, size, h_0=None, c_0=None, param_attr=None, bias_attr=None, use_peepholes=True, is_reverse=False, gate_activation='sigmoid', cell_activation='tanh', candidate_activation='tanh', dtype='float32', name=None)
3.CTC层（转录层）：
转录是将RNN所做的每帧预测转换为标签序列的过程。从数学上讲，转录是找到基于每帧预测的概率最高的标签序列。在实践中，存在两种转录模式，即无词典转录和基于词典的转录。词汇是一组标签序列，预测是对的约束，例如。拼写检查字典。在无词汇模式下，预测是在没有任何词汇的情况下进行的。在基于词汇的模式下，预测是通过选择概率最高的标签序列来进行的。
我是使用第二种：预测通过选择概率最高的标签序列来进行。
#Paddle已经提供了代码实现
paddle.fluid.layers.ctc_greedy_decoder(input, blank, name=None)
4.现在来总结一下该模型的搭建吧！
论文中提供的网络层和参数的图片已经很直观了，稍微解释一下（从下往上看）：
第一层（卷积层）：图片（input）经过1层步长为1（s表示），填充为1（p表示）的3x3卷积，过滤器数量为64.
第二层（最大池化层）：第一层的输出进行2x2的最大池化，步长为2，以此类推。BatchNormalization表示批归一化：用batch_norm实现
#batch_norm的Paddle实现
paddle.fluid.layers.batch_norm(input, act=None, is_test=False, momentum=0.9, epsilon=1e-05, param_attr=None, bias_attr=None, data_layout='NCHW', in_place=False, name=None, moving_mean_name=None, moving_variance_name=None, do_model_average_for_mean_and_var=False, use_global_stats=False)
Bidirectional-LSTM在论文中为2层的双向LSTM。实现代码中我使用的是2层的GRU单元，读者可以尝试使用LSTM。
回溯时间(BPTT)是在递归层的底部，将传播的差分序列连接成映射，将特征映射转换为特征序列的操作倒置，并反馈给卷积层。在实践中，我们创建了一个自定义网络层，称为“映射到等”，作为卷积层和递归层之间的桥梁。
完整步骤的代码实现为：
import paddle.fluid as fluid
from paddle.fluid import ParamAttr
from paddle.fluid.clip import GradientClipByNorm
from paddle.fluid.regularizer import L2Decay
from paddle.fluid.initializer import MSRA, Normal
from paddle.fluid.layers import conv2d, conv2d_transpose, batch_norm, fc, dynamic_gru, im2sequence, elementwise_mul, \
pool2d, dropout, concat
class CRNN(object):
def __init__(self, num_classes, label_dict):
self.outputs = None
self.label_dict = label_dict
self.num_classes = num_classes#类别数
def name(self):
return 'crnn'
def conv_bn_pool(self, x, n_filters, n_ConvBN, pool_stride, w_conv, is_test):
w_bn = ParamAttr(regularizer=L2Decay(0.001))#设置L2正则化,初始化权重
b_bn = ParamAttr(regularizer=L2Decay(0.001), initializer=Normal(0.0, 0.0))
for _ in range(n_ConvBN):
x = conv2d(x, n_filters, 3, 1, 1, param_attr=w_conv)#定义卷积层
#批归一化
x = batch_norm(x, act='relu', param_attr=w_bn, bias_attr=b_bn, is_test=is_test)
assert pool_stride in [2, (2, 1), (3, 1)]#使用断言
if pool_stride == 2:
x = pool2d(x, 2, 'max', pool_stride, 0, ceil_mode=True)#定义池化层，最大池化
elif pool_stride == (2, 1):
x = pool2d(x, (2, 1), 'max', pool_stride, 0, ceil_mode=True)
elif pool_stride == (3, 1):
x = pool2d(x, (3, 1), 'max', pool_stride, 0, ceil_mode=True)
return x
def ocr_convs(self, x, is_test):
w_conv1 = ParamAttr(regularizer=L2Decay(0.001))
w_conv2 = ParamAttr(regularizer=L2Decay(0.001))
w_conv3 = ParamAttr(regularizer=L2Decay(0.001))
x = self.conv_bn_pool(x, 128, 1, 2, w_conv1, is_test)
x = self.conv_bn_pool(x, 256, 1, 2, w_conv2, is_test)
x = self.conv_bn_pool(x, 512, 2, 2, w_conv2, is_test)
x = self.conv_bn_pool(x, 1024, 2, (2, 1), w_conv3, is_test)
return x
def net(self, images, rnn_hidden_size=750, is_test=False):
w_fc = ParamAttr(regularizer=L2Decay(0.001))
b_fc1 = ParamAttr(regularizer=L2Decay(0.001), initializer=Normal(0.0, 0.0))
b_fc2 = ParamAttr(regularizer=L2Decay(0.001), initializer=Normal(0.0, 0.0), learning_rate=2.0)
b_fc3 = ParamAttr(regularizer=L2Decay(0.001), initializer=Normal(0.0, 0.0))
x = self.ocr_convs(images, is_test)
x = im2sequence(x, (x.shape[2], 1), (1, 1))#用 filter 扫描输入的Tensor并将输入Tensor转换成序列
fc_1 = fc(x, rnn_hidden_size * 3, param_attr=w_fc, bias_attr=b_fc1)#定义全连接层，将cnn层输出处理成序列，用于代入RNN层
fc_2 = fc(x, rnn_hidden_size * 3, param_attr=w_fc, bias_attr=b_fc1)
gru_forward = dynamic_gru(fc_1, rnn_hidden_size, param_attr=w_fc, bias_attr=b_fc2, candidate_activation='relu')#用于在完整序列上逐个时间步的进行单层Gated Recurrent Unit（GRU）的计算
gru_backward = dynamic_gru(fc_2, rnn_hidden_size, param_attr=w_fc, bias_attr=b_fc2, candidate_activation='relu',
is_reverse=True)#使用2层结构
bigru = gru_forward + gru_backward
bigru = dropout(bigru, 0.5, is_test)#使用随机丢弃单元的正则化方法
fc_out = fc(bigru, self.num_classes + 1, param_attr=w_fc, bias_attr=b_fc3)#全连接层
self.outputs = fc_out
return fc_out
def get_infer(self, images):#CTC转录层
return fluid.layers.ctc_greedy_decoder(input=self.outputs, blank=self.num_classes)
方法总结
该项目基于官方基线（baseline）上进行优化，在测试集上的分数大约为75.79，我在此基础上大约提高了5%。本项目主要是做了数据增强，加上必要的调参，网络部分基本上改动不大。原数据集是21万张训练集，我将他增加到了42万张（翻了2倍）。
本次使用的数据增强方法有：
-
对这42万张训练集图片都进行调整亮度、色度、对比度、饱和度，增加模型鲁棒性；
-
对其中21万张图片再进行随机的小幅度左右旋转（旋转角度为10到10之间）以及随机放大（1-2倍之间）。
在比赛之前，通常掌握的都是各方面各种课程的比较零散的知识，通过比赛，用这些知识，一步步构建出一个项目，优化模型，达到比较好的效果，并且还拿到了奖品，这是非常值得开心的。
下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu
