OCR更换56947数据集测试报告

0. 测试方法

0.1 **PLDA** ：通过SDK提取不同CNNs（Caffenet、Googlenet）网络指定层输出作为特征，然后用plda对特征进行训练、分类。统计结果以**单字识别率**为指标。
0.2 **SSL**(structure Sparse Learning): 基于Alexnet训练得到的模型，基于上述模型SSL的模型，基于SSL模型finetune得到的调整模型

1. 模型选用

1.1 Caffenet(conv5_bn) + PLDA
1.2 Alexnet
1.3 Alexnet + SSL
1.4 Alexent + SSL + ft

2. PLDA特征选取层

1.1 conv5_bn

3. 数据集

3.1 train_set_1 : 共6955类（包含汉字、数字、字母）

3.2 train_set_2 : 共600类（包含部分汉字、数字、字母）用于训练PLDA模型，如果使用全部的6955类训练PLDA模型数据量过大，内存和时间消耗较大，在单机上效率很低。

3.3 test：从2481张身份证上分割得到，包含了地址、姓名两个大类别（日期和身份证号没有包含在内，但是地址包含了部分数字）共有56947个测试样本

4. 测试结果

4.1 结果

Baseline

1	train_val_64_fintune_20160127_,单字识别率： 98.40%；姓名识别率：96.57%.200万次.----姓名+数字

模型	特征选取层	单字识别率	训练数据集
caffenet	conv5_bn	86.65%	train_set_2
Alexnet	fc	95.56%	train_set_1
Alexnet+SSL	fc	92.96%	train_set_1
Alexnet+SSL+ft	fc	95.10%	train_set_1

1
2
3

graph LR
Alexnet-->Alexnet+SSL
Alexnet+SSL-->Alexnet+SSL+ft

注：

1
2
3

1. 用于测试的Alexnet模型是通过简化过fc层的alexnet网络训练得到
2. Alexnet+SSL基于Alexnet加入结构稀疏得到的模型
3. Alexnet+SSL+ft是通过ALexnet+SSL模型经过finetune(微调学习率得到的测试结果)

4.2 top5 accuracy and time consume

Alexnet

Alexnet+SSL

Alexnet+SSL+ft