Python实现PDF字符分割 https://github.com/tianzhi0549/CTPN https://github.com/meijieru/crnn.pytorch周末加班啥也没干，编译了下这两个代码，看一下paper，大概效果论文中都有。 这边我选个一个PDF论文中一段，进行分割和翻译。如下图。分割效果如下：调试了几个参数，发现不太能够一个单词一个单词这样分割，将上图直接输入给CRNN是无法识别出其中的单
Tensorflow学习资料小结 转载的tensorflow学习资料，感谢总结！ 第一步：给TF新手的教程指南 原文 1：tf初学者需要明白的入门准备 机器学习入门笔记： https://github.com/aymericdamien/TensorFlow-Examples/blob/master/notebooks/0_Prerequisite/ml_introduction.ipynb MNIST 数据集入门笔记
SSD目标检测 SSD目标检测SSD是继yolo又一神作，对其理论这边就不介绍了，给上链接： http://blog.csdn.net/u011534057/article/details/52733686这边只讲代码编译，最近想试一下SSD的速度，看看在CPU端每秒能够检测几张图。原本一直编译C++(CAFFE)版本的，但是C++小白遇到很多问题，在同事的帮助下还是未能解决。后就选择编译TF的SSD，https
RCNN系类 RCNN → Fast RCNN → Faster RCNN 最近在浏览网页时看到RFCN，突然发现有一些知识点是之前学习时没有发现的，于是对RCNN系列进行了复习。 RCNN系列的博客已经很多很多了，这边就不再多说。这篇博客主要是对一些讲解RCNN系列网络较好的博客进行了总结。 RCNN： 1、http://blog.csdn.net/shenxiaolu1984/article/deta
李航统计学习方法-朴素贝叶斯法 今天看李航统计学习第四章–朴素贝叶斯，发现好多概率统计的概念都记不得了，于是只能找度娘，在找度娘的过程中，发现了一个很不错的博客： http://www.cnblogs.com/pinard/p/6069267.html 讲解的朴素贝叶斯算法通俗易懂。 如果不同全概率公式，可以百度一下，一看就懂。原本还比较懵懂的，看了这个瞬间懂了很多。配合李航书中的题目，对朴素贝叶斯能有更好的了解： （
李航统计学习方法-K邻近法 k邻近简单的理解一下就是，给定一部分带标签样本和一个未知标签样本，将未知标签样本和带标签样本一一比较求距离，然后根据最近k个样本来决定未知标签样本的类别。 如上图：确定圆圈的类别，如K=3，则为三角；若K=5，则为正方形。那么怎么求距离？选择何种求距离算法。 书中给出了Lp距离的求解： 除了距离度量外，K邻近法的K值如何选取也很重要，书中介绍如下： K值较小，模型较复杂，易过
李航统计学习方法--感知机 感知机的思想很简单：根据输入数据寻找一个超平面来将数据分开。感知机是神经网络和支持向量机的基础（如果知道神经网络或支持向量机，很容易看出）。感知机处理的数据集必须是线性可分得，神经网络和支持向量机在一些机制下就可以处理复杂的数据。不讲理论了，直接看书： 这边简单介绍了一下超平面。下面主要将如何表示感知机的误差（如果不懂点到平面距离自行百度），文中涉及的公式推到都比较简单，耐性看一下就可以理解下面就
李航统计学习方法：第一章 本系列主要涉及李航统计学习方法一书、各大牛博客和简单实例，前面主要理论讲解，大多是书本知识；由于数学基础知识忘得比较快，可能好多讲得不准确的地方，望各位指出；若文中有涉及各位版权的，请指出，本人会及时处理。第一章将的是一些理论上的东西，没有算法，没有太多公式推导： 主要涉及： 1、什么是监督学习（例如：带有标签的分类问题）。对应着就是无监督学习，半监督学习等。 2、统计学习三要素：模型、策略和
TFRecord格式数据和类似cifar的bin格式文件 主要参考链接： 1、TFrecord： https://github.com/kevin28520/My-TensorFlow-tutorials 2、Bin文件制作：http://blog.csdn.net/YhL_Leo/article/details/50801226（c++语言的） （代码有部分需要简单修改，我是一个c++小白，在这要感谢同时郭**的帮忙，另外python的制作
YOLO（You Only Look Once）--只需瞄一眼 本文主要参考：http://blog.csdn.net/u011534057/article/details/51244354 https://zhuanlan.zhihu.com/p/25045711?refer=shanren7 https://pjreddie.com/darknet/yolo/实习期间，想实现行人检测任务，要求速度上
数据增强(2) 数据增强(2) 上篇博客数据增强(1)中已经提到的一些方法，这篇是学习海康威视研究院2016ImageNet竞赛经验分享中的数据增强方式。 主要参考：https://zhuanlan.zhihu.com/p/23249000 http://www.cnblogs.com/arthurpro/p/6008609.html 数据增强对最后的
Tensorflow数据读取方式 Tensorflow数据读取方式 关于tensorflow（简称TF）数据读取方式，官方给出了三种： 供给数据（Feeding）：在TF程序运行的每一步，让python代码来供给数据。 从文件读取数据：在TF图的起始，让每一个管线从文件中读取数据。 预加载数据 ：在TF图中定义常量或者变量来保存数据（使用数据量较小的情况）。 的 一、供给数据 TF的数据供给机制允
CNN数据增强(1) 数据增强（Data Augmentation） 深度学习通常需要大量的数据作为支撑，看到那些公开的数据集，少的也有几十万张，但是在现实中，我们能拥有的数据集网络没有那么到。但是数据量少，往往会造成过拟合等问题，因此需要一些“奇巧淫技”来增强数据，正好本人在看斯坦福的CS231N课程中的这方面介绍，因此做个总结。结合课程和网上查看的资料，将Data Augmentation总结如下：1
关注
