论文阅读: (CVPR2023 SDT )基于书写者风格和字符风格解耦的手写文字生成及源码对应

本文主要是介绍论文阅读: (CVPR2023 SDT )基于书写者风格和字符风格解耦的手写文字生成及源码对应,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!

目录

        • 引言
        • SDT整体结构介绍
        • 代码与论文对应
          • 搭建模型部分
          • 数据集部分
        • 总结

引言
  • 许久不认真看论文了,这不赶紧捡起来。这也是自己看的第一篇用到Transformer结构的CV论文。
  • 之所以选择这篇文章来看,是考虑到之前做过手写字体生成的项目。这个工作可以用来合成一些手写体数据集,用来辅助手写体识别模型的训练。
  • 本篇文章将从论文与代码一一对应解析的方式来撰写,这样便于找到论文重点地方以及用代码如何实现的,更快地学到其中要点。这个项目的代码写得很好看,有着清晰的说明和整洁的代码规范。跟着仓库README就可以快速跑起整个项目。
  • 如果读者可以阅读英文的话,建议先去直接阅读英文论文,会更直接看到整个面貌。
  • PDF | Code
SDT整体结构介绍
  • 整体框架:
    SDT
  • 该工作提出从个体手写中解耦作家和字符级别的风格表示,以合成逼真的风格化在线手写字符。
  • 从上述框架图,可以看出整体可分为三大部分:Style encoderContent EncoderTransformer Decoder
    • Style Encoder: 主要学习给定的Style的Writer和Glyph两种风格表示,用于指导合成风格化的文字。包含两部分:CNN EncoderTransformer Encdoer
    • Content Encoder: 主要提取输入文字的特征,同样包含两部分:CNN EncoderTransformer Encdoer
  • ❓疑问:为什么要将CNN Encoder + Transformer Encoder结合使用呢?
    • 这个问题在论文中只说了Content Encoder使用两者的作用。CNN部分用来从content reference中学到compact feature map。Transformer encoder用来提取textual content表示。得益于Transformer强大的long-range 依赖的捕捉能力,Content Encdoer可以得到一个全局上下文的content feature。这里让我想到经典的CRNN结构,就是结合CNN + RNN两部分。
      在这里插入图片描述
代码与论文对应
  • 论文结构的最核心代码有两部分,一是搭建模型部分,二是数据集处理部分。
搭建模型部分
  • 该部分代码位于仓库中models/model.py,我这里只摘其中最关键部分添加注释来解释,其余细节请小伙伴自行挖掘。
class SDT_Generator(nn.Module):def __init__(self, d_model=512, nhead=8, num_encoder_layers=2, num_head_layers= 1,wri_dec_layers=2, gly_dec_layers=2, dim_feedforward=2048, dropout=0.1,activation="relu", normalize_before=True, return_intermediate_dec=True):super(SDT_Generator, self).__init__()### style encoder with dual heads# Feat_Encoder:对应论文中的CNN Encoder,用来提取图像经过CNN之后的特征,backbone选的是ResNet18self.Feat_Encoder = nn.Sequential(*([nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False)] +list(models.resnet18(pretrained=True).children())[1:-2]))# self.base_encoder:对应论文中Style Encoder的Transformer Encoderb部分encoder_layer = TransformerEncoderLayer(d_model, nhead, dim_feedforward,dropout, activation, normalize_before)self.base_encoder = TransformerEncoder(encoder_layer, num_encoder_layers, None)writer_norm = nn.LayerNorm(d_model) if normalize_before else Noneglyph_norm = nn.LayerNorm(d_model) if normalize_before else None# writer_head和glyph_head分别对应论文中的Writer Head和Glyph Head# 从这里来看,这两个分支使用的是1层的Transformer Encoder结构self.writer_head = TransformerEncoder(encoder_layer, num_head_layers, writer_norm)self.glyph_head = TransformerEncoder(encoder_layer, num_head_layers, glyph_norm)### content ecoder# content_encoder:对应论文中Content Encoder部分,# 从Content_TR源码来看,同样也是ResNet18作为CNN Encoder的backbone# Transformer Encoder部分用了3层的Transformer Encoder结构# 详情参见:https://github.com/dailenson/SDT/blob/1352b5cb779d47c5a8c87f6735e9dde94aa58f07/models/encoder.py#L8self.content_encoder = Content_TR(d_model, num_encoder_layers)### decoder for receiving writer-wise and character-wise styles# 这里对应框图中Transformer Decoder中前后两个部分decoder_layer = TransformerDecoderLayer(d_model, nhead, dim_feedforward,dropout, activation, normalize_before)wri_decoder_norm = nn.LayerNorm(d_model) if normalize_before else Noneself.wri_decoder = TransformerDecoder(decoder_layer, wri_dec_layers, wri_decoder_norm,return_intermediate=return_intermediate_dec)gly_decoder_norm = nn.LayerNorm(d_model) if normalize_before else Noneself.gly_decoder = TransformerDecoder(decoder_layer, gly_dec_layers, gly_decoder_norm,return_intermediate=return_intermediate_dec)### two mlps that project style features into the space where nce_loss is appliedself.pro_mlp_writer = nn.Sequential(nn.Linear(512, 4096), nn.GELU(), nn.Linear(4096, 256))self.pro_mlp_character = nn.Sequential(nn.Linear(512, 4096), nn.GELU(), nn.Linear(4096, 256))self.SeqtoEmb = SeqtoEmb(hid_dim=d_model)self.EmbtoSeq = EmbtoSeq(hid_dim=d_model)# 这里位置嵌入来源于论文Attention is all you need.self.add_position = PositionalEncoding(dropout=0.1, dim=d_model)        self._reset_parameters()# the shape of style_imgs is [B, 2*N, C, H, W] during trainingdef forward(self, style_imgs, seq, char_img):batch_size, num_imgs, in_planes, h, w = style_imgs.shape# style_imgs: [B, 2*N, C:1, H, W] -> FEAT_ST_ENC: [4*N, B, C:512]style_imgs = style_imgs.view(-1, in_planes, h, w)  # [B*2N, C:1, H, W]# 经过CNN Encoderstyle_embe = self.Feat_Encoder(style_imgs)  # [B*2N, C:512, 2, 2]anchor_num = num_imgs//2style_embe = style_embe.view(batch_size*num_imgs, 512, -1).permute(2, 0, 1)  # [4, B*2N, C:512]FEAT_ST_ENC = self.add_position(style_embe)memory = self.base_encoder(FEAT_ST_ENC)  # [4, B*2N, C]writer_memory = self.writer_head(memory)glyph_memory = self.glyph_head(memory)writer_memory = rearrange(writer_memory, 't (b p n) c -> t (p b) n c',b=batch_size, p=2, n=anchor_num)  # [4, 2*B, N, C]glyph_memory = rearrange(glyph_memory, 't (b p n) c -> t (p b) n c',b=batch_size, p=2, n=anchor_num)  # [4, 2*B, N, C]# writer-ncememory_fea = rearrange(writer_memory, 't b n c ->(t n) b c')  # [4*N, 2*B, C]compact_fea = torch.mean(memory_fea, 0) # [2*B, C]# compact_fea:[2*B, C:512] ->  nce_emb: [B, 2, C:128]pro_emb = self.pro_mlp_writer(compact_fea)query_emb = pro_emb[:batch_size, :]pos_emb = pro_emb[batch_size:, :]nce_emb = torch.stack((query_emb, pos_emb), 1) # [B, 2, C]nce_emb = nn.functional.normalize(nce_emb, p=2, dim=2)# glyph-ncepatch_emb = glyph_memory[:, :batch_size]  # [4, B, N, C]# sample the positive pairanc, positive = self.random_double_sampling(patch_emb)n_channels = anc.shape[-1]anc = anc.reshape(batch_size, -1, n_channels)anc_compact = torch.mean(anc, 1, keepdim=True) anc_compact = self.pro_mlp_character(anc_compact) # [B, 1, C]positive = positive.reshape(batch_size, -1, n_channels)positive_compact = torch.mean(positive, 1, keepdim=True)positive_compact = self.pro_mlp_character(positive_compact) # [B, 1, C]nce_emb_patch = torch.cat((anc_compact, positive_compact), 1) # [B, 2, C]nce_emb_patch = nn.functional.normalize(nce_emb_patch, p=2, dim=2)# input the writer-wise & character-wise styles into the decoderwriter_style = memory_fea[:, :batch_size, :]  # [4*N, B, C]glyph_style = glyph_memory[:, :batch_size]  # [4, B, N, C]glyph_style = rearrange(glyph_style, 't b n c -> (t n) b c') # [4*N, B, C]# QUERY: [char_emb, seq_emb]seq_emb = self.SeqtoEmb(seq).permute(1, 0, 2)T, N, C = seq_emb.shape# ========================Content Encoder部分=========================char_emb = self.content_encoder(char_img) # [4, N, 512]char_emb = torch.mean(char_emb, 0) #[N, 512]char_emb = repeat(char_emb, 'n c -> t n c', t = 1)tgt = torch.cat((char_emb, seq_emb), 0) # [1+T], put the content token as the first tokentgt_mask = generate_square_subsequent_mask(sz=(T+1)).to(tgt)tgt = self.add_position(tgt)# 注意这里的执行顺序,Content Encoder输出 → Writer Decoder → Glyph Decoder → Embedding to Sequence# [wri_dec_layers, T, B, C]wri_hs = self.wri_decoder(tgt, writer_style, tgt_mask=tgt_mask)# [gly_dec_layers, T, B, C]hs = self.gly_decoder(wri_hs[-1], glyph_style, tgt_mask=tgt_mask)  h = hs.transpose(1, 2)[-1]  # B T Cpred_sequence = self.EmbtoSeq(h)return pred_sequence, nce_emb, nce_emb_patch
数据集部分
  • CASIA_CHINESE
    data/CASIA_CHINESE
    ├── character_dict.pkl   # 词典
    ├── Chinese_content.pkl  # Content reference
    ├── test
    ├── test_style_samples
    ├── train
    ├── train_style_samples  # 1300个pkl,每个pkl中是同一个人写的各个字,长度不一致
    └── writer_dict.pkl
    
