Datawhale|Datawhale 零基础入门CV赛事-Task1 赛题理解 Datawhale零基础入门CV赛事-Task

本章内容将会对街景字符识别赛题进行赛题背景讲解，对赛题数据的读取进行说明，并给出集中解题思路。
1 赛题理解
赛题名称：零基础入门CV之街道字符识别
赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。
赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。
为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很多相应的paper作为思路参考。
1.1 赛题数据
赛题以街道字符为为赛题数据，数据集报名后可见并可下载，该数据来自收集的SVHN街道字符，并进行了匿名采样处理。
image 注意: 按照比赛规则，所有的参赛选手只能使用比赛给定的数据集完成训练，不能使用SVHN原始数据集进行训练。比赛结束后将会对Top选手进行代码审核，违规的选手将清除排行榜成绩。
训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。
需要注意的是本赛题需要选手识别图片中所有的字符，为了降低比赛难度，我们提供了训练集、验证集和测试集中所有字符的位置框。
1.2 数据标签
对于训练数据每张图片将给出对于的编码标签，和具体的字符框的位置（训练集、测试集和验证集都给出字符位置），可用于模型训练：
Field Description
top 左上角坐标X
height 字符高度
left 左上角最表Y
width 字符宽度
label 字符编码
字符的坐标具体如下所示：

文章图片
image 在比赛数据（训练集、测试集和验证集）中，同一张图片中可能包括一个或者多个字符，因此在比赛数据的JSON标注中，会有两个字符的边框信息：
原始图片图片JSON标注

文章图片
image
文章图片
image 1.3 评测指标
选手提交结果与实际图片的编码进行对比，以编码整体识别准确率为评价指标。任何一个字符错误都为错误，最终评测指标结果越大越好，具体计算公式如下：
Score=编码识别正确的数量/测试集图片数量
1.4 数据下载
下面的代码可以直接根据mchar_data_list_0515.csv文件，将所有相关数据集下载，并保存到当前路径的data下

import requestsimport pandas as pdimport osimport zipfiledata=https://www.it610.com/article/pd.read_csv('data/mchar_data_list_0515.csv')mypath='./data/'if not os.path.exists(mypath):os.makedirs(mypath)# 下载数据for i,link in enumerate(data['link']):file_name = data['file'][i]print(file_name, '\t', link)file_name = mypath+ file_nameif not os.path.exists(file_name):response = requests.get(link, stream=True)with open( file_name, 'wb') as f:for chunk in response.iter_content(chunk_size=1024):if chunk:f.write(chunk)# 解压数据zip_list = ['mchar_train', 'mchar_test_a', 'mchar_val']for little_zip in zip_list: # 卖萌可耻if not os.path.exists(mypath+ little_zip):zip_file = zipfile.ZipFile(mypath+ little_zip + '.zip', 'r')zip_file.extractall(path = mypath )

mchar_train.ziphttp://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_train.zipmchar_train.jsonhttp://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_train.jsonmchar_val.ziphttp://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_val.zipmchar_val.jsonhttp://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_val.jsonmchar_test_a.ziphttp://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_test_a.zipmchar_sample_submit_A.csvhttp://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531795/mchar_sample_submit_A.csv

1.6 解题思路
赛题思路分析：赛题本质是分类问题，需要对图片的字符进行识别。但赛题给定的数据图片中不同图片中包含的字符数量不等，如下图所示。有的图片的字符个数为2，有的图片字符个数为3，有的图片字符个数为4。
字符属性图片
字符：42 字符个数：2

Datawhale|Datawhale 零基础入门CV赛事-Task1 赛题理解

文章图片
image 字符：241 字符个数：3

文章图片
image 字符：7358 字符个数：4

文章图片
image 因此本次赛题的难点是需要对不定长的字符进行识别，与传统的图像分类任务有所不同。为了降低参赛难度，我们提供了一些解题思路供大家参考：
简单入门思路：定长字符识别
可以将赛题抽象为一个定长字符识别问题，在赛题数据集中大部分图像中字符个数为2-4个，最多的字符个数为6个。
因此可以对于所有的图像都抽象为6个字符的识别问题，字符23填充为23XXXX，字符231填充为231XXX。

文章图片
image 经过填充之后，原始的赛题可以简化了6个字符的分类问题。在每个字符的分类中会进行11个类别的分类，假如分类为填充字符，则表明该字符为空。
专业字符识别思路：不定长字符识别

文章图片
image 在字符识别研究中，有特定的方法来解决此种不定长的字符识别问题，比较典型的有CRNN字符识别模型。
【Datawhale|Datawhale 零基础入门CV赛事-Task1 赛题理解】在本次赛题中给定的图像数据都比较规整，可以视为一个单词或者一个句子。
专业分类思路：检测再识别
在赛题数据中已经给出了训练集、验证集中所有图片中字符的位置，因此可以首先将字符的位置进行识别，利用物体检测的思路完成。

文章图片
image 此种思路需要参赛选手构建字符检测模型，对测试集中的字符进行识别。选手可以参考物体检测模型SSD或者YOLO来完成。
2 参考资料：
https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12586969.1002.6.2ce83fdft96KXS&postId=107990
https://www.kaggle.com/olgabelitskaya/svhn-digit-recognition/data
https://github.com/potterhsu/SVHNClassifier-PyTorch