计算机视觉实践 - 街景字符编码识别/关于Task3的一些笔记

最新推荐文章于 2024-09-14 19:18:15 发布
最新推荐文章于 2024-09-14 19:18:15 发布
阅读量165 收藏
点赞数
分类专栏： CV DeepLearning 文章标签： 神经网络 深度学习 计算机视觉 人工智能
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。
本文链接：https://blog.csdn.net/kongaiqin/article/details/106364401
版权

字符识别模型

学习情况

重点学习一下AlexNet和VGG的模型，跑完步回来码！
…回来了！
没赶上DataWhale的直播课，等一下录播课~自己先研究一下卷积神经网络框架吧！
今天开始重新看吴老师的深度学习课，再复习一下推导过程。

经典的卷积神经网络

AlexNet

AlexNet是Hinton的学生Alex Krizhevsky在2012年提出的卷积神经网络，这个框架真的太经典了。感觉从12年这个框架的提出之后，深度学习CNN就开始进入人们的视线，基于深度学习CNN的算法开始占据各大cv比赛的榜首。AlexNet模型图
上图是AlexNet提出当时的图，可以看到它呈现出的是双GPU并行的模型。我对双GPU的理解是：将两个GPU中的权重进行共享，提高训练的效率。特点有：

  • 无padding层，保证了网络的全卷积性
  • 使用ReLU激活函数，比基于Sigmoid的网络训练快很多
  • Dropout
  • 8层

VGG

VGG是Oxford的Visual Geometry Group的组提出的。比较典型的是VGG16和VGG19，两者没有明显的差别，就是深度不同。

VGG16相比AlexNet的一个改进是采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5）。对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。
VGG

