我有如下文字图片：
假设它是一个256x64图像。我的目标是从图像中提取文本，73791096754314441539这基本上是 OCR 所做的。
我正在尝试构建可以从图像中识别单词的模型。
当我说单词时，它可以是以下任何一种：
- 任何字典词，非字典词
- az,AZ, 特殊字符包括
spaces
我在 tensorflow 中建立了一个模型（由于公司政策而产生的片段），如下所示：
inputs = tf.placeholder(tf.float32, [common.BATCH_SIZE, common.OUTPUT_SHAPE[1], common.OUTPUT_SHAPE[0], 1])
# Here we use sparse_placeholder that will generate a
# SparseTensor required by ctc_loss op.
targets = tf.sparse_placeholder(tf.int32)
# 1d array of size [batch_size]
seq_len = tf.placeholder(tf.int32, [common.BATCH_SIZE])
model = tf.layers.conv2d(inputs, 64, (3,3),strides=(1, 1), padding='same', name='c1')
model = tf.layers.max_pooling2d(model, (3,3), strides=(2,2), padding='same', name='m1')
model = tf.layers.conv2d(model, 128,(3,3), strides=(1, 1), padding='same', name='c2')
model = tf.layers.max_pooling2d(model, (3,3),strides=(2,2), padding='same', name='m2')
model = tf.transpose(model, [3,0,1,2])
shape = model.get_shape().as_list()
model = tf.reshape(model, [shape[0],-1,shape[2]*shape[3]])
cell = tf.nn.rnn_cell.LSTMCell(common.num_hidden, state_is_tuple=True)
cell = tf.nn.rnn_cell.DropoutWrapper(cell, input_keep_prob=0.5, output_keep_prob=0.5)
stack = tf.nn.rnn_cell.MultiRNNCell([cell]*common.num_layers, state_is_tuple=True)
outputs, _ = tf.nn.dynamic_rnn(cell, model, seq_len, dtype=tf.float32,time_major=True)
我目前的方法是使用输入一个单词图像通过CNN提取高级图像特征，将图像特征转换为如下顺序数据，
[[a1,b1,c1],[a2,b2,c2],[a3,b3,c3]] -> [[a1,a2,a3],[b1,b2,b3],[c1,c2,c3]]
然后通过 RNN（LSTM 或 BiLSTM），然后使用CTC（Connectionist Temporal Loss）找到损失并训练网络。
我没有得到预期的结果，我想知道：
- 还有其他更好的方法来完成这项任务
- 如果我将特征正确地转换为序列
- 任何完成此类事情的研究论文。