|
|
- # 多语言文本识别
-
- ## 介绍
-
-
- 采用基于faster rcnn 的CTPN网络进行文本定位，修改原网络以进行多语言语言识别。利用神经网络预测文本行与anchor之间的偏移量。使用VGG16提取特征，在feature map上使用滑动窗口预测和anchor之间的偏移距离，之后将其输入到一个双向LSTM网络，获得序列特征。由于文本行长度差异较大，模型仅预测anchor高度，最后循环连接小尺度的文本框。
-
- 文本识别网络采用seq2seq模型以及attention机制。encoder端使用CNN以获得较高的并行速度，同时采用positional embedding表征位置信息； decoder端使用LSTM做解码器。考虑到数学公式的识别存在长距离依赖的问题，故引入attention机制。
- 训练数据结合了拍摄的图像以及课题组制作的含有混合latex公式及文字的图像，训练过程中进行了图像增强，以提高泛化能力。
-
- ## 结构
-
-
-
- - 文本行定位
-
- main文件夹，net文件夹。 权重：checkpoint_mlt
-
- - 文本识别
-
- model文件夹 权重：results/full
-
- - 数据生成脚本：generate_data文件夹
-
- train：训练文本识别部分的网络
-
- evaluate_txt：验证文本识别部分的网络
-
- Main/train:训练文本定位部分的网络
-
- predict: 单行预测
-
- demo2：展示两个网络联合起来的效果，输入多行图片预测
-
- Classification：单图像语言分类（最终模型未使用）
-
- - 数据来源：
-
- 1. 自生成的行级别Latex与行级别的英文数据，用于训练文本识别网络。
-
- Latex文本来源为arXiv论文http://www.cs.cornell.edu/projects/kddcup/datasets.html
-
- 英文文本来源为美国当代英语语料库（COCA）
-
- 经过处理后的实验的文本数据在data2和data3中。
-
- 2. 自生成的图像级别的数据集，用于训练文本框检测网络
-
- 英文文本，Latex文本来源同上。
-
- - 文本识别结果
-
-
-
- | | BLEU-4 | Inverse Edit | perplexity | Exact Match |
- | --------------- | ------ | ------------ | ---------- | ----------- |
- | Seq2seq混合式 | 86.36 | 88.69 | -1.44 | 36.20 |
- | Seq2seq-Latex | 90.10 | 84.12 | -1.32 | 37.21 |
- | Seq2seq-English | 97.2 | 97.22 | -1.05 | 88.54 |
|
