文字检测是文字识别过程中的一个非常重要的环节，文字检测的主要目标是将图片中的文字区域位置检测出来，以便于进行后面的文字识别，只有找到了文本所在区域，才能对其内容进行识别。文字检测的场景主要分为两种，一种是简单场景，另一种是复杂场景。其中，简单场景的文字检测较为简单，例如像书本扫描、屏幕截图、或者清晰度高、规整的照片等；而复杂场景，主要是指自然场景，情况比较复杂，例如像街边的广告牌、产品包装盒、设备
坐落在北京西山凤凰岭山脚下的龙泉寺，可以称得上是全国甚至全球科研实力最强的佛教寺庙。寺内高僧们搞科研、写代码，将佛学与新技术相结合，成果不断，持续被外界关注着。在汉传佛教的两千多年里，历朝历代都对《大藏经》进行翻译、增补、修订，为了使人们阅读古文典籍更加便捷，同时提高学者的工作效率，龙泉寺在整理和校勘的《大藏经》时，运用了包括深度学习、OCR、NLP在内的现代技术来改变传统《大藏经》的解读方式。例
转载
2023-10-08 23:14:37
91阅读
1. CRNN 算法的背景传统的OCR在识别过程中分为两步：单字切割与分类任务。我们一般都会讲一连串文字的文本文件先利用投影法切割出单个字体，再送入CNN里进行文字分类。但是此法已经有点过时了，现在更流行的是基于深度学习的端到端的文字识别，即我们不需要显式加入文字切割这个环节，而是将文字识别转化为序列学习问题，虽然输入的图像尺度不同，文本长度不同，但是经过CNN和RNN后，在输出阶段经过一定的翻译
转载
2023-08-15 16:22:15
235阅读
文字检测是AI的一项重要应用，在之前的文章中已经介绍过了几种基于深度学习的文字检测模型：CTPN、SegLink、EAST，这些模型主要依赖于深度学习，可应用于自然场景中进行文字检测，其主要的实现步骤是判断是不是文本，并且给出文本框的位置和角度，如下图：从上图可以看出，CTPN、SegLink、EAST等文字检测模型至少需要执行两个预测：通过分类判断是文本/非文本，通过回归确定边界框的位置和角度。
NLP文字模糊识别流程图
```mermaid
flowchart TD
subgraph 准备工作
A[收集数据] --> B[数据预处理]
end
subgraph 特征提取
B --> C[分词]
B --> D[去除停用词]
B --> E[词性标注]
B --> F[词频统计]
中文任务：字符分割（word segmentation，中文分词）--> 字符嵌入（word embedding）（向量化）--> 词性标注（高阶层特征）--> 实体识别英文任务：词干抽取（Stemming） --> 词形还原（Lemmatisation）--> 词嵌入（Word Embeddings）--> 词性标注（Part
转载
2023-10-05 14:35:04
79阅读
目录一.基本文本处理技能暂时先学一下基于词典的方法、基于统计的分词和词、字符频率统计1.基于词典的方法（字符串匹配，机械分词方法）1.1正向最大匹配思想MM1.2逆向最大匹配算法RMM1.3双向最大匹配法(Bi-directction Matching method,BM)2.基于统计的分词（无字典分词）2.1N-gram模型思想3.词、字符频率统计3.1词频率统计：第一步分词，然后根据分词后的结
目录(?)[-]基于N-Gram模型定义的字符串距离N-Gram在模糊匹配中的应用利用N-Gram计算字符串间距离的Java实例利用N-Gram模型评估语句是否合理使用N-Gram模型时的数据平滑算法A Final Word推荐阅读和参考文献 N-Gram（有时也称为N元模型）是自然语言处理中一个非常重要的概念，通常在NLP中，人们基于一定的语料库，可以利用N-Gram来预计或者评估
目前常用的文字识别网络主要有两种，一种是通过CRNN+CTC的方法(参见CRNN)，一种是seq2seq+attention的方法。有说CTC方法优于seq2seq+attention的，但随着attention机制的发展(self-attention, transformer)，也许seq2seq+attention更有潜力，这里不做评价， 只是学习下seq2seq用于文字识别的思想。1.&
1. 什么是OCROCR英文全称是Optical Character Recognition，中文叫做光学字符识别。它是利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式。文字识别是计算机视觉研究领域的分支之一，而且这个课题已经是比较成熟了，并且在商业中已经有很多落地项目了。比如汉王OCR，百度OCR，阿里OCR等等，很多企业都有能力都是拿OCR
