【天池—街景字符编码识别】Task 1 赛题理解

本文主要是介绍【天池—街景字符编码识别】Task 1 赛题理解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

1 比赛说明
2 数据说明
- 2.1 数据来源
- 2.2 数据集
- 2.3 数据标注信息（json文件）
3 评价标准
4 提交的结果形式
5 解题思路（重点）
- 5.1 简单入门思路：定长字符识别
- 5.2 专业字符识别思路：不定长字符识别
- 5.3 专业分类思路：检测再识别

1 比赛说明

比赛链接：https://tianchi.aliyun.com/competition/entrance/531795/introduction
比赛任务：以计算机视觉中字符识别为背景，要求参赛者预测真实场景下的字符识别，这是一个典型的字符识别问题——零基础入门CV赛事之街景字符识别。

2 数据说明

2.1 数据来源

来源于http://ufldl.stanford.edu/housenumbers/的公开数据集。

2.2 数据集

训练集：3W张照片
验证集：1W张照片
测试集A：4W张照片
测试集B：4W张照片
每张照片包括颜色图像和对应的编码类别和具体位置，如下图所示：

2.3 数据标注信息（json文件）

用记事本或Notepad++打开数据的json文件，部分数据如下所示：

{"000000.png": {"height": [219, 219], "label": [1, 9], "left": [246, 323], "top": [77, 81], "width": [81, 96]}, 
"000001.png": {"height": [32, 32], "label": [2, 3], "left": [77, 98], "top": [29, 25], "width": [23, 26]}, 
"000002.png": {"height": [15, 15], "label": [2, 5], "left": [17, 25], "top": [5, 5], "width": [8, 9]},
"000003.png": {"height": [34, 34], "label": [9, 3], "left": [57, 72], "top": [13, 13], "width": [15, 13]},"000004.png": {"height": [46, 46], "label": [3, 1], "left": [52, 74], "top": [7, 10], "width": [21, 15]}, 
"000005.png": {"height": [21, 21], "label": [3, 3], "left": [28, 38], "top": [6, 8], "width": [10, 11]}, 
"000006.png": {"height": [32, 32], "label": [2, 8], "left": [35, 47], "top": [10, 11], "width": [13, 13]}, 
"000007.png": {"height": [15, 15, 15], "label": [7, 4, 4], "left": [17, 25, 31], "top": [4, 4, 3], "width": [7, 6, 7]}, 
"000008.png": {"height": [24, 24, 24], "label": [1, 2, 8], "left": [19, 29, 38], "top": [4, 4, 5], "width": [14, 13, 17]},

将其数据结构理解成”嵌套的字典“，那么每一张图片有height、label、left、top、width五种信息，其分别代表：top：左上角坐标X ； height：字符高度； left：左上角最表Y； width：字符宽度； label：字符编码。另外label表示该图片含有的数字（字符）。
字符的坐标具体如下所示：
在这里插入图片描述

3 评价标准

评价标准为准确率，选手提交结果与实际图片的编码进行对比，以编码整体识别准确率为评价指标，结果越大越好，具体计算公式如下：
$\frac {编码识别正确的数量}{测试集图片数量}$
要注意：任何一个字符错误都为错误。

4 提交的结果形式

提交前请确保预测结果的格式与sample_submit.csv中的格式一致，以及提交文件后缀名为csv。

file_name, file_code
0010000.jpg,451
0010001.jpg,232
0010002.jpg,45
0010003.jpg,67
0010004.jpg,191
0010005.jpg,892

5 解题思路（重点）

赛题本质是分类问题，需要对图片的字符进行识别。但赛题给定的数据图片中不同图片中包含的字符数量不等。图片的字符个数为从2个到6个不等。因此本次赛题的难点是需要对不定长的字符进行识别，与传统的图像分类任务有所不同。

5.1 简单入门思路：定长字符识别

定长文字的识别相对简单，应用场景也比较局限，最典型的场景就是验证码的识别、机动车车牌的识别。由于字符数量是已知的、固定的，因此，网络结构比较简单，一般构建3层卷积层，2层全连接层便能满足“定长文字”的识别。
将赛题抽象为一个定长字符识别问题，在赛题数据集中大部分图像中字符个数为2-4个，最多的字符个数为6个。因此可以对于所有的图像都抽象为6个字符的识别问题，字符23填充为23XXXX，字符231填充为231XXX。
经过填充之后，原始的赛题可以简化了6个字符的分类问题。在每个字符的分类中会进行11个类别的分类，假如分类为填充字符，则表明该字符为空。
一些定长字符识别的例子：

使用 Keras 来破解 captcha 验证码
文字识别模型（入门篇：验证码识别）
GPU 学习深度学习系列Part 5：文字的识别与定位（识别车牌）

5.2 专业字符识别思路：不定长字符识别

不定长文字在现实中大量存在，例如印刷文字、广告牌文字等，由于字符数量不固定、不可预知，因此，识别的难度也较大，这也是目前研究文字识别的主要方向。下面介绍不定长文字识别的常用方法：LSTM+CTC、CRNN、chinsesocr。
在字符识别研究中，有特定的方法来解决此种不定长的字符识别问题，比较典型的有CRNN字符识别模型。在本次赛题中给定的图像数据都比较规整，可以视为一个单词或者一个句子。
一些不定长字符识别的例子：