[학습 계획] OCR

학습 계획서

Optical Character Recognition(OCR)

 

주제: OCR의 개념과 활용 이해하기

 

대상: 파이썬을 사용해 본 수준의 초보자

강의자료: 네이버 부스트코스

수학 공식을 이해하는 딥러닝 모델 (OCR)

---

목표

• OCR의 핵심 개념 이해
• 이미지에서 텍스트를 추출하는 과정 이해
• OCR 알고리즘을 구현하고 시각화할 수 있는 능력 갖추기
• 현실 세계에서 OCR이 어떻게 사용되는지 이해

---

1차시: OCR이란 무엇인가? (개념 이해)

• 학습 목표: OCR의 기본 개념과 필요성을 이해한다

 

• 학습 내용:

• OCR의 정의, 기본개념
• 이미지에서 텍스트를 추출하는 원리
• Faster-RCNN과 SSD의 이해
• Segmentation의 대표적인 모델인 U-Net과 Mask R-CNN
• Detection과 Segmentation 기반의 Text Localization 모델

• 실습 확장:

• Python과 OpenCV를 활용한 이미지 전처리 실습
  - 간단한 이미지를 불러와 그레이스케일 변환, 이진화, 노이즈 제거 등의 전처리 과정을 수행합니다.
• Pre-trained 모델을 활용한 텍스트 검출
  - 오픈소스 라이브러리인 Tesseract OCR을 설치하고, 간단한 이미지를 통해 텍스트를 추출해 봅니다.

---

2차시: Text Recongnition

• 학습 목표: 텍스트 인식의 기초 이해 및 다양한 모델을 학습한다.

 

• 학습 내용:

• CNN 기반 네트워크로 텍스트 인식 수행
• CTC(Connectionist Temporal Classification)의 이해
• Attention 메커니즘을 활용한 텍스트 인식 (Teacher Forcing)
• ASTER 모델의 변형 및 코드 분석
• CNN 기반 CSTR 모델과 Visual, Semantic 정보를 활용한 모델
• SATRN 모델 이해 및 코드 리뷰
• Detection과 Recognition의 End-to-End 수행 이해
• Mask TextSpotter의 Pixel Voting 이해

• 실습 확장:

• 간단한 CNN 모델 구현
  - Keras를 활용하여 숫자 이미지(MNIST 데이터셋)의 분류 모델을 구현하고 학습시켜 봅니다.
• CTC 손실 함수 적용 실습
  - 파이썬으로 간단한 시퀀스 데이터를 생성하고, CTC 손실 함수를 적용하여 출력 시퀀스를 예측해 봅니다.
• Pre-trained 모델 활용
  - 오픈소스 OCR 모델(예: CRNN)을 활용하여 이미지에서 텍스트를 인식해 보고, 결과를 분석합니다.

 

---

3차시: Evaluation Metrics

• 학습 목표: Detection과 Recognition의 성능 평가를 위한 다양한 지표를 이해한다.

 

• 학습 내용:

• Detection 성능 평가를 위한 지표 탐색 및 경험
• Detection과 Recognition의 End-to-End 평가를 위한 대표적인 지표 분석
• 수식 인식을 위한 적절한 평가 지표 고민 및 프로젝트 계획 수립
• 성능을 개선을 위한 방법 탐색

• 실습 확장:

• 모델 평가 지표 계산
  - 주어진 예측 결과와 실제 라벨을 비교하여 Precision, Recall, F1-Score 등을 계산해 봅니다.
• Bounding Box 평가
  - Detection 결과의 IoU(Intersection over Union)를 계산하여 모델의 위치 정확도를 평가합니다.
• End-to-End 평가 실습
  - 텍스트 검출 및 인식 결과를 종합하여 전체 시스템의 정확도를 평가하는 방법을 실습합니다.

 

---

4차시: OCR의 실제 활용 사례와 프로젝트

• 학습 목표: OCR의 실제 활용 사례를 이해하고 간단한 프로젝트를 진행한다.

 

• 학습 내용:

• 예시 1) 문서 디지털화: 스캔한 문서에서 텍스트 추출
• 예시 2) 자동차 번호판 인식 시스템
• 예시 3) 스마트폰 앱에서의 OCR 활용
• 예시 4) 명함에서 정보 추출하기
• 확장 - OCR의 한계와 최신 연구 동향

---