定长字符识别-街景字符编码SVHN

The Street View House Numbers (SVHN) Dataset是街景字符的数据集。该数据集用于modern-day map making。街景字符转录是字符序列识别问题。针对图片序列识别问题传统思路是定位、分割、识别，而Google2014年的论文《Multi-digit Number Recognition from Street View Imagery using Deep Convolutional Neural Networks》提出了基于深度卷积神经网络的方法。

问题描述：

图片中的字符串序列长度不定但不超过5个字符，可以将赛题抽象为一个定长字符识别问题，待识别字符序列为LXXXXX，其中

每个X的取值范围为[0,1,2,3,4,5,6,7,8,9,空字符]
L代表字符串非空字符长度，取值范围[0,1,2,3,4,5,’>5’]

另，图片中不仅包含字符序列，还有门框等干扰信息，为了提高准确率可根据json文件提供的数字框位置裁剪图片，如：
→
另，由于街景字符对应门牌编号，字符串序列的任意错误直接导致地图导航错误，因此街景字符识别以整体识别准确率为评价指标，整体准确率越高则模型性能越佳。

解决方案：

定长字符识别-街景字符编码SVHN 定长字符识别的一种解决方案是直接对编码图片进行多分类操作（Multi-CNN）：

模型的输入是 $128*128*3$ 的图片，经过一系列的CNN层进行特征提取，变成了一个含有4096个特征的向量H
根据这4096个特征，分别经过6个Softmax层，分别对各个字符串进行分类（分别对5个X字符进行11个类别的分类以及1个L字符进行6个类别的分类。）
将6个分类loss求和训练即可。
这种方法思路简单，模型仅包含卷积层和全连接层，模型收敛快；但这种思路是将每个字符单独进行分类的，所以没有考虑到字符与字符之间的关系，在精度上有一些欠缺。比如第一个字符串代表长度，与后面位数的字符串存在关联。

问题描述：

解决方案：

参考