formula-recognition-medium-scan-0001 (複合)#

ユースケースと概要説明#

これは、Latex 式を認識する im2latex 複合モデルです。このモデルは語彙ファイル vocab.json を使用して、Latex トークンのシーケンスを予測します。このモデルは、追加のアテンション・ベースのテキスト認識ヘッドを備えた ResNeXt-50 バックボーン上に構築されています。

語彙ファイルは、対応するモデル・ディレクトリー、<models_dir>/models/intel/formula-recognition-medium-scan-0001/formula-recognition-medium-scan-0001-im2latex-decoder/vocab.json にダウンロードされます。モデルは、大小文字、数字、一部のギリシャ文字、三角関数 (cos、sin、coth など)、対数関数、sqrt、および上付き文字を予測できます。

入力データの例#

出力の例#

4 7 4 W ^ { 1 } + 7 . 1 9 o ^ { 4 } - 6 - 0 . 9 6 L ^ { 1 } y

複合モデル仕様#

メトリック

値

im2latex_medium_photographed データセット、im2latex-match-images メトリック

81.5%

im2latex_medium_rendered データセット、im2latex-match-images メトリック

95.7%

ソース・フレームワーク

PyTorch*

Im2latex-match-images メトリックは <omz_dir>/tools/accuracy_checker/accuracy_checker/metrics/im2latex_images_match.py によって計算されます

エンコーダー・モデル仕様#

Formula-recognition-medium-scan-0001-encoder モデルは、デコーダー用の初期化レイヤーを備えた ResNeXt-50 に類似したバックボーンです。

メトリック

値

GFlops

16.56

MParams

1.69

入力#

画像、名前: imgs、形状: 1, 3, 160, 1400、形式: 1, C, H, W、ここで:

  • C - チャネル数

  • H - 画像の髙さ

  • W - 画像の幅

予想されるチャネルの順序は BGR です。

出力#

  1. 名前: hidden、形状: 1, 512。LSTM セルの初期コンテキスト状態。

  2. 名前: context、形状: 1, 512。LSTM セルの初期の非表示状態。

  3. 名前: init_0、形状: 1, 256。デコーダーの初期状態。

  4. 名前: row_enc_out、形状: 1, 20, 75, 512。デコーダーに供給されるエンコーダーからの特徴。

デコーダーモデル仕様#

Formula-recognition-medium-scan-0001-decoder モデルは、アテンション・モジュールを備えた LSTM ベースのデコーダーです。

メトリック

値

GFlops

1.86

MParams

2.56

入力#

  1. 名前: dec_st_c、形状: 1, 512。LSTM セルの現在のコンテキスト状態。

  2. 名前: dec_st_h、形状: 1, 512。LSTM セルの現在の非表示状態。

  3. 名前: output_prev、形状: 1, 256。デコーダーの現在の状態。

  4. 名前: row_enc_out、形状: 1, 20, 175, 512。エンコードされた機能。

  5. 名前: tgt、形状: 1, 1。前のシンボルのインデックス。

出力#

  1. 名前: dec_st_c、形状: 1, 512。LSTM セルの現在のコンテキスト状態。

  2. 名前: dec_st_h、形状: 1, 512。LSTM セルの現在の非表示状態。

  3. 名前: output、形状: 1, 256。デコーダーの現在の状態。

  4. 名前: logit、形状: 1, Vocab_Size。すべてのトークンの分類信頼スコアは [0, 1] の範囲です。

デモの使い方#

このモデルは、Open Model Zoo が提供する次のデモで使用して、その機能を示します: