TPAMI 2022 | 自动搜索文本识别网络的高性能特征提取器

科技

2022-11-27 14:11

©PaperWeekly 原创 · 作者 | 陈卓群

单位 | 清华大学

论文标题：

Searching a High Performance Feature Extractor for Text Recognition Network

收录情况：

TPAMI

论文链接：

https://ieeexplore.ieee.org/document/9887897

代码链接：

https://github.com/AutoML-Research/TREFE

引言

文本识别（Text Recognition）是一项旨在从图像中提取文本字符串的技术，对于工业界和学术界都有着很大的吸引力。而文本所具有的形色各异的外观、大小、字体、背景、书写风格和排版，都使得 TR 成为了一项非常有挑战性的问题。如 Fig1 所示，传统的 TR 系统可以大致被分为三个部分：

1. 图像预处理模块，针对自然语言场景中的实际情况，把输入图像转化为一个更便于识别的形式。主要实现方式有图像校正、超分辨率和降噪；

2. 特征提取器，用来从文本图像中提取特征。目前大部分特征提取器的实现形式都是通过 CNN 和 RNN 的结合，CNN 从图像中提取视觉特征，然后通过 RNN 增强时序依赖特征，生成鲁棒的序列特征；

3. 识别头，用来输出字符序列。目前较为流行的做法是基于神经网络的 CTC、字符分割、基于注意力的序列到序列、基于注意力的并行解码等。

特征提取器在 TR 中发挥着关键的作用，并且占据着大量的数据计算和存储开销。但由于手动调参的成本较高，因此对于特征提取器的结构个性化方面探索较少。现有方法往往直接使用起初为其他任务设计的 CNN 和 RNN 网络（如 TABLE 1），包括用于图像分类的 ResNet 和用于机器翻译的 BiLSTM，并没有针对 TR 任务进行调优。

除此之外，TR 系统在部署到终端时，通常会有推理延迟的限制，现有的设计方案并没有考虑到这一点，在手动调整 TR 系统以适应延迟的同时，很难保证高精度的识别。

近期研究表明，神经架构搜索（NAS）可以在图像分类、语义分割、目标检测等计算机视觉任务中产出良好的神经架构，受此启发，摒弃此前需要专家手动设计架构的方法，本文提议使用 one-hot NAS 来搜寻高性能的 TR 特征提取器。

具体来说，我们首先为视觉和序列特征提取器设计一个特定于 TR 任务的搜索空间。对于视觉部分，该搜索空间支持对卷积类型和下采样路径进行选择；对于序列部分，本文提议使用 Transformer 替代，其比 TR 任务中常用的 BiLSTM 具有更强的并发性，但是 Vanilla Transformer 很难优于 BiLSTM。因此，本文进一步探索了 Transformer 近期的发展，并搜寻 Transformer 的变体。

由于合成的超网之巨大，本文提议使用两阶段 one-hot NAS 方法。在第一个阶段，受神经网络渐进逐层训练的启发，本文采用了一种贪婪的逐块训练的方式。在第二个阶段，摒弃进化算法或随机搜索，本文使用自然梯度下降以更高效地从超网中搜寻更精悍的架构，部署环境的资源限制也可以很好地在本阶段引入，导致最终选择出的架构更有可部署性。在一系列的标准数据集上的大量实验表明，合成的 TR 模型在准确性和推理速度上都优于现存 SOTA 模型。

方法介绍

2.1 问题表述

视觉模型搜索空间

空间模型是一个卷积神经网络 (CNN)，每一个卷积层可以被表示为，其中为输入图像张量，ct 是卷积类型，是高度和宽度维度上的步长。下采样路径将图像与卷积运算一起下采样到特征图 (feature map)，可以显著影响 CNN 的性能。

本文通过探索视觉模型的架构并自动搜索每一层中的值。整个空间结构可以通过和，其中是卷积层数，是候选卷积操作的集合，是候选步长值的集合。我们假定视觉模型的输入尺寸为和的具体选择过程如下：

1. 令，保证垂直方向的下采样步长不超过水平方向，以避免使得相邻字符更难区分。此外，当为 (2,1) 或 (2,2) 时，该层的分辨率会降低，因此将滤波器的数量加倍。

2. 包括卷积核尺寸为和扩展因子为的反瓶颈卷积 (MBConv) 层。

3. 我们使用大小为 1×W/4 的输出 feature map，由于空间模型的输入大小为 32×W，因此对于每个下采样路径，都有：

Figure 3 (a) 展示了视觉模型搜索空间的层结构。每个蓝色的节点对应一个 1 层的的 feature map 。每条绿色的边对应一个候选的卷积层运算，而每条灰色的边对应中一个候选的步长。一条连接从初始尺寸 ([32, W]) 到最后一个 feature map R 寸的蓝色节点的路径表示一个候选视觉模型。

序列模型搜索空间

对于自然语言处理系统中的序列模型，LSTM 已经逐渐被 Transformer 替代，Transformer 在并行性和提取长期上下文特征方面都更有优势。但是由于在命名实体识别和自然语言推理等任务上的性能可能不及 BiLSTM，直接应用 Vanilla Transformer 可能并不理想。

设每个变换层为，其中是输入张量，rt 是变换层的类型。序列模型的结构定义为，其中为候选层的集合，为变换层的数量。受 Transformer 最新进展的启发，本文提议通过以下四个方面改进其设计：

1. Transformer 以长度为的维特征序列为输入，通过三个多层感知器 (MLP 被转换为 query , key 和 value 尺寸均为。本文添加从上一层至当前层的残差路径，以促进注意力分数的传播，第层（不包括输入层）的注意力分数可表示为：

2. 添加相对距离表征 Rel 以提高注意力分数 A 的距离和方向意识：

其中

是可学习的参数，是第个 query，是第个 key，是和的相对位置，被定义为：

3. 在计算注意力时，舍弃换算系数，通过计算；

4. 用门控线性单元（GLU）代替前向网络（FFN）中的 MLP：

其中 x 为多头自注意力（MHSA）的输出，⊗ 为元素积符号，σ 为 sigmoid 函数，这使得 FFN 可以与预测相关的特征。

对于 N 层序列模型，我们将 Figure 4 的 N 个副本附到 Figure 3（a）中的序列模型输出，在 Figure 3（b）中，每个蓝色的矩形代表一个 transformer 层，每个黑色节点表示该层上的设计选择。Figure 3（b）中沿着黑色节点连接的品红色路径构成了一个候选的序列模型。

资源约束

在部署至终端时，客观的资源限制可以被表示为：