版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_14845119/article/details/82718451
论文：Large Scale System for Text Detection and Recognition in Images
Facebook的OCR引擎。OCR部分包括检测和识别2部分。是分别进行检测和识别的框架。检测和识别分开训练。检测模型基于caffe2训练，识别模型基于pytorch训练，最终都部署为caffe2。
检测框架：
检测框架采用faster RCNN中的RPN结构。区别在于基础卷积网络使用的是ShufeNet。
识别框架：
论文中提出了2种结构，
一种为具有多个全连接层的传统识别方法。缺点为，
- 识别的文本的长度受限制，不能识别文本中单词太多的文本图片，例如URL。
- 由于最后接了好多全连接层，导致参数较大。
另一种为基于全卷积+CTC的结构，基础结构为ResNet18，注意这里没有使用lstm或者gru或者attention等类似这样的结构。优点为，
- 网络具有更少的参数
- 可以预测任意长度的文本
在测试中发现，先将图片按照长宽比缩放为高度固定为32像素，再将宽度进行1.2倍的缩放，可以获得更好的识别效果。
训练过程中采用了warm up的策略。学习率经过了从最小到最大，再到最小的过程。图片的宽度也随着训练逐渐递增，单词长度也随着训练逐渐递增，体验了由易到难的训练思路。
整体结构：
整体框架采用异步的处理流程。最开始接入了类似rabbitMQ或者rocketMQ的中间件作为处理队列。然后消费者从队列中收取图片进行检测+识别的处理。处理结果存储在了TAO数据库（facebook的分布式数据库）中，当然也可以根据业务需要存储在redis或者fdfs中。最后前面服务端再定时从数据库中获取识别结果。
总结：
整体感觉论文不管是算法方面的检测+识别，还是业务逻辑层面的部署，都是正常的逻辑，没有说提出特别有亮点的东西。