天池零基础入门CV赛事- 街景字符编码识别

最新推荐文章于 2021-06-04 22:37:45 发布
原创 最新推荐文章于 2021-06-04 22:37:45 发布 · 617 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络 #pytorch #计算机视觉

本文介绍了天池的零基础计算机视觉赛事，聚焦街景字符编码识别。通过对Google街景数据集SVHN的采样，提供训练、验证和测试数据，要求参赛者预测街道字符编码。数据集包含字符位置信息，评测标准为整体识别准确率。解决思路涉及将字符位置识别作为先决条件，可应用物体检测模型如SSD或YOLO。

目录

天池：零基础入门CV赛事- 街景字符编码识别

赛题理解

  • 赛题名称：零基础入门CV之街道字符识别
  • 赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。
  • 赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。

赛题数据

赛题来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到比赛数据集。

数据集报名后可见并可下载，该数据来自真实场景的门牌号。训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。

在这里插入图片描述
需要注意的是本赛题需要选手识别图片中所有的字符，为了降低比赛难度，我们提供了训练集、验证集和测试集中字符的位置框。

字段表

所有的数据（训练集、验证集和测试集）的标注使用JSON格式，并使用文件名进行索引。如果一个文件中包括多个字符，则使用列表将字段进行组合。

Field Description
top 左上角坐标X
最低0.47元/天 解锁文章
零基础入门CV赛事—Task 1 街景字符编码识别
yungezier的博客
05-20 633
一、赛题背景 赛题名称：本次新人赛是Datawhale与天池联合发起的零基础入门系列赛事第二场 —— 零基础入门CV赛事之街景字符识别。 赛题目标：赛题以计算机视觉中字符识别为背景，要求选手预测真实场景下的字符识别，这是一个典型的字符识别问题。通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。 赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。 为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很
零基础入门CV赛事- 街景字符编码识别
楚天云
06-03 386
零基础入门CV赛事- 街景字符编码识别 ask5 模型集成学习目标集成学习方法结果 学习目标 学习集成学习方法以及交叉验证情况下的模型集成 深度学习模型的集成学习 集成学习方法 Dropout：在每个训练批次中，通过随机让一部分的节点停止工作。同时在预测的过程中让所有的节点都其作用。 class SVHN_Model1(nn.Module): def __init__(self): super(SVHN_Model1, self).__init__() # C
零基础入门CV - 街景字符编码识别 用yolov3和yolov3_tiny教程
qq_40214464的博客
06-04 1772
一、从官方依次下载文件并解压： 对于新手稍微提一下，这个数据集是通过下载下来的链接下载的。直接输入网址，打开既开始下载！.json文件不是下载，是复制。点开链接，创建一个.json文件，复制到里面即可。（我也不知道为啥，反正我下载的时候就这样） 我们会发现训练集为30000张图片，验证集为10000张图片。 注意：（.json文件不是下载，是复制。点开链接，创建一个.json文件，复制到里面即可） 数据集下载好，首先要把.json文件转换为我们所需要的的txt文件。 为了防止图片不连续，这里先生成图片
零基础入门CV--街景字符识别（阿里天池学习赛）
gubeiqing的博客
04-28 1145
零基础入门CV–街景字符识别（阿里天池学习赛） 比赛链接传送门：零基础入门CV - 街景字符编码识别-天池大赛-阿里云天池 1.简介 该比赛以SVHN街道字符为赛题数据，数据集报名后可见并可下载，该数据来自收集的SVHN街道字符，并进行了匿名采样处理，详细的介绍见赛事官网 。 首先看它们的数据组成以及特点，链接比赛里面的论坛的Task1-5是对这个比赛大致的讲解，大家可以先去看看。总的来说，train是3W张，val是1W张，test是4W张。里面都是数字，有1个，2个…6个数字组成，你要把它们识别出来，以
天池零基础入门CV赛事- 街景字符编码识别-Task3-字符识别模型
christianzhang93的博客
05-26 457
天池零基础入门CV赛事- 街景字符编码识别-Task3-字符识别模型Pytorch构建CNN模型模型搭建训练模型使用预训练模型 Pytorch构建CNN模型 在上一章节我们讲解了如何使用Pytorch来读取赛题数据集，本节我们使用本章学习到的知识构件一个简单的CNN模型，完成字符识别功能。 在Pytorch中构建CNN模型非常简单，只需要定义好模型的参数和正向传播即可，Pytorch会根据正向传播自动计算反向传播。 在本章我们会构建一个非常简单的CNN，然后进行训练。这个CNN模型包括两个卷积层，最后并联6
CV入门实践-街景字符编码识别
qq_42942096的博客
05-20 908
1.运行环境搭建（Anaconda+pytorch）
零基础入门CV赛事- 街景字符编码识别_TASK1
Baby1601tree的博客
05-18 687
