使用 PyTorch 框架使用 CRNN 和 CTC 损失进行多位序列识别 训练结果 测试结果

该论文运用的卷积神经网络（CNN）和LSTM，其中CNN处理频率和空间信息，LSTM处理从CNN输出中提取时间相关性，并将两种模型进行融合。数据集采用的是脑电研究中最常用的DEAP和SEED数据集并且在两个数据集中都取得了很高的准确率。都达到了92%左右的准确率。 论文设计了一种新模型，称为四维卷积递归神经网络。该模型将多通道脑电信号的频域特征、时域特征和空间特征（频率、空间和时间信息）集成在一起，用来提高脑电情绪识别的准确率。首先，提取脑电的这三种特征，我们将不同通道的差分熵特征转换为4维结构来训练深层模型。然后，介绍了卷积神经网络（CNN）和长短时记忆（LSTM）单元的递归神经网络相结合的CRNN模型。CNN用于从4D输入的每个时间片中学习频率和空间信息，LSTM用于从CNN输出中提取时间相关性。LSTM最后一个节点的输出执行分类。该模型在受试者内部划分的SEED和DEAP数据集上都达到了最先进的性能。实验结果表明，结合脑电频域特征、时域特征和空间域特征（频率、空间和时间信息）进行脑电情感识别是有效的。

English | 介绍 PaddleOCR旨在创建多语言，出色，领先和实用的OCR工具，以帮助用户训练更好的模型并将其应用于实践。 注意 PaddleOCR支持动态图和静态图编程范例 动态图：dygraph分支（默认），受桨2.0.0支持（） 静态图：开发分支 最近更新 2021.1.21更新了超过25种以上的多语言识别模型的，包括：英语，中文，德语，法语，日语，西班牙语，葡萄牙语，俄罗斯，阿拉伯语等。 更多语言的模型将继续更新 。 2020.12.15更新了数据合成工具，即 ，易于合成与目标场景图像相似的大量图像。 2020.11.25更新新的数据注释工具 ，这有助于提高标记效率。 此外，标记结果可直接用于PP-OCR系统的培训。 2020.9.22更新PP-OCR技术文章 产品特点 PPOCR系列高质量的预训练模型，可媲美商业效果 超轻量ppocr_mobile系列模型：检测

深度学习应用在字符识别中，有demo，也有训练代码，支持中文英文的训练，rcnn经典算法，模型小速度快

基于pytorch的OCR库 这里会有这个项目的代码详解和我的一些ocr经验和心得，我会慢慢更新，有兴趣可以看看，希望可以帮到新接触ocr的童鞋 最近跟新： 2021.05.01 更新CRNN 训练，解决了多gpu训练问题，更换成lmdb训练，需要将图片先转成lmdb（在script文件夹中有多进程将图片转成lmdb的代码），做了一些训练优化，模型结构更改（训练时使用名字中带lmdb的yaml文件），实际训练效果如下表。 2021.03.26 更新CRNN 训练效果，代码整理后上传 2021.03.06 更新CRNN backbone resnet 和 mobilev3 以及配置文件 2020.12.22 更新CRNN+CTCLoss+CenterLoss训练 2020.09.18 更新文本检测说明文档 2020.09.12 更新DB,pse,pan,sast,crnn训练测试代码和预训练

crnn_ctc-centerloss 2020.12.27更新 使用最后一层全连接层输入的功能作为处理对象，即缩小这一功能的类内距离 实现功能和标签的对齐，主要解决了预测重复，预测漏字时的对齐问题（需要tf1.15） 增加对关键指标的计算和追踪，训练过程更直观，方便debug（需要tf1.15） 中心之间的距离 字符距离自己中心，形近字中心的距离 经过训练，字符距离差增大，预测置信度和距离差拥有一定相关性 增加feature的可视化，使用tensorboard的嵌入投影仪，方便调试 # 生成 embedding 图 python -m libs.projector --model=your_model_path --file=your_label_file_path --dir=your_log_dir # 启动 tensorboard tensorboard --logdir=you

此代码是CRNN模型代码，win10可以运行，本人近期有用过，有需要的可以下载（GitHub不会用），上传给有需要的朋友使用；

卷积递归神经网络 该软件实现了卷积递归神经网络（CRNN），它结合了CNN，RNN和CTC损失，可用于基于图像的序列识别任务，例如场景文本识别和OCR。 有关详细信息，请参阅我们的论文 。 更新2017年3月14日，一个Docker文件已添加到项目中。 感谢 。 UPDATE 2017年5月1日一PyTorch已作出 。 更新2017年6月19日对于端到端文本检测器+识别器，请通过签出 。 建立 该软件仅在Ubuntu 14.04（x64）上经过测试。 需要启用CUDA的GPU。 要构建项目，请首先安装最新版本的 ， 和LMDB。 请分别遵循其安装说明。 在Ubuntu上，可以通过apt-get install liblmdb-dev 。 要构建项目，请转到src/并执行sh build_cpp.sh来构建C ++代码。 如果成功，则应在src/目录中生成一个名为libcrnn.so的文件。 运行演示 演示程序可以在src/demo.lua找到。 在运行演示之前，请从下载预训练的模型。 将下载的模型文件crnn_demo_model.t7放入目录model/crnn_demo/

crnn（基于pytorch、python3） 实现不定长中文字符识别-附件资源

行业分类-物理装置-一种基于CRNN算法的发票文件真伪识别方法.zip