Awesome

简介

caffe_ocr是一个对现有主流ocr算法研究实验性的项目，目前实现了CNN+BLSTM+CTC的识别架构，并在数据准备、网络设计、调参等方面进行了诸多的实验。代码包含了对lstm、warp-ctc、multi-label等的适配和修改，还有基于inception、restnet、densenet的网络结构。代码是针对windows平台的，linux平台下只需要合并相关的修改到caffe代码中即可。

caffe代码修改

1. data layer增加了对multi-label的支持 2. lstm使用的是junhyukoh实现的lstm版本（lstm_layer_Junhyuk.cpp/cu），原版不支持变长输入的识别。输入的shape由(TxN)xH改为TxNxH以适应ctc的输入结构。 3. WarpCTCLossLayer去掉了对sequence indicators依赖（训练时CNN输出的结构是固定的），简化了网络结构（不需要sequence indicator layer）。 4. densenet修改了对Reshape没有正确响应的bug，实现了对变长输入预测的支持。 5. 增加transpose_layer、reverse_layer，实现对CNN feature map与lstm输入shape的适配

编译

1. 安装opencv,boost,cuda,其它依赖库在3rdparty下（包含debug版的lib:http://pan.baidu.com/s/1nvIFojJ） 2. caffe-vsproj下为vs2015的工程，配置好依赖库的路径即可编译，编译后会在tools_bin目录下生成训练程序caffe.exe 3. 相关的依赖dll可从百度网盘下载（http://pan.baidu.com/s/1boOiscJ）

测试

1. 编译caffe-vsproj/libClassification,修改自examples\cpp_classification，实现了模型加载、预测等基本功能。 2. 编译caffe-vsproj/ocr_test，实现了中文、英文ocr模型的测试功能，英文ocr包含了直接预测和词典辅助预测（英文词典文件examples/ocr/lexicon.txt）

实验

数据准备 （1）VGG Synthetic Word Dataset （2）合成的中文数据（链接：https://pan.baidu.com/s/1TXeZUcpVOUxrtfRtWKMSGg 提取码：ujjc ）

数据是利用中文语料库（新闻+文言文），通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成的。 

字典中包含汉字、标点、英文、数字共5990个字符（语料字频统计，全角半角合并） 

每个样本固定10个字符，字符随机截取自语料库中的句子 

图片分辨率统一为280x32 

共生成约360万张图片，按9:1分成训练集、验证集，测试集约6万张

网络设计 网络结构在examples/ocr目录下
主要实验结果

英文数据集 VGG Synthetic Word Dataset:

网格结构	predict-CPU	predict-GPU	准确率-no lexicon	准确率-lexicon-minctcloss	模型大小
crnn	67.13ms	10.28ms	0.8435	0.9163	32MB
inception-bn-res-blstm	41.62ms	8.68ms	0.7353	0.8609	15MB
densenet-res-blstm	N/A	6.07ms	0.7548	0.893	11MB

中文数据集:

网格结构	predict-CPU	predict-GPU	准确率	模型大小
inception-bn-res-blstm	65.4ms	11.2ms	0.92	26.9MB
resnet-res-blstm	64ms	10.75ms	0.91	23.2MB
densenet-res-blstm	N/A	7.73ms	0.965	22.9MB
densenet-no-blstm	N/A	2.4ms	0.97	5.6MB
densenet-sum-blstm-full-res-blstm	N/A	7.83ms	0.9805	15.5MB
densenet-no-blstm-vertical-feature	N/A	3.05ms	0.9816	9.6MB

中文数据集上训练好的模型：http://pan.baidu.com/s/1i5d5zdN

说明： 

CPU是Xeon E3 1230, GPU是1080TI 

densenet使用的是memory-efficient版本，其CPU代码并没有使用blas库，只是实现了原始的卷积操作，速度非常慢，待优化后再做对比。 

“res-blstm”表示残差形式的blstm，“no-blstm”表示没有lstm层，CNN直接对接CTC 

准确率是指整串正确的比例,在验证集上统计,"准确率-no lexicon"表示没用词典的准确率，"准确率-lexicon-minctcloss"指先在词典中查找Edit Distance <=2的单词，再选择ctcloss最小的单词作为识别结果 

predict-CPU/GPU为单张图片的预测时间，predict-CPU的后端是openblas，MKL比openblas快约一倍。中文数据集上图片分辨率为280x32，英文数据集100x32

densenet-sum-blstm-full-res-blstm相对于densenet-res-blstm有两点改动：（1）两个lstm结合成blstm的方式由concat改为sum；（2）两层blstm都采用残差方式连接（CNN最后的Channel数改为与blstm结点数相同），最后得到了最高的准确率。

densenet-no-blstm-vertical-feature相对于densenet-no-blstm去掉了1x4的pooling层，使得CNN最后一层的feature maps的高度为4，更好的保留笔画在垂直方向的变化信息，再reshape BxCxHxW --> Bx(CxH)x1xW串成高度为1的feature maps, 最后准确率上略好于之前的最好结果，可见CNN feature方面还有很多可挖掘的地方。

一些tricks （1）残差形式的blstm可显著提升准确率，中文数据集上0.94-->0.965，两层BLSTM都用残差后又提升到了0.9805 （2）网络的CNN部分相对于BLSTM部分可以设置更高的学习率，这样可以显著增加收敛速度
疑问 （1）去掉blstm，直接用CNN+CTC的结构，在中文数据集上也可以取得很高的准确率（densenet-no-blstm），为什么？ 可能的原因：a）CNN最后一层得到的特征对于字符级别的建模已经具有很好表征，b)lstm收敛较慢，需要更长的时间才能达到相同的精度。
现存的问题 （1）宽度较小的数字、英文字符会出现丢字的情况，如“11”、“ll”，应该是因为CNN特征感受野过大没有看到文字间隙的缘故。

提高准确率TODO

1. 数据方面: 增大数据量，语料库均匀采样(https://yq.aliyun.com/articles/109555?t=t1) 2. 网络方面：增大网络（train、test loss很接近，现有网络没有过拟合），Attention,STN,辅助loss

引用

crnn(https://arxiv.org/abs/1507.05717)
multi-label的支持(http://blog.csdn.net/hubin232/article/details/50960201)
junhyukoh实现的lstm版本（https://github.com/junhyukoh/caffe-lstm）
caffe-warp-ctc(https://github.com/BVLC/caffe/pull/4681)
memory-efficient densenet(https://github.com/Tongcheng/caffe/)
语料库（http://www.sogou.com/labs/resource/cs.php）