一：CRNN简介
网络结构：
CNN + RNN + CTC
网络编码：
当输入一张尺寸归一化的图片 [32, 280, 3] ，其中32代表文本图片高度，280代表文本图片宽度，3代表文本图片通道数；经过CNN特征编码之后，高度5次2倍下采样变成1，宽度3次2倍下采样变成35，通道经过卷积变成512，最终CNN输出特征 [1, 35, 512]；以此特征输入RNN网络，以35作为序列步长，通道数最终输出字符分类总数，假设字典字符总数为80，最终编码输出特征尺寸为 [1, 35, 80]。
网络解码：
训练过程使用CTCloss对[1, 35, 80]特征自动对齐真实标签。推理过程可以使用贪婪解码和束解码，贪婪解码是将每一步特征进行softmax输出概率最大字符作为识别结果；束解码是将每一步输出概率排名前k的字符都作为输出备选，最终以整个步长路径概率最大对应的字符串作为输出结果。
二：基于特征网络提高识别效果
第一部分简单介绍网络范式CNN+RNN+CTC，工程代码链接提供了VGG+BiLSTM+CTC的具体实践方式，在工程应用中，更多会使用残差结构网络ResNet或者DenseNet作为CNN部分的特征提取，虽然使用这些结构会提升网络效果，但同时带来了网络结构更复杂。RepVGG提供了一种更适合工程化的方法，在训练的时候使用类似ResNet的残差结构增加网络特征提取能力，推理的时候通过卷积核等效变化，“融合”了残差结构，简化了推理网络结构，因此CNN部分可以更换成RepVGG。
RepVGG：https://github.com/DingXiaoH/RepVGG
注意：使用RepVGG做为识别backbone，官方代码在推理融合的时候只提供了CNN网络的处理，识别网络我们还要处理BiLSTM部分权重，可以按照下面方式处理即可：
三：基于SWA提高识别效果
之前偶然看到一篇比较有意思的文章 SWA Object Detection。这篇文章全文无公式、无算法流程图，不改模型结构，不增加模型复杂度、推断时间，也不对数据进行增广。将其简单应用于主流的目标检测算法，可普遍在COCO数据集上获得 ~1 个AP的精度提升。好奇之下，将其迁移到了文本识别工程之中，目前实验来看，在部分识别任务确实有效果。
论文地址：https://arxiv.org/pdf/2012.12645.pdf
在文本识别中，可以如下使用生成reco_swa.pth：
四：基于onnxruntime提高识别速度
在实际工程中，我们会将模型转换成onnx格式，使用onnxruntime来提高推理速度，一般在识别任务中，cpu环境下，比较pytorch会提高5-10倍速度。其中pytorch提供转化onnx格式模型接口，具体示例可以参考如下：
使用onnxruntime框架推理demo如下：
五：结构化以及位置感知识别提升
在实际工程中，我们经常会遇到识别文本出现弯曲畸变或者结构识别（比如数学公式识别），此时CRNN+CTC范式并不能再满足我们的任务需求，比较传统的方式是借鉴语言翻译任务范式Seq2Seq+Attention，通过结构微调成CRNN+LSTM+Attention模式实现结构化以及位置感知识别，但是这个方式局限于LSTM无法并行计算，大大降低了计算效率。比较成熟的方案是基于CNN+Transformer范式解决此类问题，通常使用CNN学习图像低级特征，使用self-attention学习全局特征解码，既解决了数据饥渴的问题，又解决了解码无法并行的计算效率问题。
CNN+Transformer（encoder）：
GitHub - opconty/Transformer_STR: PyTorch implementation of my new method for Scene Text Recognition (STR) based on Transformer,Equipped with Transformer, this method outperforms the best model of the aforementioned deep-text-recognition-benchmark by 7.6% on CUTE80.
六：识别新范式
以上介绍的都是传统文本识别的一些典型方法，工程领域已经非常成熟。目前近一年Vision Transformer的大火，同时带来了许多文本识别新范式。由于文本识别本就属于图像与语言交叉形式的任务，基于多模态、自监督预训练等多种范式在多个识别领域SOTA，例如微软新提出的Trocr等方法。
