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

0. 版权声明

• Machine learning 系列笔记来源于Andrew Ng 教授在 Coursera 网站上所授课程 Machine learning¹；
• 该系列笔记不以盈利为目的，仅用于个人学习、课后复习及交流讨论；
• 如有侵权，请与本人联系（[email protected]），经核实后即刻删除；
• 转载请注明出处；

1. Problem description and pipeline

• Optical character recognition (OCR，光学字符识别)；
• Photo OCR pipeline：
  • 文本检测（Text detection）：找出图像中有文字的区域；
    • 用滑动窗找出可疑点，用展开器将可疑点扩展连接为可疑区域；
  • 字符分割（Character segmentation）：将文本所在区域划分为一个个字符；
    • 应用监督学习的方法，使用一维滑动窗，判断图像块是否可分割；
      • 因为 Text detection 中已经找出了可疑区域，故此处使用一维滑动窗；
  • 字符分类（Character recognition）：识别字符内容；
  • 拼写校正；

2. Sliding windows

• Sliding windows （滑动窗）：一种分类器；
  image patch：图像块；
• step size/stride parameter：步长/步幅参数；
  • Sliding windows 每次移动的距离；
  • 常见的步长值有 4 个或 8 个像素等；
  • 由于检测器中输入图像的尺寸是不变的，因此选用较大的滑动窗取 image patch 时，需要将其压缩至检测器可以接收的图像尺寸；
• Expansion operator（展开器）：将检测器检测出的一个点扩展为一个小块，即将临近像素点也视为可疑目标，将相邻的字符转换为文本块；

3. Artificial data synthesis （人工数据合成）

• 人工数据合成的两种类型：

  • 将较小的训练集扩展为更大的训练集；
  • 从头开始创建新的数据；

• 待整理

  • 人工数据合成，artificial data synthesis；

n. Reference

---

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