【原】3.9MB超小超强文本识别模型，支持20000个字符的识别，平安产险提出Hamming OCR

作者｜平安产险视觉计算组

编辑丨极市平台    

本文为极市开发者投稿，转载请获授权。

极市导读

 

最近，Hamming OCR提出了Hamming Embedding和LSH局部敏感哈希分类算法。它能在保留模型能力的同时，大幅度削减场景文本识别中所需模型的大小。>>加入极市CV技术交流群，走在计算机视觉的最前沿

 

Hamming OCR 是一个基于Transformer注意力的超轻量级文本识别模型，主要基于LSH局部敏感哈希编码和Max-Margin Loss的学习算法。

Hamming OCR: A Locality Sensitive Hashing Neural Networkfor SceneText Recognition

背景

场景文本识别中很多模型都使用了笨重的模型，这些模型很难在移动端设备上部署。这也是最近大火的Paddle OCR使用CRNN实现其超轻量级识别模型的原因。PaddleOCR采用的策略就是暴力削减特征通道来减小模型，但是这样使得性能大幅度下降。最近在arXiv上公开的Hamming OCR提出了Hamming Embedding和LSH局部敏感哈希分类的算法，大幅度削减模型大小，同时保留模型能力。

简介

我们首先看FC+softmax分类层：

其中分类矩阵W占了将近20MB，这是因为onehot编码方式维度过大，字符字数多的原因。

对应的Hamming OCR中的LSH局部敏感哈希分类实现如下：

Hamming OCR使用LSH编码替代了onehot编码，把分类矩阵W的大小降低到0.5MB。初始阶段，HammingOCR使用LSH和voting生成每个字符的LSH编码。然后基于生成的LSH code采用Max-Margin算法优化。

 

在推理阶段，Hamming OCR二值化logit，然后跟所有字符的LSH编码计算汉明距离，距离最近字符的即为预测结果。

 

LSH编码很好地保留了字符之间的相似度，如下图：

 

 

很多识别模型使用Output Embedding来表达每个字符，Embedding层占了20MB。因为LSH编码的良好特性，Hamming OCR直接使用LSH编码作为字母的表达，也就是Hamming Embedding，减少20MB并且不损失精度。

 

Hamming OCR还加入了跨层共享Transformer权重、去除Feed-ForwardNetwork和FP16，最终模型只有3.9MB。模型结构如下图：

 

Hamming OCR模型的能力很强，如下图所示，最终模型不但比PaddleOCR小，精度还要更高。

 

 

模型各阶段优化之后的参数量如下图，

 

 

结论

1. Hamming OCR模型小

2. 模型能力很强

3. 支持的字符数量超大

4. 便于移动端部署

 

论文链接：https:///pdf/2009.10874.pdf

作者团队

产险视觉计算组（VC组）专注解决金融保险领域的计算机视觉应用问题，在ICDAR 2019票据识别及关键信息3个任务中，团队分别斩获第二，第三，第一名。同时，在Kaggle举办的百度/北大无人驾驶比赛中，获得亚军。团队积极创新，已有多项自研OCR 、关键性信息抽取技术。

 

参考文献

1. Lu, N.; Yu,W.; Qi, X.; Chen, Y.; Gong, P.; and Xiao, R. 2019. Master: Multi-aspectnon-local network for scene text recognition. arXiv preprint arXiv:1910.02562.

2. Li, H.;Wang, P.; Shen, C.; and Zhang, G. 2019. Show, attend and read: A simple andstrong baseline for irregular text recognition. In Proceedings of the AAAIConference on Artificial Intelligence, volume 33, 8610–8617.

3. Shi, B.;Bai, X.; and Yao, C. 2016. An end-to-end trainable neural network forimage-based sequence recognition and its application to scene text recognition.IEEE transactions on pattern analysis and machine intelligence 39(11):2298–2304.

4. Lan, Z.;Chen, M.; Goodman, S.; Gimpel, K.; Sharma, P.; and Soricut, R. 2019. Albert: Alite bert for selfsupervised learning of language representations. arXiv preprintarXiv:1909.11942 .