| 김범준 | 백우열 | 조용재 | 조윤재 | 최명헌 |
|---|---|---|---|---|
 |
 |
 |
 |
 |
OCR (Optimal Character Recognition) 기술은 사람이 직접 쓰거나 이미지 속에 있는 문자를 얻은 다음 이를 컴퓨터가 인식할 수 있도록 하는 기술로, 컴퓨터 비전 분야에서 현재 널리 쓰이는 대표적인 기술 중 하나이다.
OCR task는 글자 검출 (text detection), 글자 인식 (text recognition), 정렬기 (Serializer) 등의 모듈로 이루어져 있고 본 대회에선 '글자 검출' task 만을 해결한다.
단, 평가 방식이 예측 CSV 파일 제출 (Evaluation) 방식이 아닌 Model Checkpoint 와 inference.py 를 제출하여 채점하는 방식이다.
학습 데이터는 기본적으로 536개의 샘플로 이루어진 "ICDAR17_Korean"이라는 이름의 데이터셋이 제공됐다.
이는 ICDAR17-MLT 데이터셋에서 언어가 한글인 샘플들만 모아서 재구성한 것으로 원본 MLT 데이터셋의 부분집합이다.
본 대회는 데이터를 수집하고 활용하는 방법이 주요 내용이기 때문에, 성능 향상을 위해 공공 데이터셋 혹은 직접 수집한 데이터셋을 추가적으로 이용하는 것을 제한하지 않았다.
평가 데이터는 크롤링된 다양한 이미지 (손글씨, 간판, 책표지 등) 총 300장으로 구성되어 있고 언어는 주로 한국어이고, 영어, 그 외 다른 언어도 있지만 한국어, 영어가 아닌 다른 언어는 don't care 처리하므로 검출하지 않아도 됐다.
Public 테스트셋으로는 50%인 150장이 공개되고, 나머지 데이터 150장은 Private 테스트셋으로 활용됐다.
Test 데이터에 대한 정보를 알 수 없기 때문에, Test set과 유사할 것이라 생각되는, 최대한 많은 데이터를 모아 Public Leaderboard점수를 향상시키는 것을 목표로 했다.
주어진 데이터셋 외에 ICDAR15(약 1000장)(https://rrc.cvc.uab.es/?ch=4&com=downloads), ICDAR17(약 9000장)(https://rrc.cvc.uab.es/?ch=8&com=downloads), ICDAR19(약 10000장)(https://rrc.cvc.uab.es/?ch=15&com=downloads) 데이터셋을 사용했는데, 처음엔 각각의 데이터셋을 사용 시 점수가 어느 수준인지 파악해 더 좋은 데이터셋을 선택해 사용하려 했지만, 해당 데이터셋의 품질이 보증되어 있고 또 그러한 데이터의 수가 많으면 많을수록 좋다고 생각해 두 데이터셋을 합쳐서 사용했다.
이 때, 한국어, 영어 외의 다른 언어는 모두 Don’t Care 처리를 하지만, 여러 나라의 다양한 언어를 학습시킨다면 모델이 글자를 검출하는 데에 더욱 도움이 될 것이라는 가정으로 출발하여 Hindi, Bangla, Arabic 등 다양한 언어 데이터를 학습시키는데 사용했다.
추후에 주최 측에서 추가적으로 Upstage 데이터셋(교육생들이 직접 Annotation을 수행한 약 900개의 데이터)을 제공해 줬는데 이 데이터셋은 다른 데이터셋의 Annotation 양식과 달리 bounding box가 Rectangle이 아닌 Polygon 형태로 작성된 것이 있었다. 이를 다루기 위한 방법으로 첫 번째는 Polygon에 외접하는 사각형을 bounding box로 사용하는 것이었고, 두 번째는 polygon을 쪼개어 여러 개의 rectangle 모양의 bounding box로 만드는 것이다. 두 방법 모두 사용해보며 실험을 진행했고 점수엔 큰 차이가 없었다.
우리는 데이터의 수가 충분하지 않다고 생각해서 실제 데이터 외에 Synthetic Dataset을 이용해 학습에 사용되는 데이터셋의 크기를 키웠다. Synthetic Dataset으로 Pretrain 후 Target Dataset으로 ICDAR 혹은 Upstage 데이터셋을 사용해 Finetuning을 진행했고, 이 때 Synthetic Dataset으론 ICDAR19에 Synthetic Text를 합성한 데이터셋과 Carnegie Mellon University의 UnrealText(https://github.com/Jyouhou/UnrealText)를 사용하여 Pretrain한 모델을 사용했다. Public 점수는 큰 변화가 없었지만, Private 점수가 유의미하게 상승한 것으로 보아 Generalization 성능이 좋았다고 추측할 수 있다.
Public과 Private 점수 차이가 상당했다. Generalization 성능을 향상시키는 것이 private 점수에 큰 영향을 줬을 것이라 추측할 수 있다.
또한 데이터셋의 규모가 커질수록 학습시간도 비례해서 길어져야 하는데 다양한 조건으로 많은 실험을 진행하느라 일정 시간 이상으로 학습을 시키지 못해 높은 점수를 받지 못한 것 같다.
python train.py --max_epoch 200 --image_size 1024 --input_size 512 --train_batch_size 32
python inference.py
python evaluation.py
📂 level2_dataannotation_cv-level2-cv-01
│
├── 📂 utils
│ │
│ ├── 📂 CV_strategy
│ │ │
│ │ └── 📑 word_box.ipynb
│ │
│ ├── 📑 rare.ipynb
│ └── 📑 txt2json.ipynb
│
├── 📑 convert_mlt.py
│
├── 📑 dataset.py
│
├── 📑 detect.py
│
├── 📑 deteval.py
│
├── 📑 east_dataset.py
│
├── 📑 evaluation.py
│
├── 📑 inference.py
│
├── 📑 loss.py
│
├── 📑 model.py
│
├── 📑 OCR_EDA.ipynb
│
└── 📑 train.py