Reconocimiento de Números Multidígitos a partir de Imágenes de Street View utilizando Redes Neuronales Convolucionales Profundas

Reconocer texto arbitrario de múltiples caracteres en fotografías naturales no restringidas es un problema difícil. En este artículo, abordamos un subproblema igualmente difícil en este dominio, a saber, el reconocimiento de números multidígitos arbitrarios a partir de imágenes de Street View. Los enfoques tradicionales para resolver este problema típicamente separan los pasos de localización, segmentación y reconocimiento. En este artículo proponemos un enfoque unificado que integra estos tres pasos mediante el uso de una red neuronal convolucional profunda que opera directamente sobre los píxeles de la imagen. Empleamos la implementación DistBelief de redes neuronales profundas para entrenar redes neuronales grandes y distribuidas en imágenes de alta calidad. Encontramos que el rendimiento de este enfoque aumenta con la profundidad de la red convolucional, siendo el mejor rendimiento el que ocurre en la arquitectura más profunda que entrenamos, con once capas ocultas. Evaluamos este enfoque en el conjunto de datos SVHN disponible públicamente y logramos más del 96\% de precisión en el reconocimiento de números de calle completos. Mostramos que en una tarea de reconocimiento por dígito, mejoramos el estado del arte, alcanzando un 97.84\% de precisión. También evaluamos este enfoque en un conjunto de datos aún más desafiante generado a partir de imágenes de Street View que contiene varios decenas de millones de anotaciones de números de calle y logramos más del 90\% de precisión. Para explorar aún más la aplicabilidad del sistema propuesto en tareas de reconocimiento de texto más amplias, lo aplicamos a texto distorsionado sintético de reCAPTCHA. reCAPTCHA es una de las pruebas de Turing inversas más seguras que utiliza texto distorsionado para distinguir a los humanos de los bots. Informamos una precisión del 99.8\% en la categoría más difícil de reCAPTCHA. Nuestras evaluaciones en ambas tareas indican que, en umbrales operativos específicos, el rendimiento del sistema propuesto es comparable, y en algunos casos supera, al de los operadores humanos.