课程学习方法中文字识别算法研究

场景文字识别是一个极具挑战性的研究方向,有着重要的应用价值。但是由于文字表现形式丰富多样,识别结果大多不尽如人意。针对此问题,本文提出了基于课程学习的训练方法。该方法对数据集进行排序得到一个难度提升的训练序列,而不是随机地从数据集中选择训练样本,使得模型在训练初期能够学习到更加精确的特征,提高了模型的鲁棒性。通过实验分析,本文所提出的方法可以加快模型的收敛速度,使用不同课程序列训练ASTER算法在COCO-Text数据集上得到1.8%、1%的提升,CRNN算法在COCO-Text数据集上得到0.2%的提升。