OCR文字識(shí)別-基于CTC/Attention/ACE的三大解碼算法
什么是OCR文字識(shí)別？
一般來說，文字識(shí)別之前需要先對(duì)文字進(jìn)行定位(文字檢測(cè)主要有基于物體檢測(cè)和基于分割兩種方法)，文字識(shí)別就是通過輸入文字圖片，然后解碼成文字的方法。本文主要講文字識(shí)別部分，文字識(shí)別主要分成三種類型：?jiǎn)巫址诸悺⒄~分類和整詞識(shí)別。當(dāng)能夠定位出單字時(shí)，可以用圖像分類的方法直接對(duì)單字進(jìn)行分類；當(dāng)需要預(yù)測(cè)整詞數(shù)量較少時(shí)，可以對(duì)整詞進(jìn)行分類；當(dāng)有大量整詞需要預(yù)測(cè)并且沒有單字定位時(shí)，就需要用解碼序列的方法進(jìn)行識(shí)別了。因此，文字識(shí)別中最常用的是文字序列識(shí)別，適用場(chǎng)景更為廣泛。本文將主要介紹文字序列識(shí)別的解碼算法。
OCR解碼是文字識(shí)別中最為核心的問題。本文主要對(duì)OCR的序列方法CTC、Attention、ACE進(jìn)行介紹，微信OCR算法就是參考這三種解碼算法的。
不同的解碼算法的特征提取器可以共用，后面接上不同的解碼算法就可以實(shí)現(xiàn)文字識(shí)別了，以下用CRNN作為特征提取器。
CRNN
CRNN的特征抽取器由一個(gè)CNN和一個(gè)BiLSTM組成，其中BiLSTM使用的是stack形深層雙向LSTM結(jié)構(gòu)。
CRNN特征提取器流程如下：
1.假設(shè)輸入圖像尺寸為32x100x3(HxWxC)，經(jīng)過CNN轉(zhuǎn)換成1x25x512(HxWxC)。
2.將CNN的輸出維度轉(zhuǎn)換為25個(gè)1x512的序列，送入深層雙向LSTM中，得到CRNN的輸出特征，維度轉(zhuǎn)換成為25xn(n是字符集合總數(shù))。
OCR文字識(shí)別的難點(diǎn)
OCR文字識(shí)別的解碼主要難點(diǎn)在于如何進(jìn)行輸入輸出的對(duì)齊。如上圖所示，如果每個(gè)1xn預(yù)測(cè)一個(gè)字符，那么可能會(huì)出現(xiàn)多個(gè)1xn預(yù)測(cè)同一個(gè)字符，這樣子得到的最終結(jié)果會(huì)產(chǎn)生重復(fù)字符。所以需要設(shè)計(jì)針對(duì)文字識(shí)別的解碼算法來解決輸入輸出的對(duì)齊問題。
目前我了解到的主要有三種解碼方法，可以解決OCR解碼的一對(duì)多問題，分別為CTC、Attention和ACE三種。
CTC
CTC是最為經(jīng)典的OCR解碼算法，假設(shè)CRNN特征抽取器的輸出維度Txn，其中T=8，n包含blank(記作 - )字符(blank字符是間隔符，意思是前后字符不連續(xù))。對(duì)每一列1xn進(jìn)行softmax得到概率最大的字符，得到的最終序列需要去除連續(xù)的重復(fù)字符，比如最終得到的序列為-stt-ate，那么去重合并后就得到state序列。
那么state的序列概率就變成了所有去重合并后為state的字符序列概率之和，只要最大化字符序列概率，就可以優(yōu)化CRNN+CTC的文字識(shí)別算法。由于每個(gè)字符前后都可以插入blank，所以可以將所有可能狀態(tài)如下圖展開。
為了方便起見，對(duì)于所有state序列的合法路徑做一些限制，規(guī)則如下：
1.轉(zhuǎn)換只能往右下方向，其它方向不允許
2.相同的字符之間起碼要有一個(gè)空字符
3.非空字符不能被跳過
4.起點(diǎn)必須從前兩個(gè)字符開始
5.終點(diǎn)必須落在結(jié)尾兩個(gè)字符
根據(jù)上述約束規(guī)則，遍歷所有"state"序列的合法路徑，“state”的所有合法路徑如下圖所示：
其中綠色框部分為起點(diǎn)和終點(diǎn)，藍(lán)色箭頭為"state"序列的合法路徑。當(dāng)然可以通過枚舉所有路徑，然后求所有路徑的概率之和即為"state"序列的概率。但是枚舉所有路徑計(jì)算復(fù)雜度太高了，于是CTC引入了HMM的前向-后向算法來減少計(jì)算復(fù)雜度(可以參考一下我之前的回答，增加隱馬爾可夫模型(HMM)的理解)。
以前向算法為例(后向算法可以認(rèn)為是狀態(tài)序列的反轉(zhuǎn)，計(jì)算方法相同)，簡(jiǎn)單來說，就是利用分治和動(dòng)態(tài)規(guī)劃的思想，把8個(gè)時(shí)間點(diǎn)拆分成7個(gè)重復(fù)單元，然后先計(jì)算出第一個(gè)重復(fù)單元紅色虛線框中每個(gè)狀態(tài)的觀測(cè)概率，并且保存下來當(dāng)作下一個(gè)重復(fù)單元的初始狀態(tài)，循環(huán)計(jì)算7次就得了最終的觀測(cè)概率。比起暴力求解觀測(cè)概率，復(fù)雜度大大降低。
Attention
基于Attention的OCR解碼算法，把OCR文字識(shí)別當(dāng)成文字翻譯任務(wù)，即通過Attention Decoder出文字序列。
RNN -> Seq2Seq
