fix typo in README

scene_text_recognition/README.md

@@ -5,13 +5,7 @@
 在现实生活中，包括路牌、菜单、大厦标语在内的很多场景均会有文字出现，这些场景的照片中的文字为图片场景的理解提供了更多信息，\[[1](#参考文献)\]使用深度学习模型自动识别路牌中的文字，帮助街景应用获取更加准确的地址信息。
 
 本文将针对 **场景文字识别 (STR, Scene Text Recognition)** 任务，演示如何用 PaddlePaddle 实现 一个端对端 CTC 的模型 **CRNN(Convolutional Recurrent Neural Network)**
-\[[2](#参考文献)\]，该模型有如下比较显著的特点：
-
-1. 端对端训练，直接从原始数据到目标标签序列学习。
-2. 输入的图片数据集不要求有统一的尺寸。
-3. 模型更小，性能也更好，容易支持工业级应用。
-
-具体的，本文使用如下图片进行训练，需要识别文字对应的文字 "keep"。
+\[[2](#参考文献)\]，具体的，本文使用如下图片进行训练，需要识别文字对应的文字 "keep"。
 
 <p align="center">
 <img src="./images/503.jpg"/><br/>
@@ -20,31 +14,31 @@
 
 ## 模型介绍
 
-论文\[[2](#参考文献)\] 中描述的模型的特点是，使用神经网络实现了一个端对端训练的模型，直接从图像输入数据预测出对应的文字标签。模型的整体结构如下图:
+论文\[[2](#参考文献)\] 使用神经网络实现了一个端对端训练的模型，直接从图像输入数据预测出对应的文字标签。模型的整体结构如下图:
 
 <p align="center">
 <img src="./images/ctc.png" width="350"/> <br/>
 图 2. 模型结构
 </p>
 
-从下往上的模块分别为
+图2中 从下往上的模块分别为
 
--   Convolutional Layers, 自动提取图像特征；最终会产生一个三维的图像特征映射，可以拆分成图像特征序列。
--   Recurrent Layers, 接受图像特征序列，并且在每个时间步上预测出对应标签（字符），所有时间步的字符组成字符串。
--   Transaction Layer, 将预测出的字符串加工成符合语法的单词，比如 **-s-t-aatte** 转化为 **state**。
+-   Convolutional Layers：自动提取图像特征；最终会产生一个三维的图像特征映射，可以拆分成图像特征序列。
+-   Recurrent Layers： 接受图像特征序列，并且在每个时间步上预测出对应标签（字符），所有时间步的字符组成字符串。
+-   Transaction Layer： 将预测出的字符串加工成符合语法的单词，比如 **-s-t-aatte** 转化为 **state**。
 
-### 利用CNN进行图像特征序列提取
-模型的第一步是特征的提取，对于图像任务，一般使用CNN来作为特征提取的基本模块。
+### 利用CNN从图像序列中提取特征
+模型的第一步是特征的提取，图像任务通常使用CNN从原始输入中提取特征。
 
-为了能够兼容对不同尺寸的图片，比如下图中的两张图片，将其高度固定，就变成了宽度不相同的图片。
+为了能够兼容对不同尺寸的图片，如下图中的两张图片，将其高度固定，就变成了宽度不相同的图片。
 
 <p align="center">
 <img src="./images/504.jpg" height="100"/><br/>
 <img src="./images/505.jpg" height="100"/><br/>
-图 3. 不同尺寸的图片
+图 3. 固定高度的两副图片
 </p>
 
-直接使用CNN应用到图片上，最后在pooling层会得到高度一致，但宽度不同的图像特征（矩阵），由于CNN中的卷积(convolution)和池化(pooling)两种操作均会在高层特征上综合每个局部区域像素级的特征，
+将CNN应用于原始输入图片，最后在pooling层会得到高度一致，但宽度不同的图像特征（矩阵），由于CNN中的卷积(convolution)和池化(pooling)两种操作均会在高层特征上综合每个局部区域像素级的特征，
 因此在CNN最上层输出的特征表示中，每个像素均包含了原始图片中一个小的局部区域的信息。
 
 CRNN将CNN输出特征表示（矩阵）按列切割成一个特征向量(可以称为Frame，帧)的序列，作为模型更上层结构的输入，如下图展示，这里的每个特征向量均表示了原始图像中一个窄的矩形的信息。
@@ -104,7 +98,7 @@ $$p(l|y) = \sum_{\pi:B(\pi)=l} p(\pi | y)$$
 
 ### 模型训练
 
-输入原始的图片数据，CRNN会利用CNN来学习提取图像特征，转化为特征向量的序列，交由RNN学习；
+输入原始的图片数据，CRNN会利用CNN来学习提取图像特征，转化为特征向量的序列；
 RNN为每个时间步建模特征序列中的全局信息，并由 CTC 生成目标序列所有映射的概率求和，得到标签的分布，作为模型生成目标序列的预测概率（学习损失）。
 
 ## 使用 PaddlePaddle 训练与预测