Hamming OCR是一个基于Transformer注意力的超轻量级文本识别模型，主要基于LSH局部敏感哈希编码和Max-Margin Loss的学习算法。

Hamming OCR: A Locality Sensitive Hashing Neural Networkfor SceneText Recognition

本文为极市开发者投稿，作者平安产险视觉计算组，转载请获授权。

场景文本识别中很多模型都使用了笨重的模型，这些模型很难在移动端设备上部署。这也是最近大火的Paddle OCR使用CRNN实现其超轻量级识别模型的原因。PaddleOCR采用的策略就是暴力削减特征通道来减小模型，但是这样使得性能大幅度下降。最近在arXiv上公开的Hamming OCR提出了Hamming Embedding和LSH局部敏感哈希分类的算法，大幅度削减模型大小，同时保留模型能力。

我们首先看FC+softmax分类层：

其中分类矩阵W占了将近20MB，这是因为onehot编码方式维度过大，字符字数多的原因。

对应的Hamming OCR中的LSH局部敏感哈希分类实现如下：

Hamming OCR使用LSH编码替代了onehot编码，把分类矩阵W的大小降低到0.5MB。初始阶段，HammingOCR使用LSH和voting生成每个字符的LSH编码。然后基于生成的LSH code采用Max-Margin算法优化。

在推理阶段，Hamming OCR二值化logit，然后跟所有字符的LSH编码计算汉明距离，距离最近字符的即为预测结果。

LSH编码很好地保留了字符之间的相似度，如下图：

很多识别模型使用Output Embedding来表达每个字符，Embedding层占了20MB。因为LSH编码的良好特性，Hamming OCR直接使用LSH编码作为字母的表达，也就是Hamming Embedding，减少20MB并且不损失精度。

Hamming OCR还加入了跨层共享Transformer权重、去除Feed-ForwardNetwork和FP16，最终模型只有3.9MB。模型结构如下图：

Hamming OCR模型的能力很强，如下图所示，最终模型不但比PaddleOCR小，精度还要更高。

模型各阶段优化之后的参数量如下图，

1. Hamming OCR模型小
2. 模型能力很强
3. 支持的字符数量超大
4. 便于移动端部署

论文链接： https://arxiv.org/pdf/2009.10874.pdf

1. Lu, N.; Yu,W.; Qi, X.; Chen, Y.; Gong, P.; and Xiao, R. 2019. Master: Multi-aspectnon-local network for scene text recognition. arXiv preprint arXiv:1910.02562.
2. Li, H.;Wang, P.; Shen, C.; and Zhang, G. 2019. Show, attend and read: A simple andstrong baseline for irregular text recognition. In Proceedings of the AAAIConference on Artificial Intelligence, volume 33, 8610–8617.
3. Shi, B.;Bai, X.; and Yao, C. 2016. An end-to-end trainable neural network forimage-based sequence recognition and its application to scene text recognition.IEEE transactions on pattern analysis and machine intelligence 39(11):2298–2304.
4. Lan, Z.;Chen, M.; Goodman, S.; Gimpel, K.; Sharma, P.; and Soricut, R. 2019. Albert: Alite bert for selfsupervised learning of language representations. arXiv preprintarXiv:1909.11942 .

产险视觉计算组（VC组）专注解决金融保险领域的计算机视觉应用问题，在ICDAR 2019票据识别及关键信息3个任务中，团队分别斩获第二，第三，第一名。同时，在Kaggle举办的百度/北大无人驾驶比赛中，获得亚军。团队积极创新，已有多项自研OCR 、关键性信息抽取技术。

Hamming OCR是一个基于Transformer注意力的超轻量级文本识别模型，主要基于LSH局部敏感哈希编码和Max-Margin Loss的学习算法。Hamming OCR: A Locality Sensitive Hashing Neural Networkfor SceneText Recognition本文为极市开发者投稿，作者平安产险视觉计算组，转载请获授权。背景场景文本识别中很多模型都使用了笨重的模型，这些模型很难在移动端设备上部署。这也是最近大火的Paddle OCR使用C An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition STAR-Net: A SpaTial Attention Residue Network for.. Ham min g window是一种在数字信号处理中广泛使用的加窗函数。它的形状类似于一个带有斜角的矩形，其在频域上的特性能够减少信号处理过程中的频谱泄漏。 Ham min g window的公式为： w(n) = 0.54 - 0.46 * cos(2πn/(N-1)), 其中n是窗口中的采样点的索引，N是窗口中的采样点数。 在信号处理中，将 Ham min g窗应用于原始信号可以减少频谱泄漏，提高谱估计的精度。常见的应用包括傅里叶变换、滤波、频谱分析等。 在MATLAB和 Python 中， Ham min g窗可以使用内置的函数 ham min g()直接调用，或者使用numpy库中的 ham min g()函数。下面是一个使用 Python 中的numpy库实现 Ham min g窗的示例代码： import numpy as np # 指定窗口大小 window_size = 128 # 生成 Ham min g窗 ham min g_window = np. ham min g(window_size) # 应用窗口到原始信号 windowed_signal = original_signal * ham min g_window 这段代码将原始信号与 Ham min g窗相乘，生成一个加窗的信号，然后可以进行进一步的信号处理操作。