关于crnn中的ctc

最新推荐文章于 2024-10-07 01:45:58 发布
原创 最新推荐文章于 2024-10-07 01:45:58 发布 · 463 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文深入探讨了卷积循环神经网络（CRNN）在图像识别中的工作原理，重点介绍了CTC（连接ist序列学习）的作用。CTC解决了在训练时标签对齐的问题，通过引入空白符号简化了序列到序列的映射。它计算所有可能的路径概率并取对数负概率作为损失。在实际操作中，CTC利用动态规划进行编辑距离计算，简化了序列预测过程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

图文可以参考
crnn就是卷积加lstm加ctc，cnn用于提取特征，lstm用于提取序列特征，ctc用来解决训练时标签对齐问题，假如没有ctc，经过lstm输出的维度为w×n×c，其中w为输入进lstm的特征图宽度，n为batch size，c为类别数，如果直接以softmax输出，我们需要为每一个时刻的序列都标注一个标签，而每一个序列在原图上会对应一个区域，这样我们会为一个图片标注w个标签，我们在标注标签的时候还需要计算每一个序列在原图对应的区域，是相当麻烦的，ctc提出了一种计算方法，引入blank，如果输出序列中相邻的字符相同，那么就合并，如果相同但是中间有个空白符，就保留，这样就会输出一个标签序列，即为P(Π|x),意思是在x的条件下输出为Π的概率，在ctc中就是每个序列的预测概率乘积，但是输出序列可能会和标签序列的长度不同，ctc计算思想就是，计算所有由Π到达标签l的的概率总和的-ln，简单来说就是-ln(p(l|x)),l是标签，x对应lstm输出。
这里我并没有去解释Π怎么变成l的，实际中会用到动态规划的算法，求编辑距离，比较麻烦，这些足够应付面试提问了