fayeeenn
关注
专栏目录
天池-街景字符编码识别3-字符识别模型
weixin_44023658的博客
05-24 599
3 字符识别模型 3.1常用CNN网络模型 LeNet-5——CNN经典网络模型详解（pytorch实现） AlexNet–CNN经典网络模型详解（pytorch实现） VGG——CNN经典网络模型（pytorch实现） GoogLeNet——CNN经典网络模型详解（pytorch实现） ResNet——CNN经典网络模型详解(pytorch实现) DenseNet——CNN经典网络模型详解(pytorch实现) MobileNet(v1、v2)——CNN经典网络模型详解（pytorch实现） 3.2
深度学习常用模型（二）：VGG16
weixin_42892235的博客
08-20 1232
原始英文论文： 《Very Deep Convolutional Networks for Large-Scale Image Recognition》arXiv：[1409.1556] Very Deep Convolutional Networks for Large-Scale Image Recognition intro：ICLR 2015 homepage：Visual Geometry Group Home Page 前言： VGG是Oxford的Visual Geometry Group的组
计算机视觉实践 - 街景字符编码识别/关于Task1的一些笔记
faye的爬坡旅程
05-20 548
计算机视觉实践 - 街景字符编码识别 关于Task1的一些笔记Task 1 赛题理解学习情况字符识别论文笔记ResNet18CRNNBaseline自己的理解遇到的问题Reference 最近参加了DataWhale的计算机视觉入门比赛，认识了很多大佬。虽然之前有过基于深度学习的一些实操经验，但对其中的原理还是不怎么懂，更别提模型的创新了。希望这次比赛过后，在理论和代码能力方面都能有所提高。 Task 1 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
计算机视觉实践 - 街景字符编码识别/关于Task5的一些笔记
faye的爬坡旅程
06-02 180
模型的集成学习情况调参指导框架观察数据搭建初始框架调参原则模型的集成通过交叉验证集成多模型测试集的数据增强Snapshot 学习情况 调参指导框架 High Train Error：指的是与人类相比的，比如人识别字符的准确率为99%； High Train-Dev Error：过拟合的问题，可以通过正则化、加入更多的数据、或者尝试新的框架 High Test-Dev Error：测试集错误率过大，这次比赛中会出现。可能是测试集和验证集的分布出现了差异。 观察数据 不同字符数量图片的占比，是否存在偏
计算机视觉实践（街景字符编码识别）——Task03：字符识别模型
nanashi_F的博客
05-26 964
计算机视觉实践（街景字符编码识别）——Task03：字符识别模型 | 一、CNN介绍 (1.基本原理 2.卷积层 3.池化层 4.激励层) | 二、CNN发展 (1.LeNet-5(1998) 2.AlexNet(2012) 3.VGG-16(2014) 4.Inception-v1 (2014) 5.ResNet-50 (2015)) | 三、Pytorch构建CNN模型
计算机视觉实践（街景字符编码识别）-Task01：赛题理解
qq_35098624的博客
05-21 380
计算机视觉实践（街景字符编码识别）-Task01：赛题理解 1.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。 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多相应的paper作为思路参考。 2.环境安装 软件：Anaconda 3.赛题数据 赛题来源自Google街景图像中的门
零基础入门CV赛事- 街景字符编码识别
楚天云
06-03 300
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
神经网络的非线性激活
Mr_Happy_Li的博客
09-11 521
神经网络的非线性激活函数的主要作用是引入非线性变换，从而使网络能够学习和逼近复杂的函数关系。在神经网络中，线性变换（如矩阵乘法）能够将输入数据映射到不同的空间，但是如果仅使用线性变换，网络无法学习到数据的复杂模式或非线性关系。加入非线性激活函数后，网络能够通过层叠多个非线性层，学习复杂的函数映射，从而提高模型的表达能力。当为False时，Input的值不会发生改变，而是用了一个新的Output的值来继承这个-1。当值是True时，-1会像上面nn.ReLU内容中会折算成0，但是输出的地方就会有所不同。
【深度学习】神经网络-怎么分清DNN、CNN、RNN？
木亦汐丫
09-11 1121
最“大”的概念是人工神经网络（Artificial Neural Network, ANN），它是较为广泛的术语，通常指的是一类模拟生物神经网络的数学模型，其中包括神经元、权重和连接。在这个术语下，可以包括深度神经网络（DNN）、卷积神经网络（CNN）、循环神经网络（RNN）等不同类型的网络。
每天五分钟玩转深度学习PyTorch：获取神经网络模型的子网络模型
huanfeng_AI的博客
09-09 352
本文主要为第二步（模型搭建）和第六步（优化器）服务，因为子网络是网络模型的一部分，我们如何获取自网络，需要了解网络的模型结构，然后再优化器部分我们需要获取指定网络模型部分的模型参数，所以本节课程很重要。
机器学习与深度学习的区别
最新发布
警警的博客
09-14 1081
机器学习与深度学习
机器学习和深度学习的区别
jun778895的博客
09-10 848
机器学习：是人工智能的一个分支，它让计算机能够在没有明确编程的情况下，通过观察和分析大量数据来学习并做出预测或决策。机器学习起源于20世纪50年代，随着算法的不断发展，逐渐形成了多种经典算法，如决策树、支持向量机、随机森林等。深度学习：则是机器学习的一个子领域，它主要依赖于深度神经网络模型进行学习和预测。深度学习在21世纪初开始兴起，特别是随着计算能力的提升和大数据的普及，深度学习算法得以广泛应用，并取得了显著成效。
基础GAN生成式对抗网络（pytorch实验）
weixin_47696370的博客
09-10 377
采用MNIST数据集，如下是训练集中的一张图片。
秃姐学AI系列之：实战Kaggle比赛：狗的品种识别（ImageNet Dogs）
m0_62415132的博客
09-11 692
在这里，我们选择预训练的ResNet-34模型，我们只需重复使用此模型的输出层（即提取的特征）的输入。然后，我们可以用一个可以训练的小型自定义输出网络替换原始输出层，例如堆叠两个完全连接的图层。因此，我们可以使用 微调中讨论的方法在完整ImageNet数据集上选择预训练的模型，然后使用该模型提取图像特征，以便将其输入到定制的小规模输出网络中。在计算损失之前，我们首先获取预训练模型的输出层的输入，即提取的特征。的处理一样，即从原始训练集中拆分验证集，然后将图像移动到按标签分组的子文件夹中。
深度学习时遇到tensor([0.], device=‘cuda:0‘)等输出
weixin_53036073的博客
09-11 375
很有可能是更改了ultralytics文件夹中的某一个文件导致的，我以为是因为我更新了几个模块导致的出错，尝试了很多方法比如关掉详细输出修改模块以及将环境恢复至原始状态，但是都没有解决。其实以前运行也遇到过类似问题，换了我师姐给的ultralytics文件夹后就解决了，也不知道啥原理。所以这次还是把现在的ultralytics文件夹给删除，换成最初的ultralytics文件夹，再运行就正常了！所以这次还是把现在的ultralytics文件夹给删除，换成最初的ultralytics文件夹，再运行就正常了！
获取某宝拍立淘API接口：深度学习图像实现匹配和检索
m0_37438181的博客
09-13 1109
随着互联网技术的飞速发展，电子商务行业中的图像搜索技术逐渐成为用户快速定位商品的重要工具。淘宝的“拍立淘”功能是一个强大的图像识别服务，允许用户通过拍摄商品图片来搜索相似的商品。然而，需要注意的是，淘宝的拍立淘API（或类似的高级图像识别服务）主要面向淘宝商家和合作伙伴，并不直接对普通开发者或公众开放。结论 淘宝图搜商品API接口,的实现涉及多个复杂的技术环节，需要综合运用深度学习、计算机视觉、大数据处理等多个领域的知识。未来，随着技术的不断进步，我们有理由相信图像搜索技术将在电商领域发挥更加重要的作用。
基于深度学习的信号滤波：创新技术与应用挑战
XU157303764的博客
09-09 1566
多尺度频域分析是一种将信号在不同频率尺度上进行分解和分析的方法。它通过使用特定的变换工具，如小波变换、多分辨率分析等，将信号分解为不同频率和时间尺度的成分。这种方法在多个领域都有着广泛的应用。在图像处理领域，多尺度频域分析可以用于图像去噪、边缘检测、图像压缩等。例如，通过小波变换可以将图像分解为不同尺度的小波系数，其中低频系数代表图像的大致轮廓和主要信息，高频系数则代表图像的细节和边缘信息。通过对不同尺度的系数进行处理，可以实现图像的去噪和增强。
机器学习VS深度学习
weixin_43215013的博客
09-14 482
机器学习更依赖于手动设计的特征和较为简单的模型，适用于中小型数据集，计算需求较低，解释性较好。深度学习是机器学习的一个分支，使用多层神经网络，擅长自动提取复杂特征，能够处理大量非结构化数据，计算资源需求大，但在许多复杂任务（如图像和语音处理）中性能优异。
天池 datawhale 街景字符编码识别
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