  • 训练集中单个数据格式解析
    {'coords': torch.Tensor(coords),                # 写这个字,每一划的点阵'character_id': torch.Tensor([character_id]),  # content字的索引'writer_id': torch.Tensor([writer_id]),        # 某个人的style'img_list': torch.Tensor(img_list),            # 随机选中style的img_list'char_img': torch.Tensor(char_img),            # content字的图像'img_label': torch.Tensor([label_id]),         # style中图像的label
    }
    
  • 推理时:
    • 输入:
      • 一种style15个字符的图像
      • 原始输入字符
    • 输出:属于该style的原始字符
总结
  1. 感觉对于Transformer的用法,比较粗暴。当然,Transformer本来就很粗暴
  2. 模型69M (position_layer2_dim512_iter138k_test_acc0.9443.pth) 比较容易接受,这和我之前以为的Transformer系列都很大,有些出入。这也算是纠正自己的盲目认知了
  3. 学到了einops库的用法,语义化操作,很有意思,值得学习。
  4. 第一次了解到NCE(Noise Contrastive Estimation)这个Loss,主要解决了class很多时,将其转换为二分类问题。

这篇关于论文阅读: (CVPR2023 SDT )基于书写者风格和字符风格解耦的手写文字生成及源码对应的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/812815

相关文章

Java编译生成多个.class文件的原理和作用

《Java编译生成多个.class文件的原理和作用》作为一名经验丰富的开发者,在Java项目中执行编译后,可能会发现一个.java源文件有时会产生多个.class文件,从技术实现层面详细剖析这一现象... 目录一、内部类机制与.class文件生成成员内部类(常规内部类)局部内部类(方法内部类)匿名内部类二、

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON(序列化)2.2 JSON 转对象(反序列化)3.

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

java中使用POI生成Excel并导出过程

《java中使用POI生成Excel并导出过程》:本文主要介绍java中使用POI生成Excel并导出过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录需求说明及实现方式需求完成通用代码版本1版本2结果展示type参数为atype参数为b总结注:本文章中代码均为

在java中如何将inputStream对象转换为File对象(不生成本地文件)

《在java中如何将inputStream对象转换为File对象(不生成本地文件)》:本文主要介绍在java中如何将inputStream对象转换为File对象(不生成本地文件),具有很好的参考价... 目录需求说明问题解决总结需求说明在后端中通过POI生成Excel文件流,将输出流(outputStre

使用PyTorch实现手写数字识别功能

《使用PyTorch实现手写数字识别功能》在人工智能的世界里,计算机视觉是最具魅力的领域之一,通过PyTorch这一强大的深度学习框架,我们将在经典的MNIST数据集上,见证一个神经网络从零开始学会识... 目录当计算机学会“看”数字搭建开发环境MNIST数据集解析1. 认识手写数字数据库2. 数据预处理的

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory

C语言字符函数和字符串函数示例详解

《C语言字符函数和字符串函数示例详解》本文详细介绍了C语言中字符分类函数、字符转换函数及字符串操作函数的使用方法,并通过示例代码展示了如何实现这些功能,通过这些内容,读者可以深入理解并掌握C语言中的字... 目录一、字符分类函数二、字符转换函数三、strlen的使用和模拟实现3.1strlen函数3.2st

C/C++随机数生成的五种方法

《C/C++随机数生成的五种方法》C++作为一种古老的编程语言,其随机数生成的方法已经经历了多次的变革,早期的C++版本使用的是rand()函数和RAND_MAX常量,这种方法虽然简单,但并不总是提供... 目录C/C++ 随机数生成方法1. 使用 rand() 和 srand()2. 使用 <random

Flask 验证码自动生成的实现示例

《Flask验证码自动生成的实现示例》本文主要介绍了Flask验证码自动生成的实现示例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习... 目录生成图片以及结果处理验证码蓝图html页面展示想必验证码大家都有所了解,但是可以自己定义图片验证码