本次新人赛是Datawhale与天池联合发起的零基础入门系列赛事第二场 —— ***零基础入门CV赛事之街景字符识别*** 赛题以计算机视觉中字符识别为背景，要求预测真实场景下的字符识别，这是一个典型的字符识别问题 赛题来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到比赛数据集 blog仅记录代码部分 导入模块 import json # 方便对JSON格式数据的处理 import nump
零基础入门CV赛事- 街景字符编码识别--Task1赛题理解
yyy_balabala小屋的博客
05-20 441
街景字符编码识别这是一个典型的字符识别问题。 数据来源 以街道字符为数据，训练集数据包括 3W 张照片，验证集数据包括 1W 张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集 A 包括 4W 张照片，测试集 B 包括 4W 张照片。 数据标签 对于训练数据每张图片将给出对于的编码标签，和具体的字符框的位置（训练集，测试集和验证集都给出字符位置），可用于模型训练： 字符的具体坐标如下所示： 数据的读取 评价指标 实验以识别
零基础入门cv - 街景字符编码识别_【精简教程版】100行代码入手天池CV赛事
weixin_39644611的博客
11-24 341
Datawhale作者：阿水、陈信达 Datawhale成员本文针对阿里天池《零基础入门CV赛事-街景字符编码识别》，给出了百行代码Baseline，帮助cv学习者更好地结合赛事实践。同时，从赛题数据分析和解题思路分析两方面进行了详细的解读，以便于大家进阶学习。数据及背景https://tianchi.aliyun.com/competition/entrance/531795/...
零基础入门CV赛事- 街景字符编码识别Task1
ora_dy的博客
05-20 547
在阿里天池拿到任务，总体判断大赛目标和走向。街景字符编码识别，从题目看就是计算机视觉的赛题。下面聊聊，我从拿到题目下来对赛题的理解。 1.赛题数据与实际的理解 从天池平台下载下来包括3个zip压缩文件，两个json文件，和一个CSV数据文件。zip压缩文件是一些png的图片文件，也是机器学习的主要文件，分别为训练集，验证集，和预测集。大概看了一下图片，数字的大小，数量，位置，方向各不一样。不过，好处就在大赛为了降低难度，已经用json文件告知你图片的大小，位置和图片的内容的范围。如下000000.png
零基础入门CV赛事- 街景字符编码识别-01
ChrisP7364的博客
05-20 498
写在前面 赛题来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到比赛数据集。任务链接【阿里云天池大赛】零基础入门CV赛事-街景字符编码识别。 1.赛题分析 1.1数据集样本 数据集报名后可见并可下载，该数据来自真实场景的门牌号。训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。 *数
天池-零基础入门CV-街景字符编码识别-模型训练与验证
Lmy_xxn的博客
05-30 272
构造验证集 在机器学习模型（特别是深度学习模型）的训练过程中，模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐降低，但测试误差的走势则不一定。在模型的训练过程中，模型只能利用训练数据来进行训练，模型并不能接触到测试集上的样本。因此模型如果将训练集学的过好，模型就会记住训练样本的细节，导致模型在测试集的泛化效果较差，这种现象称为过拟合（Overfitting）。与过拟合相对应的是欠拟合（Underfitting），即模型在训练集上的拟合效果较差。 如图所示：随着模型复杂度和模型训练轮数.
零基础入门CV赛事—街景字符编码识别—Task4 模型训练与验证
Libaididi的博客
05-29 454
文章目录模型训练与验证构造验证集过拟合和欠拟合模型训练与验证模型保存与加载 上次学习构建一个简单的CNN进行训练，并可视化了训练过程中的误差损失和第一个字符预测准确率，但这些还远远不够。一个成熟合格的深度学习训练流程至少具备以下功能： 在训练集上进行训练，并在验证集上进行验证； 模型可以保存最优的权重，并读取权重； 记录下训练集和验证集的精度，便于调参。 模型训练与验证 构造验证集 在机器学习模型（特别是深度学习模型）的训练过程中，模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐降低
天池 datawhale 街景字符编码识别
最新发布
11-13
天池是一个著名的数据科学竞赛平台，而datawhale是一家致力于数据科学教育和社群建设的组织。街景字符编码识别是指通过计算机视觉技术，对街道场景中的字符进行自动识别和分类。 街景字符编码识别是一项重要的研究领域，对于提高交通安全、城市管理和智能驾驶技术都具有重要意义。街道场景中的字符包括道路标志、车牌号码、店铺招牌等。通过对这些字符进行准确的识别，可以辅助交通管理人员进行交通监管、道路规划和交通流量分析。同时，在智能驾驶领域，街景字符编码识别也是一项关键技术，可以帮助自动驾驶系统准确地识别和理解道路上的各种标志和标识，为自动驾驶提供可靠的环境感知能力。 天池和datawhale联合举办街景字符编码识别竞赛，旨在吸引全球数据科学和计算机视觉领域的优秀人才，集思广益，共同推动该领域的研究和发展。通过这个竞赛，参赛选手可以使用各种机器学习和深度学习算法，基于提供的街景字符数据集，设计和训练模型，实现准确的字符编码识别。这个竞赛不仅有助于促进算法研发和技术创新，也为各参赛选手提供了一个学习、交流和展示自己技能的平台。 总之，天池datawhale街景字符编码识别是一个具有挑战性和实际应用需求的竞赛项目，旨在推动计算机视觉和智能交通领域的技术发展，同时也为数据科学爱好者提供了一个学习和展示自己能力的机会。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值