架构|第四范式提出AutoSTR，自动搜索文字识别网络新架构 |文字识别|自动搜

本文插图

作者 | 第四范式
在最近被ECCV2020接收的论文AutoSTR中，第四范式的研究人员提出了使用网络结构搜索（NAS）技术来自动化设计文本识别网络中的特征序列提取器，以提升文本识别任务的性能。
1
修复技术论文综述

本文插图

由于文本的多样性和场景的复杂性，场景文本识别（Scene Text Recognition ， STR）具有很大的挑战性。通过对图像预处理模块（如校正和去模糊）或特征序列翻译模块的改进，提高文本识别网络的性能越来越受到各方关注。然而，另一个关键模块，即特征序列抽取器（骨干网络），还没有得到广泛的研究。
受神经架构搜索（NAS）的成功启发，第四范式提出了自动STR（AutoSTR）来搜索数据相关的主干网络，以提高文本识别性能。首先，该工作为STR设计了一个特定领域的搜索空间，既包含了操作上的选择，也包含了对下采样路径的约束。通过一个两步搜索算法将操作和下采样路径分离，以在给定的空间内进行有效的搜索。实验表明，通过搜索数据相关的主干网络， AutoSTR可以在标准基准测试中优于其他SOTA方法。

本文插图

第四范式提出AutoSTR ，自动搜索文字识别网络新架构

论文地址：https://arxiv.org/pdf/2003.06567.pdf
代码地址：https://github.com/AutoML-4Paradigm/AutoSTR
招聘启事：http://www.cse.ust.hk/~qyaoaa/pages/job-ad.pdf
研究组介绍：http://www.cse.ust.hk/~qyaoaa/pages/group.html
2
背景
场景文本识别（STR）是以识别自然场景图像中的文本为目标，因其在身份认证、数字金融系统、车牌识别等领域的巨大商业价值而受到学术界和工业界的广泛关注。自然场景中的图像是多种多样的，由于在大小、字体、背景和布局上差异巨大，使得STR仍然是一个非常具有挑战性的问题。场景文本识别过程通常由校正模块、特征序列提取器、特征翻译模块等三个模块组成。校正模块目的是在识别前将不规则文本图像转换为规范形式；特征序列提取器则通过卷积层将输入的文本图像转换为特征序列；特征翻译模块用于将特征序列翻译成字符序列。

本文插图

此前，许多方法通过提高矫正模块的性能，提高了文本识别的准确性。在特征翻译方面，受语音识别和机器翻译等其他seq-to-seq(序列到序列)任务的启发，基于CTC（Connectionist temporal classification）和Attention方法的翻译模块已进行了深入探索。相比之下，对于文本识别任务，特征序列抽取器的设计则相对较少。如何设计一个更好的特征序列抽取器在STR文献中还没有得到很好的讨论。然而，其对文本识别性能有很大影响。例如，只需将特征提取器从VggNet替换为ResNet ，就可以获得显著的性能提升。此外，特征序列抽取器承担着沉重的计算和存储负担。因此，无论是有效性还是效率，特征序列抽取器的体系结构都应该引起业界的重视。此外，直接迁移其他任务下的网络结构对于STR任务来说可能是局部最优的。
近年来，神经网络架构搜索（NAS）在设计数据相关网络结构方面取得了巨大成功，其性能超过了人类专家在许多计算机视觉任务（例如图像分类、语义分割和对象检测中构建的体系结构）。因此，与其采用其他任务（例如图片分类和分割）中现成的特征抽取器，还不如重新设计数据相关的体系结构，以获得更好的文本识别性能。