【机器学习】英文手写体文本识别系统链接收集

已于 2023-11-04 18:29:05 修改
阅读量794 收藏 5
点赞数 3
分类专栏： 机器学习 文章标签： python 机器学习 tensorflow
于 2023-11-04 18:28:41 首次发布
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/qq_39852641/article/details/134215903
版权

Github项目地址：
https://github.com/arthurflor23/handwritten-text-recognition

IAM手写体数据集下载：
https://fki.tic.heia-fr.ch/databases/download-the-iam-handwriting-database

数据集划分Task下载：
https://fki.tic.heia-fr.ch/static/zip/largeWriterIndependentTextLineRecognitionTask.zip

入门教程：
https://lacusrinz.github.io/2020/02/06/handwritting/

最大的英文手写数据集——IAM- ondb 简介、下载、读取、使用、分割及深度学习实战
沉迷单车的追风少年
11-25 4019
前言：最近在做sketch相关的，接触到一个很经典的英文手写数据集IAM，本文详细介绍一下IAM的下载、读取、使用、以及深度学习项目实战。 目录 简介 数据格式 读取 class 实例化应用举例 下载 深度学习实战 简介 AM在线手写数据库(IAM- ondb)包含在白板上获取的手写英文文本的形式。它可以用来训练和测试手写文本识别器，并进行作者识别和验证实验。该数据库在2005年ICDAR会议上首次发表于[LiBu05-03]。该数据库包含了通过电子束系统获取的各种形式的无约束手写文.
基于长短期记忆网络的复杂序列生成方法
最新发布
qq_35480722的博客
03-07 1030
这篇文档展示了LSTM在生成复杂序列方面的强大能力，特别是在处理长距离依赖关系和生成高质量的文本和手写数据方面。通过条件生成模型，LSTM能够模仿特定的书写风格，生成多样化的高质量数据。这些技术不仅在学术领域具有重要意义，也为实际应用提供了新的可能。
IAM Handwriting Database
08-10
https://github.com/cs-chan/Total-Text-Dataset/tree/master/Dataset
IAM Handwriting Database A_D
08-10
IAM Handwriting Database A_D
Handwriting Database
u011661040的专栏
10-14 3473
http://www.gavo.t.u-tokyo.ac.jp/~qiao/database.html Handwriting Database This page lists some on/off-line handwriting database for academic use. Some of them can be downloaded free while others
IAM Handwriting Database A_D_part2
08-10
IAM Handwriting Database A_D_part2
IAM Handwriting Database I-Z part2
08-10
IAM Handwriting Database I-Z part2
手写体识别_matlab_手写体_手写体识别_手写体在matlab的识别_
09-29
手写体识别是一种计算机视觉领域的关键技术，用于将手写的字符转换为可编辑的文本。MATLAB作为一款强大的数值计算和编程环境，提供了丰富的工具箱和函数来实现这一过程。本项目主要关注如何在MATLAB中进行手写体识别...
手写字体识别_matlab_手写识别_手写体识别_
10-02
手写体识别是一种计算机视觉领域的关键技术，用于将手写的字符转换为可读的文本或数字。在本项目中，我们关注的是使用MATLAB实现的手写体识别系统。MATLAB是一种强大的编程环境，特别适合于数值计算和数据分析，因此...
图像识别-文字识别——手写体汉字识别(Python)
urhero的专栏
11-26 1128
要实现手写文字的识别，可以使用Python的AI库，例如TensorFlow或PyTorch，来构建一个深度学习模型。预测和使用：完成模型训练后，可以使用模型来进行手写体文字的识别。模型部署和优化：在部署模型到实际应用中时，可以使用一些优化技术，如量化、剪枝、模型压缩等，以减少模型大小和加速推理过程。模型集成：使用多个训练好的模型进行预测，然后通过投票或加权平均的方式获得最终的预测结果，可以提高识别准确率。数据增强技术：使用数据增强技术可以扩充训练数据集，例如旋转、缩放、平移、翻转等，以增强模型的鲁棒性。
人工智能四则运算手写体识别训练模型
06-07
人工智能领域的发展催生了诸多创新技术，其中，手写体识别作为一项重要的应用，尤其在数学教育、智能办公及数据自动化处理等领域显示出巨大潜力。本文将深入探讨一款专门针对四则运算手写体进行识别训练的人工智能...
HandWritingDataSet::pencil:一个用于手写图像的有组织的数据集
05-12
手写数据库 这是来自的组织。 在原始数据库中，所有图像都是混合的，与编写者无关。 提供文件“ forms_for_parsing.txt”来确定单个笔迹与其书写者之间的关系。 在此存储库中，收集了50个手写图像数量最多的作家，并且根据其作家对这些图像进行了分类。 方便进行训练/验证/测试拆分和标记。 参考 U. Marti和H. Bunke。 IAM数据库：用于离线手写识别的英语句子数据库。 诠释文档分析与识别杂志，第5卷，第39-46页，2002年。
iam-dataset:一个整合的 AWS IAM 数据集
07-23
IAM 数据集 （目前有点乱） 一系列工具，用于开发从 SDK 调用到 IAM 操作以及托管策略评估的综合映射 ( map.json )。 它目前用于支持： 映射工具托管版本： : 。 map.json 语法定义 ${PropertyName} - PropertyName属性的变量替换 . - 对象/地图中的属性 [] - 对于数组中的每个值 %%urlencode%${PropertyName}%% - 对PropertyName属性执行 URL 编码 %%many%${PropertyName}%${PropertyName2}%${PropertyName3}%% - 对于每个PropertyName 、 PropertyName2和PropertyName3属性（任意长度） %%iftemplatematch%${ArnProperty}%% - 仅当模板与资源类型的
ocr-handwriting-python3-demo.zip
08-23
科大讯飞手写识别
基于TensorFlow深度学习手写体数字识别及应用.pdf
08-18
"基于TensorFlow深度学习手写体数字识别及应用.pdf" 本文档主要介绍了基于TensorFlow深度学习手写体数字识别及应用的技术。文中首先介绍了深度学习的概念和发展历程，然后介绍了基于TensorFlow的深度学习框架的构建...
handwritten dataset手写体数据集(IAM,RIMES,CVL)
hxxjxw的博客
07-25 3721
