该方案为百度网盘AI大赛手写文字擦除第5名方案，基于SegFormer语义分割模型实现试卷手写笔迹擦除。通过生成手写笔迹分割掩码，再利用掩码去除笔迹。处理数据集时生成二分类掩码、预处理图像并增强数据。改进SegFormer的decoder，采用转置卷积，结合交叉熵与Dice损失函数，提升效果。

试卷手写笔迹擦除 

-- 百度网盘AI大赛：手写文字擦除第5名方案

一、简介

1. 项目介绍

本项目基于 SegFormer 语义分割模型，识别试卷中的手写笔迹来生成去除掩码，实现 AI 笔迹橡皮擦，擦除试卷中的手写笔迹。

2. 项目背景

本项目源于百度网盘的图像处理挑战赛，手写文字擦除任务。 百度网盘AI大赛——图像处理挑战赛是百度网盘开放平台 面向AI开发者和爱好者发起的计算机视觉领域挑战赛。AI时代已到来，百度网盘与百度飞桨AI Studio强强联合，旨在基于个人云存储的生态能力开放，通过比赛机制，鼓励选手结合当下前沿的计算机视觉技术与图像处理技术，完成模型设计搭建与训练优化，产出基于飞桨框架的开源模型方案，为中国开源生态建设贡献一份力量。 本次图像处理挑战赛以线上比赛的形式进行，参赛选手需要在规定时间内，完成模型设计搭建与训练优化，并提交基于评测数据集产出的结果文件

3. 赛题分析

赛题描述：选手需要建立模型，对比赛给定的带有手写痕迹的试卷图片进行处理，擦除相关的笔，还原图片原本的样子，并提交模型输出的结果图片。 思路分析：试卷中存在的痕迹可以视为印刷和手写两类，手写字体的笔迹往往不够规整，在整体结构上不如印刷体的分明，因此我们可以将手写体和印刷体视为两种不同结构的语义类别，用语义分割模型对其处理，获得手写笔记的分割mask。但是大多数语义分割模型往往生成较为粗糙的 mask，我们需要对模型的 decoder 进行一定改动设计。

赛题分析

赛题描述：选手需要建立模型，对比赛给定的带有手写痕迹的试卷图片进行处理，擦除相关的笔，还原图片原本的样子，并提交模型输出的结果图片。思路分析：试卷中存在的痕迹可以视为印刷和手写两类，手写字体的笔迹往往不够规整，在整体结构上不如印刷体的分明，因此我们可以将手写体和印刷体视为两种不同结构的语义类别，用语义分割模型对其处理，获得手写笔记的分割mask。但是大多数语义分割模型往往生成较为粗糙的 mask，我们需要对模型的 decoder 进行一定改动设计。

二、数据集介绍及处理

本次比赛最新发布的数据集中，所有的图像数据均由真实场景采集得到，再通过技术手段进行相应处理，生成可用的脱敏数据集。该任务为image-to-image的形式，因此源数据和GT数据均以图片的形式来提供。其中训练集有1000个样本，测试集A榜和B榜各200个样本训练数据集。训练数据集结构如下：

|- root      |- images    |- gts

登录后复制

images 手写文字的源图像数据，gts 为无手写文字的真值数据（仅有训练集数据提供gts ，A榜测试集、B榜测试集数据均不提供gts）；

images 与 gts 中的图片根据图片名称一一对应。

上图为训练集中的一对样本，我们可以观察得到以下三点特征：

需要去除的手写痕迹在结构上比较的精细，而且大小区别很大虽然存在需要大量去除的痕迹，但是与整张图片比较，区域占比相对还是比较小手写痕迹存与印刷痕迹存在耦合，这对于完整结构的识别与分割提出了挑战

数据集处理

依据我们的设计，数据集处理分为以下部分：

Mask 生成：由于我们采用语义分割框架，我们需要生成二分类掩码的真实值。

我们通过对比去除文字后和去除文字前的图像，对于大于设定阈值的地方，我们认为是需要除去的部分，置为 1 值，其余置为 0 值，以此生成 Mask，如下图所示：

图像输入预处理：输入的图像往往是矩形图像，为了保持横纵比，对于非正方形图像，我们填充图像边缘形成正方向图像作为输入，同时输入图像的大小一，且有些图像像素尺寸较大，因此我们统一下采样图片至 384 * 384。训练数据增强：在训练时，我们对数据进行一定的增强，加入了随机水平反转和随机裁剪等操作，增强模型的泛化能力。

三、模型设计

我们把笔记擦除任务视为笔迹识别并生成掩码的任务，而这恰好是语义分割所擅长的，因此我们考虑采用基于语义分割的 SOTA 模型--Segformer 来进行文字擦除。

SegFormer: Encoder - Decoder 结构，Encoder 捕获充足的上下文语义信息，Decoder 进行上采样得到像素分割掩码（但原文设计中最终只得到原图 4x 下采样的语义分割结果，需要上采样回去到输入图像的尺寸）。Encoder 由Transformer Block 组成，形成结构化特征表征；Decoder 由 MLP 组成，聚合不同尺度信息。整体框架如下所作：

SegFormer 设计的特点：

Efficient Self-Attn：通过将空间局部信息转化为通道信息，高效自注意力层将原始自注意力层 $O(N^2)$O(N2) 的计算复杂度降为了 $O(\frac{N^2}{R})$O(RN2) ，同时通过这一操作还实现了全局--局部信息的交互，强化了信息提取能力。

Mix-FFN：SegFormer 放弃了 Transformer 原始的位置编码，利用 MLP 和 $3\times 3$3×3 卷积编码来实现局部位置信息的感知，从而能够更加灵活适应多种分辨率图像的输入，捕捉不同尺度的信息。

Lightweight All-MLP Decoder：SegFormer 的 Decoder 仅由 MLP 和无参数上采样层组成，作者提出由于编码器中自注意力层的存在，在解码器中无需再设计复杂的模块（如Dilated Convolution 和 ASPP 设计）来扩大模型有效感受野，因此用 MLP 层进行信息融合即可。当然这也有一定弊端，无参数上采样层无法很好利用局部信息来插值，导致分割结果的边缘可能不够精细化。

*详见 SegFormer: Simple and Eicient Design for Semantic Segmentation with Transformers

模型改进

试卷中的文字一般是精细化的结构，而 SegFormer 产生的掩码相对粗糙，不利于去除手写的文字痕迹，我们考虑采用可学习的转置卷积，通过局部区域特征上采样，不断补充精细结构来生成掩码结果，相较于无参数的上采样（如双线性插值），能够更好利用局部信息进行更高阶上采样。

损失函数设计

一般的语义分割任务中的对象往往大尺寸的结构占主体，因此交叉熵损失就足够解决问题；但是手写痕迹的细化结构，会导致交叉熵损失效果不能起到最好效果，因此我们在交叉熵损失基础上还加入了 dice loss 针对细化结构进行有效惩罚。

$$Dice=\frac{2\mathrm{\mid }X\bigcup Y\mathrm{\mid }}{\mathrm{\mid }X\mathrm{\mid }+\mathrm{\mid }Y\mathrm{\mid }}$$Dice=∣X∣+∣Y∣2∣X⋃Y∣

$$L_{dice}=1-Dice$$Ldice=1−Dice

其中 $X\bigcup Y$X⋃Y 表示求取 X 和 Y 的并集。最终的损失函数如下：

$$L=L_{ce}+\lambda \times L_{dice}$$L=Lce+λ×Ldice

$L_{ce}$Lce 为交叉熵损失，$\lambda$λ 为平衡超参数，这里设置为0.5。

工程实践

1. 环境安装

In [ ]

!pip install -r work/requirement.txt

登录后复制

2. 数据集生成

In [ ]

!ls data/data127971 # show the raw directory!unzip data/data127971/dehw_train_dataset.zip -d data/ # extract the train data!unzip data/data127971/dehw_testA_dataset.zip -d data/ # extract the test data!python work/generate_files.py --trainData 1 --root data/dehw_train_dataset/images # generate the train list!python work/generate_files.py --trainData 0 --root data/dehw_testA_dataset/images # generate the test list

登录后复制

3. 训练模型

In [ ]

!python work/main.py    --train 1    --arch segformer_b2    --num_epochs 10    --batchSize 24    --dataRoot data/dehw_train_dataset

登录后复制

4. 结果生成

In [ ]

!python work/main.py    --train 0    --arch segformer_b2    --modelLog Log/segformer_b2/02131458.pdparams    --dataRoot data/dehw_testA_dataset

登录后复制