2D-CTC for Scene Text Recognition，1-D CTC Loss參考CTC Loss和Focal CTC Loss
Motivation
普通的CTC僅支持1-d，但是文字識別不像語音識別，很多時候文字不是水平的，如果強行“壓”到1d，對識別影響很大，如下圖所示
Review 1-D CTC
首先對alphabeta進行擴充，加入blank符號，然後定義一個映射規則: blank之間的相同字符可以去重
計算loss時，對每個gt label字符間加入blank
然後計算
但是如果窮舉能夠經過映射規則變換到apple字符串的話，計算量太大。其實可以將apple分開進行映射，其實是互不干擾的，這時可以用動態規劃重複利用子問題答案，參考博客
2-D CTC
2d比1d多了個高度，不僅可以左右跳還可以上下跳。
左右跳是有固定的規則
而上下跳我們可以利用一個網絡進行學習，上面第一個輸出是wh各個位置的概率輸出向量，而下面第二個輸出是各個位置在h方向上跳動的概率，由於最後一列不用跳，因此輸出是(w-1) h * h
每個位置在h方向跳動的概率和爲1
同樣在計算2-D CTC loss時依然可以用到動態規劃，只是在多了個h方向(將原來的某一個點(一個概率值)，換成某一條豎線，變成h個概率值乘以跳轉概率的和)
備註
本文爲了簡便，在預測上下跳動概率時，假設同一列位置上，他們跳動到該列其他點上概率分佈相同(好像attention呀，就是預測該列上出現文字的地方)，該轉移概率輸出爲(w-1) * h
作者說兩者效果差不多
實驗
解釋下Vanill CTC + Attention，即網絡結構和輸出和2D-CTC一樣，然後利用2d轉移概率圖乘以輸出的概率圖，最後在h方向求和以利用1d ctc
對比結果2d-ctc還是最好的
點評
個人認爲這個應該是1.5d ctc，解決的是彎曲的一行文字，而不是真正的2d即多行文字