所以我试图将摩尔斯电码信号转换为它们的字符串表示。某些形式的预处理从 [0, 1] 产生一维标准化浮点数组，用作 C/RNN 的输入。例子：
该图像沿 y 轴拉伸以获得更好的可见性，但 NN 的输入为 1d。我正在寻找一种翻译图像内容的聪明方法，在这个例子中，正确的翻译是“WPM = TEXT I”。我当前的模型在本教程中使用 keras 的 ctc 损失。然而，它会为每个时间步检测字母“E”（“E”是“。”的莫尔斯等效值或图像中的一个小条），所以我认为“步长”太小了。另一种尝试强化了这一点，该尝试将高于某个阈值的每个时间步分类为“E”，其他所有内容都为 [UNK]/空白。
我认为主要问题是例如“E”（一条细线）和其他字符之间的大小差异很大，例如“=”，由小线表示，由中间看到的两条粗线框住（ -...-)。这在语音识别中应该不是问题，因为您可以在语音识别小到微秒的时间段（比如在“瘦”和“健身房”中听到“i”音），这在这种情况下是不可能的.
也许任何人都想出了一个聪明的解决方案，要么是这个实现，要么是通过不同的输入表示或类似的东西。
我还成功地使用 CTC-loss 从交通标志牌中提取文本信息。
直观地说，除非您有很多示例，以便 CNN（编码器）可以提取并实际学习不同大小实际上可以指向同一个字母，否则您将无法成功学习这一点。
事实上，CTC 的理论基础确实意味着损失函数能够学习不同的大小，但在您的特定情况下，（较粗的）线也可以很容易地归类为相同的前一个字母（较细）的线。
我会采用的一种可能尝试是减少您正在处理的单词的时间步长/最大长度。直观地说，这将（假设我们保持图像的相同宽度）为 RNN 实施更大的分类框架。在您的特定情况下，这可能被证明是一种有用的方法，因为您对您的网络解释更广泛区域的能力感兴趣（不像教程中的 CAPTCHA 示例）。
所以在下图中，bin 的宽度会更宽，因此可以更好地掌握（粉红色矩形的宽度会更大）。
另一个需要考虑的重要方面是数据集的维度。确保您使用增强并且您有足够的样本进行训练。我在 CTC 上还提到的是，为了获得成功的结果，您还需要分析各种文本（不仅是样本编号，还有样本中的文本）。在这里，数据量的作用更大；网络更容易区分 A 和 X，但更难区分粗线和细线。
