1、CRNN 介绍. CRNN 全称为 Convolutional Recurrent Neural Network，主要用于端到端地对不定长的文本序列进行识别，不用先对单个文字进行切割，而是将文本识别转化为时序依赖的序列学习问题，就是基于图像的序列识别。 图来自文章：一文读懂CRNN+CTC文字识别

2021年1月4日 · 本文详细介绍了CRNN（卷积循环神经网络）在OCR（光学字符识别）中的应用，包括CRNN的网络结构，如CNN、Map-to-Sequence、RNN（特别是双向LSTM）和CTC Loss。 CRNN通过端到端的方式处理不定长序列，解决了深度学习文本识别中的对齐问题。

Convolutional Recurrent Neural Network (CRNN) for image-based sequence recognition using Pytorch Topics

CRNN（Convolutional Recurrent Neural Network，卷积递归神经网络）是这个领域内的一个代表性的框架，它融合了卷积神经网络（CNN）和递归神经网络（RNN），特别适用于对图像中的序列文本进行识别。

2019年11月2日 · crnn是一种卷积循环神经网络结构，用于解决基于图像的序列识别问题，特别是场景文字识别问题。 文章认为文字识别是对序列的预测方法，所以采用了对序列预测的RNN网络。

crnn+ctc总结. 这篇文章的核心，就是将cnn/lstm/ctc三种方法结合： 首先cnn提取图像卷积特征; 然后lstm进一步提取图像卷积特征中的序列特征; 最后引入ctc解决训练时字符无法对齐的问题; 即提供了一种end2end文字图片识别算法，也算是方向的简单入门。 特别说明

This software implements the Convolutional Recurrent Neural Network (CRNN), a combination of CNN, RNN and CTC loss for image-based sequence recognition tasks, such as scene text recognition and OCR. For details, please refer to our paper http://arxiv.org/abs/1507.05717 .

crnn的卷积层具体的网络结构如图3 所示，它是在vgg网络的基础上改造而成。 卷积层对于VGG主要对两个地方进行了改动： 将第2层和第3层的MaxPooling的卷积核的大小从 2\times 2 改成了 1\times2 。

这是一个基于crnn的文本序列识别项目。 在300w+的中文数据集上训练之后,得到了0.95的精度.(整个label都预测正确才认为正确) 我还做了一个基于keras的项目：

2020年11月17日 · 由于该神经网络是dcnn和rnn的结合，因此将该神经网络模型命名为卷积递归神经网络(crnn)。 对于类序列对象，CRNN与传统的神经网络模型相比，有几个明显的优势: