计算机视觉实践 - 街景字符编码识别/关于Task5的一些笔记

最新推荐文章于 2024-08-10 22:15:42 发布
最新推荐文章于 2024-08-10 22:15:42 发布
阅读量168 收藏
点赞数
分类专栏： DeepLearning CV 文章标签： 深度学习 pytorch 神经网络
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/106506813
版权
本文介绍了在街景字符编码识别任务中，如何通过深度学习和PyTorch解决高训练误差和过拟合问题。作者探讨了数据质量、数据增强、模型选择和调参策略，包括使用SGD优化器、模型集成和交叉验证。同时，提出在测试集上应用数据增强和Snapshot方法来提升模型性能。
摘要由CSDN通过智能技术生成

模型的集成

学习情况

调参指导框架

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

观察数据

  • 不同字符数量图片的占比，是否存在偏差？
  • 是否有脏数据？是否有大量重复数据？
  • 局部信息够吗？是否需要上下文信息？
  • 位置信息重要吗？
  • 数据适合什么样的数据增强？什么样的数据增强不适用？

搭建初始框架

搭建初始框架

最低0.47元/天 解锁文章
fayeeenn
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
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
05-20 532
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
吴恩达深度学习笔记-机器学习策略(第8课)
GuoShao_的博客
07-26 815
笔记记录
Coursera吴恩达《构建机器学习项目》课程笔记（2）-- 机器学习策略（下）
热门推荐
红色石头的专栏
11-27 1万+
我的CSDN博客地址：红色石头的专栏 我的知乎主页：红色石头 我的微博：RedstoneWill的微博 我的GitHub：RedstoneWill的GitHub 我的微信公众号：红色石头的机器学习之路（ID：redstonewill） 欢迎大家关注我！共同学习，共同进步！ 这是Andrew Ng深度学习专项课程第三门课《构建机器学习项目》的第二节笔记，第一节...
计算机视觉实践 - 街景字符编码识别/关于Task3的一些笔记
faye的爬坡旅程
05-26 153
字符识别模型学习情况经典的卷积神经网络AlexNetVGG 学习情况 重点学习一下AlexNet和VGG的模型，跑完步回来码！ 经典的卷积神经网络 AlexNet VGG
计算机视觉实践 - 街景字符编码识别/关于Task4的一些笔记
faye的爬坡旅程
05-30 224
模型训练与验证学习情况模型验证方法留出法交叉验证法K折交叉验证（K-fold Cross Validation）留一法（leave-one-out cross validation）自助采样法（BootStrap）代码 学习情况 复习了一下机器学习中的模型验证方法，因为深度学习也是机器学习的分支，这一部分还是差不多的。 最近还在看CNN的结构、公式推理过程，发现高数线代又忘了…大学的知识难道真的不能靠刷题吗… 模型验证方法 留出法 这是比较简单粗暴的方法，之前传统机器学习分类的方法是“三七分”，就是训练集7
计算机视觉实践 - 街景字符编码识别/关于Task2的一些笔记
faye的爬坡旅程
05-23 261
Task2 数据读取与数据扩增学习情况数据扩增方法transforms.CenterCroptransforms.RandomCroptransforms.ColorJittertransforms.Padtransforms.FiveCroptransforms.Grayscaletransforms.RandomAffine 随机仿射变化常用的数据扩增库 学习情况 数据扩增方法 常见的有一下几种： transforms.CenterCrop 对图片中心进行剪裁 transforms.ColorJitt
天池实战-街景字符编码识别-task2数据预处理
小一的博客
05-23 866
写在前面的话 上一节大致了解了一下赛题的相关背景：天池实战-街景字符编码识别-task1赛题理解，从这节开始真正的实操，这节主要介绍数据读取、图像处理以及如何在Pytorch下进行数据的批量加载和处理 数据读取 根据位置标签获取单个字符 图片的位置标签存储在对应的json文件中，所以，针对每一张图片的位置标签需要通过解析json来获取图片的具体位置数据以及标签数据 直接贴json 解析的代码 def parse_json(data): """ 解析单个图像的json内容，返回二维数组输出
天池实战-街景字符编码识别-task5模型集成
小一的博客
06-02 402
