吴恩达机器学习笔记(十九)

原创博客,转置请注明出处!

1、问题描述与OCR pipeline

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。

吴恩达机器学习笔记(十九)_第1张图片

为了完成这样的工作,需要采取如下步骤:

①文字侦测 —— 将图片上的文字与其他环境对象分离开来

②字符切分 —— 将文字分割成一个个单一的字符

③字符分类 —— 确定每一个字符是什么 可以用任务流程图来表达这个问题,每一项任务可以由一个单独的小队来负责解决

吴恩达机器学习笔记(十九)_第2张图片

如同

吴恩达机器学习笔记(十九)_第3张图片

2、滑动窗口

滑动窗口是一项用来从图像中抽取对象的技术。假使我们需要在一张图片中识别行人,首先要做的是用许多固定尺寸的图片来训练一个能够准确识别行人的模型。然后我们用之前训练识别行人的模型时所采用的图片尺寸在我们要进行行人识别的图片上进行剪裁,然后将剪裁得到的切片交给模型,让模型判断是否为行人,然后在图片上滑动剪裁区域重新进行剪裁,将新剪裁的切片也交给模型进行判断,如此循环直至将图片全部检测完。

吴恩达机器学习笔记(十九)_第4张图片

一旦完成后,我们按比例放大剪裁的区域,再以新的尺寸对图片进行剪裁,将新剪裁的切片按比例缩小至模型所采纳的尺寸,交给模型进行判断,如此循环。

吴恩达机器学习笔记(十九)_第5张图片

滑动窗口技术也被用于文字识别,首先训练模型能够区分字符与非字符

吴恩达机器学习笔记(十九)_第6张图片

然后,运用滑动窗口技术识别字符,一旦完成了字符的识别,我们将识别得出的区域进行一些扩展,然后将重叠的区域进行合并。接着我们以宽高比作为过滤条件,过滤掉高度比宽度更大的区域(认为单词的长度通常比高度要大)。下图中打叉的是被忽略的。

吴恩达机器学习笔记(十九)_第7张图片

以上便是文字侦测阶段。 下一步是训练一个模型来完成将文字分割成一个个字符的任务,需要的训练集由单个字符的图片和两个相连字符之间的图片来训练模型。

吴恩达机器学习笔记(十九)_第8张图片

模型训练完后,我们仍然是使用滑动窗口技术来进行字符识别。

总结步骤:

吴恩达机器学习笔记(十九)_第9张图片

以上便是字符切分阶段。 最后一个阶段是字符分类阶段,利用神经网络、支持向量机或者逻辑回归算法训练一个分类器即可。

 

3、获取大量数据和人工数据

如果我们的模型是低方差的,那么获得更多的数据用于训练模型,是能够有更好的效果的。问题在于,我们怎样获得数据,数据不总是可以直接获得的,我们有可能需要人工地创造一些数据。

以我们的文字识别应用为例,我们可以字体网站下载各种字体,然后利用这些不同的字体配上各种不同的随机背景图片创造出一些用于训练的实例,这让我们能够获得一个无限大的训练集。这是从零开始创造实例。

吴恩达机器学习笔记(十九)_第10张图片

另一种方法是,利用已有的数据,然后对其进行修改,例如将已有的字符图片进行一些扭曲、旋转、模糊处理。只要我们认为实际数据有可能和经过这样处理后的数据类似,我们便可以用这样的方法来创造大量的数据。

吴恩达机器学习笔记(十九)_第11张图片

音频中引入失真

吴恩达机器学习笔记(十九)_第12张图片

在引入失真合成数据时,应该注意引入的失真具有代表性,这些噪音或扭曲,是有可能出现在测试集中的

吴恩达机器学习笔记(十九)_第13张图片

有关获得更多数据的几种方法:

①人工数据合成

②手动收集、标记数据

③众包

吴恩达机器学习笔记(十九)_第14张图片

4、天花板分析:下一步工作的pipeline

在机器学习的应用中,我们通常需要通过几个步骤才能进行最终的预测,我们如何能够知道哪一部分最值得我们花时间和精力去改善呢?这个问题可以通过上限分析来回答。

回到我们的文字识别应用中,我们的流程图如下:

吴恩达机器学习笔记(十九)_第15张图片

流程图中每一部分的输出都是下一部分的输入,上限分析中,我们选取一部分,手工提供100%正确的输出结果,然后看应用的整体效果提升了多少。假使我们的例子中总体效果为72%的正确率。

如果我们令文字侦测部分输出的结果100%正确,发现系统的总体效果从72%提高到了89%。这意味着我们很可能会希望投入时间精力来提高我们的文字侦测部分。

接着我们手动选择数据,让字符切分输出的结果100%正确,发现系统的总体效果只提升了1%,这意味着,我们的字符切分部分可能已经足够好了。

最后我们手工选择数据,让字符分类输出的结果100%正确,系统的总体效果又提升了10%,这意味着我们可能也会应该投入更多的时间和精力来提高应用的总体表现。

吴恩达机器学习笔记(十九)_第16张图片

 

你可能感兴趣的:(机器学习,机器学习,上限分析)