Stanford 机器学习笔记 Week11 Application Example: Photo OCR

Photo OCR

Problem Description and Pipeline

OCR： Optical Character Recognition
步骤：
1.识别包含文字的图片区域
2.将每块图片中的各个文字分隔开
3.对每个文字进行识别

这种算法流程被称为pipeline，前一个模块的输出是下一个模块的输入。

Sliding Windows

本节分别介绍一下上述三个步骤的实现过程：

1.Text Detection：
这里先介绍一个简单的问题：图片中行人的识别。因为现实生活中每个人像的宽高比基本相同，所以这是一个简化版问题。使用机器学习解决，假设所有人像大小都是82*36的，那么训练集为许多张这个大小的图片，一些是人像，一些不是，这是一个监督型问题。
训练得到模型后，给定一张新图片，使用一个82*36大小的窗口依次遍历整张图片，并使用模型判断当前窗口中是否为行人。由于还涉及到近大远小，可以等比例放大窗口再次遍历，之后缩小为82*36来判断。

这个算法也可应用于Test Detection。每个字母的大小基本相同，遍历得到可能是字母的所有区域后，将相邻的区域连接起来视为一块（一个单词），最后把那些仍只有一个字母的区域排除（误判为字母的可能性大）。

2.Character Segmentation：
对于上一步得到的每个单词，使用机器学习做分割。这次的训练集图片不是字母，而是两个字母相邻中间的分割空白（不同字母间的空白基本相同，更适合训练）。

3.使用机器学习对分割完的每个字母做判断。

Getting lots of data: Artificial data synthesis

在寻找更多图像做数据时，我们可以利用已有数据构造，几个简单的方法：
1.给图像中的元素更换背景。
2.扭曲图像
3.旋转图像

想办法使你构造的数据更真实

Ceiling analysis: What part of the pipeline to work on next

单元测试：
假设你的pipeline分为4个部分。测试每个部分提高的潜力的方法：

1.计算当前算法系统整体精确度。
2.手动使该部分精确度为100%（该部分直接按训练集中的label输出），再次计算精确度。
3.计算两精确度之差，这就是该模块的潜力。

应优先优化潜力高的模块。

Summary and Thank You

历时11周，终于跟完了这门课，对ML有了一个入门级的认识，接下来要投入更多的时间进行更深入的学习。

Andrew Ng真是非常nice，一张图：

Thank you!