[1]Deep learning简介[2]Deep Learning训练过程[3]Deep Learning模型之：CNN卷积神经网络推导和实现[4]Deep Learning模型之：CNN的反向求导及练习 [5]Deep Learning模型之：CNN卷积神经网络（一）深度解析CNN [6]Deep Learning模型之：CNN卷积神经网络（二）文字识别系统LeNet-5 [7]Deep Le
转载
2024-03-22 14:02:46
29阅读
时间可过得真快，本周小Mi的更新便是我们机器学习系列的最后一期啦！说了那么多理论，总该来点案例对不对！废话不多说，让我们开始吧~定义那么什么是图片文字识别呢？其实对应的英文全称为Photo Optical Character Recognition，也可以翻译为图片光学字符识别。随着智能手机拍照功能的成熟，OCR技术注重的是如何让计算机读取图片中的文字信息，从而方便以后的自动查找，而不是从成千上万
转载
2024-05-30 13:20:52
147阅读
2021SC@SDUSC一.简介 PaddleOCR算法主要包含三个部分，分别是：DB文本检测检测框矫正CRNN文本识别在训练时，这三个模型单独进行训练，得到三个模型的训练权重，在推理预测时会把三个模型整合在一起，即PaddleOCR推理模型的最终结果是由上述三个模型串联推理而得，推理步骤大致如下：进行文本检测，得到文本位置的检测框；根据得到的文本检测框对其进行角度分类；进行文本识别。二.CRNN
转载
2024-06-24 06:28:50
231阅读
Mnist数据集是深度学习入门的数据集，昨天发现了Chinese-Mnist数据集，与Mnist数据集类似，只不过是汉字数字，例如‘一’、‘二’、‘三’等，本次实验利用自己搭建的CNN网络实现Chinese版的手写数字识别。1.导入库import tensorflow as tf
import matplotlib.pyplot as plt
import os,PIL,pathlib
impor
转载
2024-03-15 05:11:26
78阅读
在以前的OCR任务中，识别过程分为两步：单字切割和分类任务。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，在送入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DCNN和RNN后，在输出阶段经过一定的翻译后，就可以对整个文
转载
2024-04-03 12:40:35
261阅读
现代办公要将纸质文档转换为电子文档的需求越来越多，目前针对这种应用场景的系统为OCR系统，也就是光学字符识别系统，例如对于古老出版物的数字化。但是目前OCR系统主要针对文字的识别上，对于出版物的版面以及版面文字的格式的恢复，并没有给出相应的解决方案。对于版面恢复中主要遇到的困难是文字字体的恢复。对于汉字字体识别问题，目前主要有几种方法，但是都是基于人工特征提取的方法。以往的方法主要分为两大类，
转载
2023-10-08 08:08:54
88阅读
文本分类需要CNN？No！fastText完美解决你的需求（前篇）fastText是个啥？简单一点说，就是一种可以得到和深度学习结果准确率相同，但是速度快出几个世纪的文本分类算法。这个算法类似与CBOW，可爱的读着是不是要问CBOW又是个什么鬼？莫急，听小编给你慢慢到来，一篇文章，让你了解word2vec的原理，CBOW、Skip-gram模型，以及目前业界最流行的文本分类算法——fastText
一、OCR文字识别的概念利用计算机自动识别字符的技术，是模式识别应用的一个重要领域。人们在生产和生活中，要处理大量的文字、报表和文本。为了减轻人们的劳动，提高处理效率，从上世纪50年代起就开始探讨文字识别方法，并研制出光学字符识别器。OCR（Optical Character Recognition）图像文字识别是人工智能的重要分支，赋予计算机人眼的功能，可以看图识字。如图6-1所示，图像文字识别
转载
2023-11-09 22:27:20
134阅读
摘要：近几年，随着深度学习在计算机视觉各个领域的兴起，出现了一些基于深度学习的场景文本检索算法，能够将场景文本检测和距离度量过程整合到一个深度神经网络中。作者： 谷雨润一麦 。文字检索是从图像库中检索出包含特定字符串的图像，并且同时定位该字符串在图像中位置的过程（如图1所示），是场景文字理解中的重要科学问题，被应用于商品检索、图书馆书籍管理、网络图像安全审核等场景中，极大地提高了生产效率。此外，文
转载
2023-10-07 20:44:15
211阅读
文章目录1. 论文介绍2. PP-OCR 模型架构3. 文本检测网络：DBNet3.1 DBNet 网络结构和 DB 函数3.2 Label generation3.3 loss function3.4 DBNet 训练和推理时的区别3.5 PP-OCR 对 DBNet 的改进4. 方向分类器：MobileNetV35. 文本识别：CRNN 1. 论文介绍题目：PP-OCR: A Practic