软件工程应用与实践（十一）：CRNN-CTC模型再介绍
pinkray_c的博客
12-11 3070
2021SC@SDUSC 目录 一、前情回顾和背景介绍 1.1　PP-OCR文字识别策略回顾 1.2　CRNN-CTC模型概述 二、CRNN-CTC模型策略详解 2.1 模型流程 代码结构 数据 数据示例 数据准备 模型训练 测试 三、CTC model VS　attention model 预测 预训练模型 总结 一、前情回顾和背景介绍 1.1　PP-OCR文字识别策略回顾 策略的选用主要是用来增强模型能力和减少模型大小。下面是PP-OCR文字识...
字符识别--CRNN+CTC
远方传来风铃
03-14 1490
文字检测过程分两步，第一步为检测出文字所在的位置，第二步根据检测框里的内容进行文字识别。 SRN字符识别算法全称Towards Accurate Scene Text Recognition with Semantic Reasoning Networks，论文地址：https://arxiv.org/abs/2003.12294 文字定位算法这里有讲：https://blog.csdn.net/qq_31607947/article/details/114637794 一、背景知识 1..
CRNN_CTC_OCR models.rar
05-17
DL之CNN：基于CRNN_OCR算法(keras,CNN+RNN)利用DIY数据集训练来实现新图片上的不定长度中文文字识别 https://blog.csdn.net/qq_41185868/article/details/90246673
CV-CRNN+CTC
09-09 896
是一种结合了卷积神经网络（CNN）和递归神经网络（RNN）的文本识别方法，广泛应用于场景文本识别和手写文字识别等任务。它能够处理序列数据的非对齐问题，特别适合处理不同长度的输入和输出序列。CRNN 是一种结合了卷积层和递归层的神经网络架构。卷积层用于从输入图像中提取空间特征，而递归层（通常是LSTM或GRU）用于捕捉序列信息。CTC 是一种用于处理序列标注任务的损失函数。它允许模型在输入序列中生成不定长的输出序列，并且不需要对齐输入和输出。blank。
【OCR入门】二、文本识别（CRNN+CTC）
qq_38253797的博客
05-23 9897
目录一、文本识别背景二、CRNN+CTC算法概述三、重要背景知识点整理3.1、RNN算法3.2、LSTM三、CRNN+CTC论文讲解3.1、研究背景3.1、backbone：CNN3.2、neck：LSTM3.3、head：CTC (解码)Reference 一、文本识别背景 文本识别是OCR的一个子任务，主要是识别一个固定区域（一般为文本检测后的结果）的文本内容，将图像信息转换为文字信息。 一般分为规则文本识别和不规则文本识别。 规则文本识别如：印刷字体、扫描文本等。 不规则文本识别一般出现在自然场景中
crnn_ctc-centerloss:ctcloss + centerloss crnn文本识别
04-01
crnn_ctc-centerloss 2020.12.27更新 使用最后一层全连接层输入的功能作为处理对象，即缩小这一功能的类内距离 实现功能和标签的对齐，主要解决了预测重复，预测漏字时的对齐问题（需要tf1.15） 增加对关键指标的...
中文OCR训练与测试 CRNN(CNN+RNN+CTCLoss)
01-09
训练 1.处理train 数据集 python3 ./utils/make_data.py 2.训练网络 python3 train.py 测试 1.加载模型，将训练好的模型放入./model/中 2.向test_img_list中添加需要测试的图片列表 ...python3 test_crnn.py
crnn-ctc-loss-pytorch:使用 PyTorch 框架使用 CRNN 和 CTC 损失进行多位序列识别
05-29
CRNN（Convolutional Recurrent Neural Network）与 Connectionist Temporal Classification (CTC) Loss 是深度学习领域中用于序列识别的两种重要技术，特别是在语音识别、光学字符识别（OCR）等场景下。在这个项目...
CV-项目：CRNN+CTC识别英文数字
最新发布
10-07 1024
word-recognition， 数据集命名为1_1.png。pretrained-model参数，保存格式为。
CRNN+CTC
weixin_39012047的博客
11-08 8227
CRNN： 特点：端到端；可以处理任意长度的序列；无词典或有词典效果都显著；有效并且小的模型  在CRNN的底部，卷积层自动从每个输入图像中提取特征序列。将得到的特征序列（所有特征图按照列进行拼接）输入到循环网络，用于对卷积层输出的特征序列的每一帧进行预测。在CRNN顶部的转录层中将循环层的每帧预测转化为标签序列。虽然CRNN由不同类型的网络架构（如CNN和RNN）组成，但可以通过一个损失...
【从原理到实战】文本识别经典算法CRNN+CTC
热门推荐
dbdxwyl的博客
12-03 1万+
文本识别经典算法CRNN+CTC的原理学习和代码解析
CRNN+CTC模型学习笔记
ZHUYOUKANG的博客
05-19 421
知乎大佬
一文读懂CRNN+CTC（Connectionist Temporal Classification）文字识别
taoqick的专栏
04-01 1672
先总结一把CTC，下面文档太长： CTC是一种Loss计算方法，用CTC代替Softmax Loss，TF和pytorch都有对CTC的实现，从而解决OCR或者语音识别中序列对齐的问题。CTC特点： 引入blank字符，解决有些位置没有字符的问题 通过递推，快速计算梯度 - CTC在递推最终概率的时候，使用前向后向算法，类似HMM中的前向后向算法 - CTC在最终求解的时候，使用beam search ----------------------------------------- 文字.
CRNN+CTC介绍以及验证码识别的应用
youn
08-11 2680
卷积神经网络 一个卷积神经网络主要由一下5种结构组成： 输入层。输入层是整个网络结构的输入，在处理图像的卷积神经网络结构中， 它一般代表了一张图片的像素矩阵。可以使用一个三维矩阵来代表一张图片，三维矩阵中的长和宽代表了图像的大小，而三维矩阵的深度代表了图像的色彩通道（channel）。比如黑白图片的深度为1，而在RGB色彩模式下，图像深度为3。 卷积层。卷积层是一个卷积神经网络中最为重要的部分。...
CTPN/CRNN的OCR自然场景文字识别理解（二）
fruit的博客
03-15 9550
CRNN 1) 端到端可训练（把CNN和RNN联合训练） 2) 任意长度的输入（图像宽度任意，单词长度任意） 3) 训练集无需有字符的标定 4) 带字典和不带字典的库（样本）都可以使用 5) 性能好，而且模型小（参数少） 网络结构 架构包括三部分： 1) 卷积层，从输入图像中提取特征序列； 2) 循环层，预测每一帧的标签分布； 3) 转录层，将每一帧的预测...
文本识别之CRNN+CTC
weixin_43689247的博客
05-02 892
CRNN+CTCCRNNCTC Lossctc的做法CTC的训练目标以及函数定义模型预测CTC Prefix Search Decoding 主要参考的文章： 1、https://zhuanlan.zhihu.com/p/43534801 2、https://xiaodu.io/ctc-explained/ 学习视频：https://www.bilibili.com/video/BV1Wy4y1473z CRNN 通过DBNet、EAST等文本检测网络将检测到的文本框输入到CRNN网络中，网络的结构如下图所
【亲测免费】 【从原理到实战】文本识别经典算法CRNN+CTC：深度解析与实战应用
gitblog_06529的博客
09-20 908
【从原理到实战】文本识别经典算法CRNN+CTC：深度解析与实战应用 【下载地址】从原理到实战文本识别经典算法CRNNCTC 本仓库提供了一个资源文件的下载，该资源文件详细介绍了文本识别领域的经典算法CRNN（Convolutional Recurrent Neural Network）与CTC（Connectionis...
【深度学习神经网络】--CRNN
TU商的博客
10-24 2654
我们知道 RNN 在每一个时间步的输出为所有字符类别的概率分布，即一个包含每个字符分数的向量，我们取其中最大概率的字符作为该时间步的输出字符，然后将所有时间步得到一个字符进行拼接得到一个序列路径，即最大概率路径，再根据上面介绍的合并序列方法得到最终的预测文本结果。如上图，对于最简单的时序为 2 的字符识别，有两个时间步长(t0，t1)和三个可能的字符为“ａ”，“ｂ”和“-”，我们得到两个概率分布向量，如果采取最大概率路径解码的方法，则“--”的概率最大，即真实字符为空的概率为0.6*0.6=0.36。
一文读懂CRNN+CTC文字识别
haima1998的专栏
09-13 1637
转自：https://zhuanlan.zhihu.com/p/43534801 文字识别也是图像领域一个常见问题。然而，对于自然场景图像，首先要定位图像中的文字位置，然后才能进行识别。 所以一般来说，从自然场景图片中进行文字识别，需要包括2个步骤： 文字检测：解决的问题是哪里有文字，文字的范围有多少 文字识别：对定位好的文字区域进行识别，主要解决的问题是每个文字是什么，将图像中的文字区域进转化为字符信息。 图1 文字识别的步骤 文字检测类似于目标检测，即用 box 标识出图像中所有文字位置。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值