端到端的OCR版面分析演算法
- OCR版面分析痛點
- 演算法設計初衷
- 資料增廣策略
- 兩種端到端的方案
- 1、基于xgboost的版面分析演算法
- 2、基于seq2seq的版面分析演算法
- 結語
OCR版面分析痛點
當前OCR之后的版面分析作業大家都是規則寫的，自己也深受規則之苦,看到ocr輸出的一大堆文字和坐標就頭皮發麻，最近受了chineseocr作者模板引擎的啟發，做了兩個端到端的版面分析演算法，希望能夠幫到各位ocrer，github
演算法設計初衷
最開始的想法是在檢測網路上增加類別判斷，預測位置的同時加上box類別的判斷，但是這樣通用性就大大降低了,違背不干預原始的OCR演算法的初衷，版面分析的演算法應該和OCR演算法無縫銜接，所以模型輸入應該是OCR輸出的box坐標和相應文本，
基于此，延伸出兩個思路，一個是忽略box間的位置關系，直接將box坐標和文本編碼,送入分類器，即基于xgboost的分類方案，另一個考慮box間的相互關系，將版面分析當成一種翻譯任務，即基于seq2seq的翻譯方案
資料增廣策略
其次標注資料不能太多，如果標注投入過大就有些得不償失了，演算法設計初衷就是希望只標注一些具有代表性的版面，因此增廣策略就顯得特別重要，增廣策略有以下幾條：
- 隨機擾動檢測框坐標點1~3個像素
- 隨機切分檢測框，并隨機拆分文本
- 隨機替換 數字、日期等文本內容
- 隨機丟棄3~5檢測框
兩種端到端的方案
1、基于xgboost的版面分析演算法
- 編碼方案
- 1）文本使用doc2vec無監督訓練句向量50dim（可選）
將OCR識別后的文本收集起來加上外部資料可以利用gensim的doc2vec訓練一個該版面的句向量，也曾嘗試用字向量做加權平均，但是感覺上會丟失資訊，后續會補上相關實驗，向量為度選取50dim,這樣每個box的文本都可以編碼為50dim的向量，在實驗程序中，發現基于機器學習的方法比較吃人工特征，加上句向量后提升大約0.5個點，所以該項是可選項， - 2）文本的數字比例、英文比例、符號比例、其他比例4dim
這部分算是特征工程吧，統計每個單元格數字占比、英文占比、符號占比、其他字符占比一共四個維度資訊，還可以根據自身業務提取更多人工特征資訊 - 3）box坐標點8dim
文字檢測輸出的四邊形，一共四個頂點，8個數值 - 4）三個類別資訊相拼，一共50+4+8=62維資訊，作為模型輸入
- 1）文本使用doc2vec無監督訓練句向量50dim（可選）
- 模型輸出
- onehot編碼
每個格子按照業務需求進行類別劃分，將決議問題轉化為分類問題，比如：發票一共有18個關鍵欄位，加上其他類別，一共19個類別，對這19個類別做onthot編碼作為模型輸出，
- onehot編碼
- 模型選擇
既然是分類問題，可選的方案就很多，線性回歸、隨機森林、SVM等，這里只嘗試了xgboost,大家可以在自己的業務場景多多嘗試，鑒于傳統機器學習代碼過于簡單，sklearn幾行就可以搞定，這里就不提供開源代碼了，
2、基于seq2seq的版面分析演算法
剛開始想既然考慮格子的位置關系，那不是得用圖演算法么，最近也有人開源了PICK,正要去嘗試，作者撤銷了代碼，而且工業中基于圖的演算法應用不多，后來靈機一動，lstm不也是一種圖么，只不過是線性圖，要做的就是把box拉伸排序成線性，不就可以解決了么， 自然而然的想到了seq2seq，絕配！
- 編碼方案
- 1）文本編碼方案同xgboost，只不過維度增加為100維
- 2）box坐標點因為維度過小，做了維度拉伸，8個坐標點暴力復制8遍
- 3）最終每個格子的編碼為100+8*8=164維度
- 4）需要注意的是，xgboost是每一個格子當作一個訓練樣本模型輸入維度為1維（62），seq2seq是整版的格子當作一個訓練樣本，在發票場景中，整版格子不超過100，所以選取100為最長輸入序列，一個樣本的維度為2維（100*164）
- 模型輸出
- onehot編碼同xgboost
- seq2seq模型修改
- 1）不用teacher forcing的訓練方式
最開始嘗試的時候，一直使用基于teacher forcing的訓練方式，這可是seq2seq的標配，試的程序一直不收斂，一直以為是資料量小的問題，后來抱著試試的想法，把teacher forcing干掉了，索性把上一個格子的類別替換成當前格子編碼，損失下降嗖嗖的，想想也是，翻譯的時候前一個字對后一個字影響很大，這個場景中依賴就沒那么大了，對類別判斷影響比較大的是位置資訊和文字資訊，歪打正著， - 2）去除起始符和終止符
在翻譯的場景因為不知道第一個字如何開始，所以加入了起始符號，但是版面分析中是可以提供原始資訊的，因此洗掉了這兩個占位符，（可以保留終止符，減少不必要計算） - 3） 模型結構示意圖
- 1）不用teacher forcing的訓練方式
結語
兩種方案目前在發票的版面分析中都取得了不錯的結果，其中xgboost的方案在版式比較固定的時候表現比較適用，seq2seq的方案在任意拍照場景中比較適用，需要注意的是，如果文字檢測把一些無關的文字和關鍵欄位框到一起的話，還需要稍微做些后處理，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/204812.html
標籤：其他