IAM RIMES CVL
OCR 手写体英语作文扫描数据集
qq_34885913的博客
08-14 2607
本文提供OCR 手写体英语作文扫描数据集，给深度学习的同学训练和测试使用。
English handwriting
miren6
12-05 369
1. http://www.schoolfonts.com/index.html  
【Tensorflow深度学习】实现手写字体识别、预测实战（附源码和数据集 超详细）
showswoller的博客
12-05 4624
【Tensorflow深度学习】实现手写字体识别、预测实战（附源码和数据集 超详细）
CRNN手写体文本识别系统
02-23
### CRNN 手写体文本识别系统实现教程 #### 1. 环境准备 为了构建CRNN手写体文本识别系统，首先需要安装必要的库。主要依赖于Keras和其他辅助工具。 ```bash pip install keras tensorflow opencv-python numpy pillow h5py ``` #### 2. 数据预处理 数据预处理阶段对于任何机器学习项目都至关重要，在此过程中会加载并清理数据集以便后续训练模型。这里假设已经下载了一个合适的手写字符数据库，比如IAM Handwriting Database[^3]。 ```python import cv2 from PIL import Image import numpy as np def preprocess_image(image_path): img = Image.open(image_path).convert('L') # 转灰度图 img = img.resize((100, 32)) # 统一尺寸到固定大小 img_array = np.array(img) / 255. # 归一化像素值至[0,1] return img_array.reshape(1, 32, 100, 1) image_data = [] labels = [] for image_file in dataset_files: label = get_label_from_filename(image_file) processed_img = preprocess_image(image_file) image_data.append(processed_img) labels.append(label) ``` #### 3. 构建CRNN模型架构 CRNN结合了CNN的空间特征提取能力和RNN的时间序列分析能力来解决复杂的OCR问题。下面是一个简单的CRNN结构定义： ```python from keras.models import Model from keras.layers import Input, Dense, LSTM, Reshape, TimeDistributed, Bidirectional from keras.layers.convolutional import Conv2D, MaxPooling2D from keras.layers.normalization import BatchNormalization input_tensor = Input(shape=(32, None, 1)) # 卷积层部分 conv_1 = Conv2D(64, kernel_size=3, activation='relu', padding='same')(input_tensor) pooling_1 = MaxPooling2D(pool_size=(2, 2))(conv_1) batch_norm_1 = BatchNormalization()(pooling_1) conv_2 = Conv2D(128, kernel_size=3, activation='relu', padding='same')(batch_norm_1) pooling_2 = MaxPooling2D(pool_size=(2, 2))(conv_2) batch_norm_2 = BatchNormalization()(pooling_2) reshape_layer = Reshape(target_shape=(int(batch_norm_2.shape[2]), int(batch_norm_2.shape[1]) * int(batch_norm_2.shape[3])))(batch_norm_2) # 双向LSTM层 blstm_1 = Bidirectional(LSTM(units=256, return_sequences=True), merge_mode="concat")(reshape_layer) dense_1 = TimeDistributed(Dense(len(characters)+1))(blstm_1) model = Model(inputs=input_tensor, outputs=dense_1) ``` 此处`characters`变量应包含所有可能的目标字符集合加上空白符作为CTC损失函数的一部分[^1]。 #### 4. 训练过程配置 设置好上述网络之后就可以编译它，并准备好相应的优化器和损失函数来进行训练。通常情况下会选择AdamOptimizer以及CTCLoss作为默认选项。 ```python from keras.optimizers import Adam from keras.backend.tensorflow_backend import set_session import tensorflow as tf config = tf.ConfigProto() config.gpu_options.allow_growth = True set_session(tf.Session(config=config)) optimizer = Adam(lr=0.001) model.compile(loss={'ctc': lambda y_true, y_pred: y_pred}, optimizer=optimizer) history = model.fit(x=image_data, y=np.zeros(len(labels)), # CTC loss does not require true values here. batch_size=32, epochs=100, validation_split=0.2) ``` 注意这里的y参数传入的是全零数组，因为在计算CTC Loss时并不需要用到真实的label信息；相反，这些标签会在调用decode_predictions()方法解码预测结果的时候被用来评估性能指标。 #### 5. 测试与部署 完成训练后可以保存权重文件用于未来推理任务中快速加载模型。同时也可以编写一些脚本来测试新样本上的表现情况。 ```python model.save_weights('./crnn_model.hdf5') test_images = [preprocess_image(path) for path in test_set_paths] predictions = model.predict(np.vstack(test_images)) decoded_texts = decode_predictions(predictions) print(decoded_texts) ``` 以上就是关于如何利用Python/Keras框架搭建一个基本版的CRNN手写体文本识别系统的介绍。
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