![](https://csdnimg.cn/release/download_crawler_static/88424276/bg4.jpg)
L
.
G
o
'm
ez
,
A
.
M
afla
,
M
.
Ru
si
n
acetonol
and
D. K
a
ra
t
z
a
s
投射他想要检索的任何文本查询,而大多数识别方法基于使用可能在场景图像
内找到的单词的预定义词汇表例如,引入场景文本检索任务的
Mishra
等人
[7]
和
Jaderberg
等人
[12]都使用固定词汇表来创建包含图像中单词存在的倒排索引这
样的方法显然限制了用户,使其不能自由地抛出词汇表查询。为了解决这样的
问题,基于n元语法频率的文本字符串描述符,如PHOC描述符,已经成功地用
于单词识别应用
[20
,
10
,
21]
。通过使用文本字符串的矢量编码,用户可以在
处理时转换任何查询,而不限于特定的词集。
3
单镜头单词识别体系结构
所提出的架构,如图2所示,包括一个单镜头CNN模型,该模型同时预测边界
框和其中单词的紧凑文本为了实现这一点,我们调整了YOLOv2对象检测模型
[8,9],并将其转换为PHOC [10]预测器。虽然
所提出的方法可以在我们选择
YOLOv 2
的其他对象检测框架之上实现,因为它
可以比Faster R-CNN [22]等两阶段框架快10倍,并且处理时间对我们来说至关
重要,因为
我们的目标是以高分辨率处理图像以正确地处理小文本。YOLOv2架构由21个卷积
层组成,其中
Leaky ReLU
激活和批量归一化
[7]
和
5
个最大池化层。它使用
3× 3
滤波器,并在
每个池化步骤后将通道数量加倍,如
VGG
模型
[17]
,但也使用
1×1
滤波器穿插在
3× 3卷积之间来压缩特征图,如[9]。主干包括一个
从第二个卷积层开始传递通过层,然后是最终的
1× 1
卷积层,其具有线性激
活,其中滤波器的数量与用于对象检测的期望输出张量大小相例如在
PASCAL VOC挑战数据集(20个对象类)需要125个过滤器来预测5个框,每个
框有4个坐标,1个对象值,每个框
box((4 + 1 + 20)×5 = 125).由此产生的模型达到了最先进的水平 在目标
检测中,具有比其他单次拍摄更
模型,并具有实时对象检测功能。
YOLOv2体系结构在单词识别任务中的一个直接应用是将每个可能的单词视
为一个对象类。以这种方式,输出张量中的独热分类向量将针对每个边界框预
测对可能单词的预定义列表(词典)中的单词类别概率分布进行编码。这种方
法的缺点是,我们在模型可以检测到的单词数量方面受到限制。对于20个单词
的字典,模型理论上可以执行
PASCAL
数据集的
20
个对象类,但对于更大的字
典(例如,英语词汇表中100
,
000个最常用单词的列表[12])将需要一个包含
500
,
000个过滤器的最终层,以及大量的训练