Application Example: Photo OCR
Photo OCR
介绍ocr项目,用来引入如何做一个大型的ml system,以及计算机视觉问题中ml的应用和人工数据合成。
Problem Description and Pipeline
Photo optical character recognition(照片光学字符识别),一般流程为:
- 在图像中识别字符位置
- 在字符对应区域中分割字符为一个个字母/汉字
- 字符识别
- 拼写纠错
通常会把每个步骤模块化/组件化,很多ml system为如何设计这些组件的组合。
Sliding Windows
第一个模块识别字符位置(Text detection),先介绍行人检测作为引入。
- 收集只包含行人的正样本(行人占图像的比例达到一定值),以及不包含行人的负样本
- 监督式学习,如神经网络等对数据进行训练,得到某size图像中是否包含行人的模型
- 对图片进行扫描,分区块检测是否包含行人,然后平移一个step size/slide parameter
- 设定更大一点的image patches,再次扫描。重复这个步骤多次。
字符块识别与之类似,样本为单个字母,所以需要增加一个步骤把识别到的单个字母合并为一个字符串区域(an expansion operator):
第二个模块,划分字符(character segmentation),处理过程与第一个模块类似,样本为两个字符中间是否有划分。扫描字符块并判断:
第三个模块,字符识别(character qualification),之前的课程中有介绍。
Getting Lots of Data and Artificial Data
如sliding windows中介绍的,supervised learning需要大量的样本 (low bias+big data set性能较好),这里介绍人工数据合成(artificial data synthesis)来得到数据样本。它包含两个方法,从头合成数据,数据增强。
对于ORC问题,可以从不同的字体库中合成数据,然后做一些仿真操作(把字符粘贴在不同明度的背景上/模糊化/旋转或扭曲等),就可以得到极多的正样本数据。
数据增强可以通过扭曲(distortion)操作:
而如何扭曲也是需要设计的,增加扭曲后的数据最好符合当前场景的需要,是有实际意义的扭曲。例如对于语音识别,扭曲可以为增加背景音/电流音。
在扩大数据集前,有以下几个建议:
- 确保当前模型是low bias的,这样增大数据集才有意义
- 评估不同的方法把数据集扩大十倍,它们所需的工作量,如以下三种:
Ceiling Analysis:What Part of the Pipeline to Work on Next
ceiling analysis:评估piplines工作中哪个part的提升是最有效的。
当我们已经构建好一个ml system时,还需要对当前系统进行优化。对每个模块都做数字化评分测试,然后模拟某些前置模块是完美运行的,看系统评分的提升最大的是什么样的模拟。
选择优化提升上限高的模组。