基于残差连接的场景文本识别端到端网络结构优化

摘要

针对已有文本识别网络由于深度不够而识别准确率较低的问题,文中提出一种改进的端到端文本识别网络结构.首先,将文本作为序列,采用残差模块将文本按列切分成特征向量输入循环层.这种残差结构增加了卷积网络的深度,使网络保持对文本图像的最佳表征能力,实现对文本信息的捕捉.另一方面,残差模块采用堆叠层来学习残差映射,在层数加深的情况下提高了网络的收敛性.然后,采用循环层对这些文本特征序列进行上下文建模,并把建模结果输入Softmax层以获得序列对应标签的预测,实现了对任意长度文本的识别.循环层使用长短时记忆网络学习文本之间的依赖关系,解决长序列训练过程中的"梯度消失"问题.最后,通过最优路径方法进行文本标签转录.该方法找到一条路径使其概率最大,并输出这条路径对应的序列为最优序列.改进的文本识别网络结构增加了深度,提高了文本图像的特征描述能力和在噪声下的稳定性.在多个测试数据集(ICDAR2003,ICDAR2013,SVT和IIIT5K)上将所提算法与已有典型算法进行实验对比分析,结果表明该网络结构能够得到更高的场景文本识别准确率,验证了其有效性.