text-recognition-0012#

ユースケースと概要説明#

これはテキスト認識シナリオのためのネットワークです。VGG16 のようなバックボーンと双方向 LSTM エンコーダー/デコーダーで構成されます。ネットワークは、大文字と小文字を区別しない英数字テキスト (36 個の固有の記号) を認識できます。

例#

-> openvino

仕様#

メトリック

値

ICDAR13 の英数字サブセットの精度

0.8818

テキスト位置の要件

整列したクロップ

GFlops

1.485

MParams

5.568

ソース・フレームワーク

TensorFlow*

入力#

画像、名前: Placeholder、形状: 1, 32, 120, 1、形式: B, H, W, C、ここで:

  • B - バッチサイズ

  • H - 画像の髙さ

  • W - 画像の幅

  • C - チャネル数

ソース画像は、グレースケールに変換されて検出されたテキストに合わせてトリミングされる必要があることに注意してください。

出力#

モデルは、形状 30, 1, 37 のテンソルを W, B, L 形式で出力します。ここで:

  • W - 出力シーケンス長

  • B - バッチサイズ

  • L - 英数字全体の信頼度分布 シンボル: 0123456789abcdefghijklmnopqrstuvwxyz#、ここで、# は CTC デコード・アルゴリズム用の特殊な空白文字。

ネットワーク出力は、CTC Greedy Decoder または CTC Beam Search デコーダーによってデコードできます。

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: