CTC Loss 是一种不需要数据对齐的，广泛用于图像文本识别和语音识别任务的损失函数。
标记未分割序列数据是现实世界序列学习中普遍存在的问题。这在感知任务中尤其常见，如图像文本识别（OCR）、姿势识别、语音识别（ASR）。在这些领域中，所面临的一个问题是神经网络的输出与ground truth的长度不一致，导致loss难以计算。CTC loss 由此而提出。
CTC最大的优点是不需要数据对齐。
CTC的缺点来源于三个假设或约束：
（1）条件独立：假设每个时间片都是相互独立的，但在OCR或者语音识别中，相邻几个时间片中往往包含着高度相关的语义信息，它们并非相互独立的。
（2）单调对齐：CTC要求输入与输出之间的对齐是单向的，在OCR和语音识别中，这种约束是成立的。但是在一些场景中（如机器翻译），这个约束并不成立。
（3）CTC要求是输入序列的长度不小于标签数据的长度，反之便无法使用。
参考：https://blog.csdn.net/qq_43799400/article/details/129243851
CTC Loss 是一种不需要数据对齐的，广泛用于图像文本识别和语音识别任务的损失函数。
标记未分割序列数据是现实世界序列学习中普遍存在的问题。这在感知任务中尤其常见，如图像文本识别（OCR）、姿势识别、语音识别（ASR）。在这些领域中，所面临的一个问题是神经网络的输出与ground truth的长度不一致，导致loss难以计算。CTC loss 由此而提出。
CTC最大的优点是不需要数据对齐。
CTC的缺点来源于三个假设或约束：
（1）条件独立：假设每个时间片都是相互独立的，但在OCR或者语音识别中，相邻几个时间片中往往包含着高度相关的语义信息，它们并非相互独立的。
（2）单调对齐：CTC要求输入与输出之间的对齐是单向的，在OCR和语音识别中，这种约束是成立的。但是在一些场景中（如机器翻译），这个约束并不成立。
（3）CTC要求是输入序列的长度不小于标签数据的长度，反之便无法使用。
参考：https://blog.csdn.net/qq_43799400/article/details/129243851