我是Tensorflow的新手，我正在尝试构建能够对我的图像执行OCR的模型。我必须阅读9个字符（固定在所有图像中），数字和字母。我的模型与此类似
https://matthewearl.github.io/2016/05/06/cnn-anpr/
我的问题是，我是否应该首先针对每个角色训练我的模型，然后在组合角色后获得完整的标签。或者我应该直接在全标签上训练？
我知道我需要传递给相应图像的模型，图像+标签，这些标签的格式是什么，是文本文件，我对该部分有点困惑，所以对标签格式的任何解释都是传递给模特会有帮助吗？谢谢，谢谢。
答案 0 :(得分：9)
我建议注意培训端到端的OCR模型。您可以尝试我们用来转录街道名称https://github.com/tensorflow/models/tree/master/research/attention_ocr
的注意力OCR我的猜测它应该适用于您的情况。有关如何为其准备数据的说明，请参阅答案https://stackoverflow.com/a/44461910。
答案 1 :(得分：5)
有几种方法可以解决这个问题（以下列表并非详尽无遗）。
1）第一个是直接从你的图像分类。如果您的9个字符的词汇量有限，则可以训练单词特定的分类器。然后，您可以将此分类器与图像进行卷积，并选择概率最高的单词。
2）第二个选项是训练角色分类器，查找图像中的所有角色，找到最有可能找到9个角色的行。
3）第三个选项是训练文本检测器，找到所有可能的文本框。然后使用基于序列的模型读取所有文本框，并选择遵循约束的最可能的解决方案。基于序列的简单模型在下面的论文中引入：http://ai.stanford.edu/~ang/papers/ICPR12-TextRecognitionConvNeuralNets.pdf。其他基于序列的模型可以基于HMM，连接主义时间分类，基于注意力的模型等。
4）第四个选项是基于注意力的模型，它们端到端地工作，首先找到文本，然后逐个输出字符。
请注意，此列表并非详尽无遗，可以通过多种不同方式解决此问题。其他选项甚至可以使用Abbyy或Tesseract等第三方解决方案来帮助您解决问题。