1、提出将语法信息纳入编码器-解码器网络的方法。使用一组语法规则,用于将每个表达式的LaTeX标记序列转换为解析树;用深度神经网络将标记序列预测建模为树遍历过程。
2、该方法可以有效地描述表达式的语法上下文,减小HMER的结构预测误差。和现有的WAP和WAP-TD相比,考虑语法规则。
Figure 1. Comparison of different architectures: (a) An encoder-decoder framework WAP (b) A tree decoder DWAP-TD © Our model Syntax-Aware Network (SAN)
HMER的主要任务:
HMER的难点不在于符号识别,而是符号的语法关系;
序列法:
首先将表达式分段输入数学符号,对每个符号分别进行分类,然后通过结构关系分析识别数学表达式。这些方法采用了分类技术,如HMM,弹性匹配,支持向量机、和树变换。
全局方法应用一种综合策略来学习数学符号及其结构关系分析,同时隐式地分割符号。这些方法将HMER处理为基于符号识别结果的数学表达式分割、符号识别和表达式识别结构的全局优化
深度学习方法:
序列到序列:转换数学表达式图片到标记序列,加注意力机制等;
图到图的方法:探索输入公式的结构关系到标记序列;
树结构方法:尝试使用树结构的解码器,对图片提取的特征进行解码;
基本规则
1)遵循标准的阅读顺序:从左到右,从上到下。
2)利用相邻符号之间的空间关系。对于一对相邻的HME符号,总共有九种可能的关系(左、右、上、下、左下、右下、左上、右上、内)。由于约束1),我们去掉了“左”和“下左”,保留了其余7种关系来处理我们实现中所有的MEs情况。尽管ME可能对应于不同的LaTeX序列,但由于这两个约束,语法规则生成的语法树是相同的。
数学描述
算法由元组表示:
G=(N,Σ,R,S,Γ,C,D),G=(N,\Sigma,R,S,{\Gamma},C,D), G=(N,Σ,R,S,Γ,C,D),
NNN:非终止符,包括起始符SSS和拓展符EEE;
Σ\SigmaΣ:终止符;
RRR:产生式规则;
Γ{\Gamma}Γ:关系;
CCC:编码器;
DDD:解码器;
产生式规则
产生式规则可以表示成:
α→β,α∈N,β∈(Γ∪N∪Σ)∗.\alpha\rightarrow\beta, \\ \alpha\in {N},\beta\in(\Gamma\cup N\cup\Sigma)^{*}. α→β,α∈N,β∈(Γ∪N∪Σ)∗.
asterisk: represents the Kleene star operation2
RRR有两条生成规则:
规则1:SSS可以在后面产生任意的终止符;或者EEE扩展符;或者空字符ϵ\epsilonϵ
S→σS∣E∣ϵ,S\rightarrow\sigma S|E|\epsilon, S→σS∣E∣ϵ,
σ\sigmaσ:σ∈Σ\sigma\in\Sigmaσ∈Σ;
∣|∣:任选的意思;
规则2:EEE为每种类型的关系产生字符串,然后拼接起来;字符串后面可以跟SSS或者空字符串;
E→[((γ1)S∣ϵ),…,((γ7)S∣ϵ)],E\to[((\gamma_1)S|\epsilon),\ldots,((\gamma_7)S|\epsilon)],\quad\text{} E→[((γ1)S∣ϵ),…,((γ7)S∣ϵ)],
γi∈Γ\gamma_i\in\Gammaγi∈Γ:在关系中的第iii种;
表达规则图示
图3示出了具有产生式规则的表达式的可能解析过程。为了直观地理解这些规则,可以把S看成一个表达式,把E看成一个可扩展的结构。假设一个表达式可以包含多个可扩展结构,而每个可扩展结构可以扩展为多个具有空间关系的表达式。此外,产生式规则与以输入图像和父节点的上下文状态为条件的概率相关。具体来说,条件概率定义为:
p(α→β∣c(α),X)=Dα→β(c(α),E(X)),p(\alpha\rightarrow\beta|c(\alpha),X)=D_{\alpha\rightarrow\beta}(c(\alpha),E(X)), p(α→β∣c(α),X)=Dα→β(c(α),E(X)),
XXX:输入图像;
E(X)E(X)E(X):编码器的输出;
c(α)c(α)c(α)是ααα的上下文状态(将在第3.2节中详细介绍),Dα→β(⋅)Dα→β(·)Dα→β(⋅)是对应于产生式规则的解码器的输出;
Figure 3. (a) A possible parsing procedure of ∑ina\sum_{i}^{n}a∑ina and (b) the parse tree. In the figure, the strings refer to non-terminal symbols in blue, terminal symbols in red, relations in yellow, and empty in grey.
基本流程
如算法1所示,给定SAN参数和输入图像,使用堆栈实现树遍历。具体来说,所实现的栈可以保证训练过程按照语法树的遍历顺序进行。同样,预测过程也是通过逐步堆叠来实现的。编码器获取输入图像并对其进行下采样。然后根据语法规则,确定表达式及其可扩展结构;同时,解码器计算并选择概率最高的产生式规则。因此,生成具有可扩展结构的新表达式,并更新LaTeX序列中图像的解析树。一旦找到解析树,就可以通过预先顺序遍历树来获得识别结果。
符号感知解码器
Figure 4. Syntax-Aware Decoder: Consisting of GRU-α, GRU-β, and the Syntax-Aware Attention Module
损失函数:
L=Lsymbol+Lrelation+Lsymbolrev+Lreg.\mathcal L=\mathcal L_{symbol}+\mathcal L_{relation}+\mathcal L_{symbol}^{rev}+\mathcal L_{reg}. L=Lsymbol+Lrelation+Lsymbolrev+Lreg.
评价方法:
表达式识别率(ExpRate)是数学表达式识别中广泛使用的一种识别协议,定义为预测的数学表达式准确匹配标准答案的百分比。ExpRate≤1和≤2表示表达式识别率最多可容忍一个或两个符号级错误。
在公开数据集CROHME上:
在HME100k上:
参考:
[2203.01601] Syntax-Aware Network for Handwritten Mathematical Expression Recognition (arxiv.org) ↩︎
Kleene星号_百度百科 (baidu.com) ↩︎
上一篇:概率论与数理统计相关知识
下一篇:概率论与数理统计相关知识