左圖是經(jīng)典的RNN結(jié)構(gòu)，右圖是Seq2Seq結(jié)構(gòu)。RNN的輸入序列和輸出序列必須有相同的時(shí)間長(zhǎng)度，而機(jī)器翻譯以及文字識(shí)別任務(wù)都是輸入輸出不對(duì)齊的，不能直接使用RNN結(jié)構(gòu)進(jìn)行解碼。于是在Seq2Seq結(jié)構(gòu)中，將輸入序列進(jìn)行Encoder編碼成一個(gè)統(tǒng)一的語義向量Context，然后送入Decoder中一個(gè)一個(gè)解碼出輸出序列。在Decoder解碼過程中，第一個(gè)輸入字符為<start>，然后不斷將前一個(gè)時(shí)刻的輸出作為下一個(gè)時(shí)刻的輸入，循環(huán)解碼，直到輸出<stop>字符為止。
Seq2Seq -> Attention Decoder
Seq2Seq把所有的輸入序列都編碼成一個(gè)統(tǒng)一的語義向量Context，然后再由Decoder解碼。由于context包含原始序列中的所有信息，它的長(zhǎng)度就成了限制模型性能的瓶頸。如機(jī)器翻譯問題，當(dāng)要翻譯的句子較長(zhǎng)時(shí)，一個(gè)Context可能存不下那么多信息，就會(huì)造成精度的下降。除此之外，如果按照上述方式實(shí)現(xiàn)，只用到了編碼器的最后一個(gè)隱藏層狀態(tài)，信息利用率低下。
所以如果要改進(jìn)Seq2Seq結(jié)構(gòu)，最好的切入角度就是：利用Encoder所有隱藏層狀態(tài)解決Context長(zhǎng)度限制問題。于是Attention Decoder在Seq2Seq的基礎(chǔ)上，增加了一個(gè)Attention Layer，如上圖所示。
在Decoder時(shí)，每個(gè)時(shí)刻的解碼狀態(tài)跟Encoder的所有隱藏層狀態(tài)進(jìn)行cross-attention計(jì)算，cross-attention將當(dāng)前解碼的隱藏層狀態(tài)和encoder的所有隱藏層狀態(tài)做相關(guān)性計(jì)算，然后對(duì)encoder的所有隱藏層加權(quán)求和，最后和當(dāng)前解碼的隱藏層狀態(tài)concat得到最終的狀態(tài)。這里的cross-attention計(jì)算方式也為后來的Transformer框架打下了基礎(chǔ)(詳細(xì)看我之前寫的文章計(jì)算機(jī)視覺"新"范式: Transformer)。
另外，從形式上看，Attention Decoder很自然的可以替換成最近非常流行的Transformer，事實(shí)上，最近也有幾篇基于Vision Transformer的文本識(shí)別算法。
ACE
基于ACE的解碼方法不同于CTC和Attention，ACE的監(jiān)督信號(hào)實(shí)際上是一種弱監(jiān)督(輸入輸出沒有做形式上的對(duì)齊，沒有先后順序信息，傾向于學(xué)習(xí)表征)，并且可以用于多行文字識(shí)別。
對(duì)于單行文字，假設(shè)輸出維度為Txn(T是序列長(zhǎng)度，n是字符集合總數(shù))，那么第k個(gè)字符出現(xiàn)的總數(shù)為
CTC/Attention/ACE三種解碼算法比較
從模型設(shè)計(jì)上來看，可以采用結(jié)合上面3種方法的多任務(wù)文本識(shí)別模型。在訓(xùn)練時(shí)，以CTC為主，Attention Decoder和ACE輔助訓(xùn)練。在預(yù)測(cè)時(shí)，考慮到速度和性能，只采用CTC進(jìn)行解碼預(yù)測(cè)。多任務(wù)可以提高模型的泛化性，同時(shí)如果對(duì)預(yù)測(cè)時(shí)間要求不高，多結(jié)果也可以提供更多的選擇和對(duì)比。
上圖來源于微信OCR技術(shù)的比較：
1.CTC和ACE方法不需要額外的計(jì)算參數(shù)，Attention需要額外的計(jì)算參數(shù)
2.推理內(nèi)存，ACE < CTC < Attention；推理速度，ACE > CTC > Attention
3.CTC效果更好一些，適合長(zhǎng)文本；Attention可以得到語言模型；ACE可以用于計(jì)數(shù)和2D預(yù)測(cè)
由于Attention依賴于上一個(gè)預(yù)測(cè)結(jié)果，導(dǎo)致只能串行解碼，推理速度影響較大，但是可以得到語言模型做pretrain遷移使用；而CTC可以通過引入blank字符做形式上對(duì)齊，并且通過HMM前向-后向算法加速；ACE則直接不依賴順序信息，直接估計(jì)整體分布。三者各有利弊，實(shí)際使用時(shí)，需要結(jié)合具體任務(wù)按需使用。
Reference
[1] An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition
[2] Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks
[3] Robust Scene Text Recognition with Automatic Rectification
[4] Aggregation Cross-Entropy for Sequence Recognition
[5] https://mp.weixin.qq.com/s/6IGXof3KWVnN8z1i2YOqJA
強(qiáng)烈推薦以下三篇blog
https://zhuanlan.zhihu.com/p/43534801
https://zhuanlan.zhihu.com/p/51383402
https://xiaodu.io/ctc-explained/
··· END ···
覺得有用給個(gè)在看吧 