本节目录1 问题描述2 滑动窗口3 获取大量数据集和人工数据4 上限分析 1 问题描述图像文字识别应用所作的事是，从一张给定的图片中识别文字。这比从一份扫描文档中识别文字要复杂的多。 为了完成这样的工作，需要采取如下步骤： 1.文字侦测（ Text detection） ——将图片上的文字与其他环境对象分离开来 2.字符切分（ Character segmentation） ——将文字分割成一个
一.数据集制作我们用到的数据集是一个2982张关于10个汉字的图片库，下载地址：链接：https://pan.baidu.com/s/1NqjYlRRizf4zzl0TjhgvOA 提取码：hpgj 我们通过PIL库读取图片数据，并生成标签，最终得到一个2982*784的图片数据集和2982*10的标签列表。一下是代码：path_ = 'E:\\中文字符识别\\'
classes = ['0',
转载
2024-04-12 17:01:47
231阅读
卷积神经网络概述 卷积神经网络是一种前馈多层网络，信息的流动只有一个方向，即从输入到输出，每个层使用一组卷积核执行多个转换。CNN 模型主要包含卷积层、池化层、全连接层。以 CNN模型为基础，将多层卷积和多层池化结合产生新的网络模型，可提高网络结构的准确度。经典的卷积神经网络模型GoogLeNet、AlexNet、VGGNet 等。 利用 CNN 进行图像识别将图像直接输入到模型，不需要传统算法中
转载
2024-02-19 11:12:32
173阅读
1.项目背景 深度学习（Deep Learning，DL）是机器学习研究中的一个新的领域，源自人工神经网络， 其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释图像、声音、文本等数据。深度学习属于无监督学习，通过组合低层特征形成更加抽象的高层特征或属性特征，以发现数据的分布式特征表示，学习更有用的特征，从而最终提高分类或预测的
转载
2024-05-17 09:53:44
53阅读
一：CRNN简介网络结构：CNN + RNN + CTC网络编码：当输入一张尺寸归一化的图片 [32, 280, 3] ，其中32代表文本图片高度，280代表文本图片宽度，3代表文本图片通道数；经过CNN特征编码之后，高度5次2倍下采样变成1，宽度3次2倍下采样变成35，通道经过卷积变成512，最终CNN输出特征 [1, 35, 512]；以此特征输入RNN网络，以35作为序列步长，通道数最终输出
转载
2024-08-08 16:53:35
41阅读
简介 图1：论文原文 上一篇博文简要介绍了文本检测领域较为经典的一篇文章，。本文将继续介绍文本识别领域较为经典的一项工作，。一般来说，在自然场景中进行文字识别主要包括以下步骤：文字检测，即找到图像中文字的大致范围，如上文CTPN的检测结果；文字识别，对定位好的文字区域进行识别，输出文字的具体内容。一般情况下，二者都是基于+的基本结构。而本文介绍的是一种能够以端到端的方式训练的模型，且可以识别任意长
转载
2024-03-27 16:33:16
33阅读
汉字识别问题，是将各种打字、印刷或书写的汉字文本中每一个汉字的图形或图像用计算机将其辨认出来，并标注其汉字类别代码的问题。因此，汉字识别是一个图像识别问题。 汉字识别数量极大，一般在4000个以上，是实际模式识别问题中类别数量最多的模式识别问题之一，故又称之为超多类模式识别问题。
转载
2024-05-16 03:35:45
61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
351阅读
在以前的OCR任务中，识别过程分为两步：单字切割和分类任务。我们一般都会将一连串文字的文本文件先利用投影法（水滴法）切割出单个字体，在送入CNN里进行文字分类。上述方法目前已经不再流行，面临的显而易见的问题就是容易造成将当个字符切开，导致后续分别出错，而且汉字处理识别成本较高，当下更流行的是基于深度学习的端到端的文字识别，我们不需要显示的对汉字进行切割，而是将汉字转成序列学习问题，虽然输入的图像尺
转载
2024-05-30 13:20:29
47阅读
1、传统机器学习算法有三步：图像预处理、特征提取、特征分类1.1图像预处理输入图片图像去噪（均值滤波、中值滤波、维纳滤波）人脸检测尺度、灰度归一化（对图片色彩信息，图片尺寸大小进行处理，在保证人脸关键特征前提下减少运算量）直方图均衡化（使图像效果增加）1.2特征提取（在保证图片原有信息的前提下提取出有用信息，有防止维度过高，因此有了特征降维，特征分解）（1）几何特征提取，如面部的几何特征：眼睛，嘴
转载
2024-04-03 20:53:47
120阅读