写在前面的话 前四节我们已经完成了模型的建立的训练，分别是： 数据的预处理和赛题的相关背景：天池实战-街景字符编码识别-task1赛题理解 通过Pytorch 批量读取图像数据并进行图像预处理：天池实战-街景字符编码识别-task2数据预处理 通过CNN模型完成字符识别功能以及如何在Pytorch下进行模型的建立：天池实战-街景字符编码识别-task3模型建立 模型的训练和验证：天池实战-街景字符编码识别-task4模型的训练和验证 这节主要介绍模型集成的相关内容 先从集成方法开始 集成方法（ense.
天池实战-街景字符编码识别-task3模型建立
小一的博客
05-26 523
写在前面的话 前两节我们进行了数据的预处理，介绍了赛题的相关背景：天池实战-街景字符编码识别-task1赛题理解，通过Pytorch 批量读取图像数据并进行图像预处理：天池实战-街景字符编码识别-task2数据预处理。 这节我们通过CNN模型完成字符识别功能，并且介绍如何在Pytorch 下进行模型的建立 关于CNN模型 想必在使用Pytorch 之前你应该对CNN有一个基本的了解，最少得了解CNN一般都包括哪些层，每层都是用来干嘛的这些，至于说建模和调参这些你可以先不用知道，在Pytorch 的使用中你
深度学习项目-街景字符识别.zip
04-14
深度学习项目-街景字符识别.zip深度学习项目-街景字符识别.zip深度学习项目-街景字符识别.zip深度学习项目-街景字符识别.zip深度学习项目-街景字符识别.zip深度学习项目-街景字符识别.zip深度学习项目-街景字符识别....
计算机视觉项目，缺陷检测，地表建筑物识别，街景字符识别+源代码+文档说明
04-19
计算机视觉项目，缺陷检测，地表建筑物识别，街景字符识别+源代码+文档说明 - 不懂运行，下载完可以私聊问，可远程教学 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到...
天若ocr开源版本的本地版，采用Chinese-lite和paddleocr识别框架
01-12
这两款强大的框架在计算机视觉领域具有广泛的应用，尤其在文字识别方面展现出了卓越的性能。 一、Chinese-lite框架详解 Chinese-lite是专门为中文文字识别定制的轻量级模型，其设计理念在于实现快速、低内存占用的...
OpenCV计算机视觉库-其他
06-12
OpenCV（开源计算机视觉库）是一个开源计算机视觉和机器学习软件库。OpenCV的构建旨在为计算机视觉应用程序提供通用的基础结构，并加速在商业产品中使用机器感知。作为BSD许可的产品，OpenCV使企业可以轻松地使用和...
pspnet街景分割及mask-rxnn目标识别
01-22
【描述】：本内容涉及使用深度学习，特别是神经网络技术，进行街景分割和目标识别的实践过程。 【标签】：“深度学习-神经网络” 【正文】： 1. **街景数据采集**： 在这个项目中，首先进行了街景数据的采集，...
第R2周：Pytorch实现：LSTM-火灾温度预测
lihuhelihu的博客
08-07 1147
●LSTM 的输入张量的形状通常是 (seq_len, batch_size, input_size)，但如果设置了 batch_first=True，则形状为 (batch_size, seq_len, input_size)。●batch_first（可选参数）: 如果为 True，则输入和输出张量的形状为 (batch_size, seq_len, feature_size)，默认为 False。默认为 False。●hidden_size: 隐藏状态的维度，也是输出特征的维度。
深度学习 —— 个人学习笔记14（ResNet、DenseNet）
Springer的博客
08-06 280
本文章为个人学习使用，版面观感若有不适请谅解，文中知识仅代表个人观点，若出现错误，欢迎各位批评指正。文中部分知识参考：B 站 —— 跟李沐学AI；
3D靓图！CEEMDAN-Kmeans-VMD-CNN-BiLSTM-Attention双重分解卷积双向长短期注意力多元时序预测
最新发布
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
08-10 352
3D靓图！CEEMDAN-Kmeans-VMD-CNN-BiLSTM-Attention双重分解卷积双向长短期注意力多元时序预测
第R2周：LSTM-火灾温度预测：一文搞懂LSTM（长短期记忆网络）
lihuhelihu的博客
08-07 647
LSTM在许多问题上效果非常好，现在被广泛使用。长期依赖问题： 在传统的RNN中，当序列非常长时，网络往往会遇到梯度消失或梯度爆炸的问题，导致难以捕捉到序列中长距离的依赖关系。因此，LSTM通过引入门控结构和细胞状态，有效地解决了传统RNN在处理长序列数据时遇到的梯度消失、长期依赖等问题，使得其在语言建模、时间序列预测、机器翻译等任务中取得了显著的进展。●问题描述：RNN在处理长序列时，由于信息的传递是通过隐藏状态进行的，随着时间的推移，较早时间步的信息可能会在传递到后面的时间步时逐渐消失或被覆盖。
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