Chapter 11 Application example: Optical character recognition (reading notes)

0. 版權聲明

• Machine learning 系列筆記來源於Andrew Ng 教授在 Coursera 網站上所授課程 Machine learning¹；
• 該系列筆記不以盈利爲目的，僅用於個人學習、課後複習及交流討論；
• 如有侵權，請與本人聯繫（[email protected]），經覈實後即刻刪除；
• 轉載請註明出處；

1. Problem description and pipeline

• Optical character recognition (OCR，光學字符識別)；
• Photo OCR pipeline：
  • 文本檢測（Text detection）：找出圖像中有文字的區域；
    • 用滑動窗找出可疑點，用展開器將可疑點擴展連接爲可疑區域；
  • 字符分割（Character segmentation）：將文本所在區域劃分爲一個個字符；
    • 應用監督學習的方法，使用一維滑動窗，判斷圖像塊是否可分割；
      • 因爲 Text detection 中已經找出了可疑區域，故此處使用一維滑動窗；
  • 字符分類（Character recognition）：識別字符內容；
  • 拼寫校正；

2. Sliding windows

• Sliding windows （滑動窗）：一種分類器；
  image patch：圖像塊；
• step size/stride parameter：步長/步幅參數；
  • Sliding windows 每次移動的距離；
  • 常見的步長值有 4 個或 8 個像素等；
  • 由於檢測器中輸入圖像的尺寸是不變的，因此選用較大的滑動窗取 image patch 時，需要將其壓縮至檢測器可以接收的圖像尺寸；
• Expansion operator（展開器）：將檢測器檢測出的一個點擴展爲一個小塊，即將臨近像素點也視爲可疑目標，將相鄰的字符轉換爲文本塊；

3. Artificial data synthesis （人工數據合成）

• 人工數據合成的兩種類型：

  • 將較小的訓練集擴展爲更大的訓練集；
  • 從頭開始創建新的數據；

• 待整理

  • 人工數據合成，artificial data synthesis；

n. Reference

---

1. https://www.coursera.org/learn/machine-learning/home/welcome ↩︎