2019년 1월 18일
CRNN (Convolution Recurrent Neural Network)
I. CNN과 RNN의 융합 기술, CRNN
- 특징 추출과 시계열 모델을 통합하여 이미지에서 시계열 데이터를 인식하는 고성능 학습 모델
II. CRNN의 수행 절차 및 구성요소
가. CRNN의 수행 절차
 |
- Convolution Net. 최상부에서 출력된 Feature Sequence의 프레임 예측 위해 Recurrent Net. 사용
나. CRNN의 구성요소
| 구분 | 구성요소 | 설명 |
|---|---|---|
| 계층 요소 | CNN | – Feature Map, Pooling, Sampling |
| RNN | – BPTT, LSTM, GRU, 시계열 분석 | |
| Transcription | – 예측 Label을 based, free 변환 | |
| 기술 요소 | E2E Train | – Text Read 전처리 훈련 |
| Conv. Feature map | – Convolution 기반 이미지 학습 | |
| CharGT-Free | – Text 수준 Label 입/출력 | |
| Unconstrained | – 단어, 임의 Sequence 처리 | |
| Model Size | – 학습 모델 저장 공간 |
III. CRNN 기반 활용 사례
| 악보 문맥 인식 | 필기체 인식 |
|---|---|
| – 기존 상용 소프트웨어 보다 높은 성능 발휘 | – 문맥에 따른 손글씨 단어, 문장 인식 |
About The Author