最近想做一个智能硬件(实现单片机使用W600连接上位机或直接实现语音识别)查看了华为云的语音交互服务SIS，有两种：录音文件识别以及一句话语音识别名称功能录音文件识别可以实现5小时以内的音频到文字的转换。支持垂直领域定制，对应领域转换效果更佳。一句话识别可以实现语音到文字的转换。支持垂直领域定制，对应领域转换效果更佳。在看了这两种模式后，选择了一句话识别，方便在下位机方面进行开发(前些时间已经实现
转载
2023-09-20 08:52:55
123阅读
图像识别中最贴近我们生活的可能就是 OCR 技术了。 OCR 的定义：OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。今天就来简单分析下从整体上来说，OCR一般分为两个大步骤：图像处理以及文字识别。图像处理识别文字前，我们要对原
Tesseract最初由惠普实验室支持，用于电子版文字识别，1996年被移植到Windows上，1998年
原创
2022-12-13 20:22:38
416阅读
语音转文本正迅速成为日常生活的重要组成部分。无论您是想帮助司机安全地发送消息，而不必将手从方向盘上移开，还是希望让客户更容易获得东西的企业，这都是人工智能开发人员必须具备的一项关键能力。当今语音转文本的最常见用例包括电话和会议的自动转录。但是，将其作为大型服务的一部分实施也是一种持续的趋势。例如，语音转文本技术可以与机器翻译服务配对，以自动创建其他语言的视频字幕。在本指南中，我将向您展示如何使用O
转载
2023-10-09 08:01:54
110阅读
文章目录第一部分：文本分类一、文本预处理（解决特征空间高维性、语义相关性和特征分布稀疏）二、文本特征提取三、分类模型第二部分：情感分析一、概述二、基于情感词典的情感分类方法三、基于机器学习的情感分类方法第三部分：意图识别一、概述二、意图识别的基本方法三、意图识别的难点 第一部分：文本分类训练文本分类器过程见下图：文本分类问题： 给定文档p（可能含有标题t），将文档分类为n个类别中的一个或
转载
2023-08-31 18:21:49
292阅读
nlp领域里，语义理解仍然是难题！ 给你一篇文章或者一个句子，人们在理解这些句子时，头脑中会进行上下文的搜索和知识联想。通常情况下，人在理解语义时头脑中会搜寻与之相关的知识。知识图谱的创始人人为，构成这个世界的是实体，而不是字符串，这从根本上改变了过去搜索的体系。语义理解其实是基于知识，概念和这些概念间的关系。人们在解答问题时，往往会讲述与这个问题相关的知识，这是语义理解的过程。这种机制完全
转载
2023-09-02 22:19:13
122阅读
今天我们来介绍车牌定位中的一种新方法--文字定位方法（MSER），包括其主要设计思想与实现。接着我们会介绍一下EasyPR v1.5-beta版本中带来的几项改动。一、文字定位法 在EasyPR前面几个版本中，最为人所诟病的就是定位效果不佳，尤其是在面对生活场景（例如手机拍摄）时。由于EasyPR最早的数据来源于卡口，因此对卡口数据进行了优化，而并没有对
Chinese-Text-ClassificationGithub项目地址：https://github.com/JackHCC/Chinese-Text-Classification-PyTorch中文文本分类，基于pytorch，开箱即用。神经网络模型：TextCNN，TextRNN，FastText，TextRCNN，BiLSTM_Attention, DPCNN, Transformer预
文本匹配和语义匹配1、什么是文本匹配？文本匹配是自然语言处理中一个重要的基础问题，可以应用于大量的NLP任务中，如信息检索、问答系统、复述问题、对话系统、机器翻译等，这些NLP任务在很大程度上可以抽象为文本匹配问题。例如网页搜索可抽象为网页同用户搜索Query的一个相关性匹配问题，自动问答可抽象为候选答案与问题的满足度匹配问题，文本去重可以抽象为文本与文本的相似度匹配问题。2、文本匹配方法概述2-
转载
2023-09-27 21:28:26
128阅读
与计算机视觉相比，自然语言处理 (NLP) 一直被认为是一个难以攻克的难题。本文寻找到了一种新的 NLP 处理方式，探索将 NLP 与计算机视觉处理结合，将文本绘制成图片。虽然目前的准确率还有待优化提高，但看起来很有应用前景。问题点长期以来，自然语言处理 (NLP) 一直被认为是一个难以攻克的难题，至少与计算机视觉相比是这样。NLP 模型需要更长的运行时间，通常更难实现，并且需要更多的计算资源。另
转载
2023-10-19 11:14:56
55阅读
