【论文笔记】Robust Scene Text Recognition with Automatic Rectification

Shi B, Wang X, Lv P, et al. Robust Scene Text Recognition with Automatic Rectification[J]. arXiv preprint arXiv:1603.03915, 2016.

　　文章提出RARE模型实现对不规则文本的end-to-end文字识别，RARE由STN(Spatial Transformer Network)和SRN(Sequence Recognition Network)组成。STN用于对输入的不规则文本进行矫正，得到形状规则的文本作为SRN的输入，SRN是一个基于注意力机制的网络结构，实现sequence to sequence的文本识别。主要从以下几方面记录。

• STN
• SRN
• 模型训练
• 测试阶段

---

1. STN(Spatial Transformer Network)

STN主要包括三个部分：1) Localization network; 2) Grid Generator; 3) Sampler，结构如下图所示：

1） Localization network

　　该网络在没有任何标注数据的前提下，基于图像内容定位到基准点的位置。文中该网络结构与传统的CNN网络结构相似：4个卷积层，每个卷积层后接一个2*2的max-pooling层，再接2个1024维的全链接层，最后输出为40维的向量。此处的输出为基准点的坐标，设定基准点个数为 $k=20$。

2） Grid Generator和Sampler

　　由于Grid Generator和Sampler是配合使用的，所以放在一起简述一下。Grid generator估计出TPS变换参数，生成一个采样网格。基准点和TPS变换如下图所示:

　　给定${p_{i}}'$的坐标，计算出$p_{i}$的坐标（这里可能会有疑惑，为什么target图像为已和，而原图像为未知）,因为我们的目标是计算target图像的像素值，所以文章固定了基准点在target图像中的位置，再来计算target图像中每个坐标的像素值。得到原图中$p_{i}$的坐标后，在Sampler中，$p_{i}$坐标附近的像素值已知，通过双线性差值得到${p_{i}}'$坐标的像素值。以此类推，得到最终的target图像${I}'$。

2. SRN(Sequence Recognition Network)

　　SRN是一个attention-based模型，包括encoder和decoder。Encoder由卷积层和BLSTM组成，Decoder由基于注意力机制的GRU(Gated Recurrent Unit)组成，如下图所示。

1） Encoder：Convolutional-Recurrent Network

　　这里的encoder网络结构与CRNN（见上一篇笔记）中的卷积层和循环层很像，具体配置为：7个卷积层，且第1，2，4，6个卷积层后均接一个2*2的max-pooling层，卷积层上是一个双层的BLSTM网络，每一个LSTM有256个隐单元。encoder的输出序列为$h=(h_{1},h_{2},…,h_{L})$，其中$L$等于卷积层的宽度。

2）Decoder: Recurrent Character Generator

　　decoder根据encoder输出的序列循环地生成目标字符序列。decoder是基于注意力机制的循环网络，此处网络结构采用的GRU是LSTM的一种变体。注意力模型的特点在于，根据输出而不断更新的权重$\alpha$。
　　权重的计算函数为$\alpha_{t} = Attend(s_{t-1},\alpha_{t-1}, \boldsymbol h)$，表明当前输出字符对应的权重向量$\alpha_{t}$与前一个GRU的输出$s_{t-1}$、前一个权重向量$\alpha_{t-1}$以及输入序列$\boldsymbol h$有关。状态变量的更新函数为$s_{t}=GRU(l_{t-1},g_{t},s_{t-1})$，其中$l_{t-1}$在训练阶段为ground-truth，在测试阶段为第t-1（即前一步）预测的字符label。
　　最后通过softmax函数来计算概率分布，$\hat{l_{t}}$为概率最高的字符。

到此处为止，整个STN+SRN的网络结构介绍完了，除了实验部分，论文后面的内容还包括模型训练的几个注意事项，以及测试阶段如何根据模型输出的结果在词典中查找最接近的word。

3. 模型训练

文章中的训练数据为8百万的合成样本数据，输入图像均resize到100$\times$32，STN的输出size也是100$\times$32。另需要注意以下几项：
1）模型参数随机初始化，除了localization network；
2）localization network输出的全链接层初始化参数为0；
3）基准点的初始设置如下图(a)所示（其中b和c的效果不如a）。

4. 测试阶段

　　测试的过程需要受到词典的约束，而词典有50k以上的word，对比所有word会花费大量的时间。所以，文章采用一种“前序树”的近似查询方法，如下图所示。其中$\epsilon$代表树的根结点，$\Omega$代表EOS(end-of-sequence)。

　　首先，根据已有的词典建立一个tree，每个结点代表一个字符label，从根结点到叶子结点的路径组成一个word。从根结点开始，每一次根据模型输出的概率分布$\hat{y_{t}}$，在叶子结点中找到概率最高的一个，然后继续，一直到叶子结点被找到。