使用 Keras 进行免分割手写文本识别

Question

我目前正在开发一个用于免分割手写文本识别的应用程序。 因此，文本行是从输入文档中提取的，然后应该被识别。

出于开发目的，我使用IAM Handwriting Database。它提供文本行图像以及相应的 ASCII 文本。

为了获得认可，我采用了论文“An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition”和“Can We Build Language-independent OCR Using LSTM Networks?”中的方法。

基本上，我使用双向 GRU 架构和前向后向算法将转录本与神经网络的输出对齐。

数据库中的图像如下所示：

图像显示为一维像素值序列，更准确地说，图像首先缩放到 32 像素的高度。
上图尺寸为 597 x 32 的 numpy 数组，其形状为：(597, 32)。
代表大小为 n 的整体训练图像的 numpy 数组具有以下形状： (n, w, 32) 其中 w 表示线条图像的可变宽度（例如 597）。

以下代码显示了如何表示训练图像和转录：

x_train = []
y_train = []
line_height_normalized = 32
for i in range(sample_size):
    transcription_train, image_train = self._get_next_sample()
    image_train = convert_to_grayscale(image_train)
    image_train = scale_y(image_train, line_height_normalized)
    image_train_patches = sklearn_image.extract_patches_2d(image_train, (line_height_normalized, 1))   
    image_train_patches = numpy.reshape(image_train_patches, (image_train_patches.shape[0], -1))
    x_train.append(image_train_patches)
    y_train.append(transcription_train)

我使用Keras，循环神经网络和CTC函数的创建都是基于this example。

charset = 68
number_of_memory_units = 512
time_steps = None
input_dimension = 32  # the height of a text line in pixel

# input shape see https://github.com/keras-team/keras/issues/3683
network_input = Input(name="input", shape=(time_steps, input_dimension))  

gru_layer_1 = GRU(number_of_memory_units, return_sequences=True, kernel_initializer='he_normal',
                  name='gru_layer_1')(network_input)
gru_layer_1_backwards = GRU(number_of_memory_units, return_sequences=True, go_backwards=True,
                  kernel_initializer='he_normal',name='gru_layer_1_backwards')(network_input)
gru_layer_1_merged = add([gru_layer_1, gru_layer_1_backwards])
gru_layer_2 = GRU(number_of_memory_units, return_sequences=True, kernel_initializer='he_normal',
                  name='gru_layer_2')(gru_layer_1_merged)
gru_layer_2_backwards = GRU(number_of_memory_units, return_sequences=True, go_backwards=True, kernel_initializer='he_normal',
                  name='gru_layer_2_backwards')(gru_layer_1_merged)

output_layer = Dense(charset, kernel_initializer='he_normal',
                  name='dense_layer')(concatenate([gru_layer_2, gru_layer_2_backwards]))
prediction = Activation('softmax', name='output_to_ctc')(output_layer)

# create the ctc layer
input_length = Input(name='input_length', shape=[1], dtype='int64')
label_length = Input(name='label_length', shape=[1], dtype='int64')
max_line_length = 200  # see QUESTION 1
labels = Input(name='labels', shape=[max_line_length], dtype='float32')
loss_out = Lambda(RecurrentNeuralNetwork._ctc_function, name='ctc')(
        [prediction, labels, input_length, label_length])
model = Model(inputs=[network_input, labels, input_length, label_length], outputs=loss_out)

sgd = SGD(lr=0.02, decay=1e-6, momentum=0.9, nesterov=True, clipnorm=5)
model.compile(loss={'ctc': lambda l_truth, l_prediction: prediction}, optimizer=sgd)

问题 1
在示例中，使用了 max_line_length；正如我在互联网上阅读的那样（但我认为我不太理解它退出了），因为底层 CTC 函数需要知道应该创建多少张量，所以需要最大行长度。
什么长度适合可变行长？这对看不见的文本行的识别有何影响？
此外，input_length 变量和 label_length 变量究竟代表什么？

下一步训练网络：

batch_size = 1  
number_of_epochs = 4 

size = 32  # line height? see QUESTION 2
input_length = numpy.zeros([size, 1])
label_length = numpy.zeros([size, 1])
for epoch in range(number_of_epochs):
    for x_train_batch, y_train_batch in zip(x_train, y_train_labels):
        x_train_batch = numpy.reshape(x_train_batch, (1, len(x_train_batch), 32))
        inputs = {'input': x_train_batch, 'labels': numpy.array(y_train_batch),
                      'input_length': input_length, 'label_length': label_length}
        outputs = {'ctc': numpy.zeros([size])}  # dummy data for dummy loss function
        self.model.fit(x=inputs, y=outputs, batch_size=batch_size, epochs=1, shuffle=False)
        self.model.reset_states()

由于时间步长（文本行的宽度）可变，因此以 1 大小的批次进行训练。
文本行的转录由一个numpy数组y_train_batch表示；每个字符都是数字编码的。
上面图像示例的转录如下所示：

[26 62 38 40 47 30 62 19 14 62 18 19 14 15 62 38 17 64 62 32  0  8 19 18 10  4 11 11 62  5 17 14 12]   

问题 2
size 变量代表什么？它是单个图像块的尺寸，因此是每个时间步的特征吗？

错误
发生的错误如下：

• 预期标签的形状为 (200,)，但数组的形状为 (1,)
  是否有必要填充标签数组以包含 200 个元素？

当我将 max_line_length 的值替换为 1 时，会发生下一个错误：

• 所有输入数组 (x) 应具有相同数量的样本。得到数组形状：[(1, 597, 32), (33, 1), (32, 1), (32, 1)]
  其他三个数组是否需要reshape？
  我不确定解决此问题的“正确”方法是什么以及接下来可能发生的错误？

也许有人可以为我指明正确的方向。
非常感谢！

Answer 1

好的，我无法用评论部分提供的 600 个字符来解释这一点，因此我将通过回答来做到这一点，但忽略您的 Q2。

您提到的论文的代码可以在以下位置找到：https://github.com/bgshih/crnn 这是手写文本识别的一个很好的起点。 但是，CRNN 实现在字级别上识别文本，您希望在行级别上进行，因此您需要更大的输入图像，例如我使用了 800x64px 和最大文本长度 100。 正如已经说过的，将图像拉伸到所需的大小效果并不好，在我的实验中，使用填充时精度会提高（稍微随机化位置......这是一种进行数据增强的简单方法）。

最大文本长度 L 和输入图像宽度 W 之间存在关系：神经网络 (NN) 通过固定比例因子 f 缩小输入图像：L=W/f（在我的示例中：W=800px , L = 100, f = 8)。 所附插图显示了输入图像 (800x64px) 和字符概率矩阵（100 个时间步长中每一个的 80 个可能字符中的每一个的概率）。 NN 将输入图像映射到该字符概率矩阵，该矩阵用作 CTC 的输入。 由于矩阵中有 L 个时间步长，因此最多可以有 L 个字符：这当然适用于解码，但损失计算必须以某种方式将 ground truth 文本与该矩阵对齐，以及如何将文本与 L +1 个字符仅与矩阵中包含的 L 个时间步长对齐！？ 请注意，在 CTC 计算中重复的字符（如“piZZa”）必须用特殊字符分隔 - 因此每次重复可能的文本长度减少 1。

我认为通过这种解释，您应该能够弄清楚代码中所有这些长度变量是如何相互关联的。