CV字符识别
猫街小巷�
这个作者很懒,什么都没留下…
展开
-
Task5 模型集成
5 模型集成5.1 集成学习方法在机器学习中的集成学习可以在一定程度上提高预测精度,常见的集成学习方法有Stacking、Bagging和Boosting,同时这些集成学习方法与具体验证集划分联系紧密。下面假设构建了10折交叉验证,训练得到10个CNN模型。那么在10个CNN模型可以使用如下方式进行集成:对预测的结果的概率值进行平均,然后解码为具体字符;对预测的字符进行投票,得到最终字符。5.2集成学习5.2.1 Dropout经常出现在在先有的CNN网络中,可以有效的缓解模型过拟合的情原创 2020-06-02 20:51:17 · 110 阅读 · 0 评论 -
Task4 模型训练与验证
4 模型训练与验证4.1 学习目标使用pytorch进行读取加载,了解调参的流程4.2构造验证集训练集(Training Set):帮助我们训练模型,简单的说就是通过训练集的数据让我们确定拟合曲线的参数。验证集(Validation Set):用来做模型选择(model selection),即做模型的最终优化及确定的,用来辅助我们的模型的构建,可选;测试集(Test Set): 为了测试已经训练好的模型的精确度。当然,test set这并不能保证模型的正确性,他只是说相似的数据用此模型会得出原创 2020-05-30 21:02:12 · 255 阅读 · 0 评论 -
Datawhale 零基础入门CV赛事-Task3 字符识别模型
3 字符识别模型3.1目标学习CNN的基础和原理使用pytorch搭建CNN模型3.2CNN介绍CNN是层次模型,输入的是原始的像素数据。CNN有卷积层、池化层、激活函数、全连接层组成。下图为LeNet的结构,两个卷积、两个池化、两个全连接组成。卷积核5*5,stride=1,最大池化层。3.3 Pytorch构建CNN模型这个CNN模型包括两个卷积层,最后并联6个全连接层进行分类。# 定义模型class SVHN_Model1(nn.Module): def __init原创 2020-05-26 17:10:25 · 97 阅读 · 0 评论 -
零基础入门CV赛事—Task2 数据读取与数据扩增
零基础入门CV赛事—Task2 数据读取与数据扩增本章学习【定长字符识别】来构建模型,逐步讲解解决方案和知识点。2数据读取过程与扩增2.1 学习目标学习Python和Pytorch中图像读取学会扩增方法和Pytorch读取赛题数据2.2图像读取主要学习一下pillow和OpenCV的操作2.2.1 pillowfrom PIL import Image,ImageFilterim = Image.open('cat.jpg')im2 = im.filter(ImageFilter.B原创 2020-05-23 22:48:05 · 105 阅读 · 0 评论 -
Datawhale 零基础⼊⻔CV赛事-Task1 赛题理解
Datawhale 零基础⼊⻔CV赛事-Task1 赛题理解本章内容将会对街景字符识别赛题进⾏赛题背景讲解,对赛题数据的读取进⾏说明,并给出集中解题思路。1 赛题理解1.1 学习⽬标List item 理解赛题背景和赛题数据完List item 成赛题报名和数据下载,理解赛题的解题思路1.2 赛题数据赛题以街道字符为为赛题数据,数据集报名后可⻅并可下载,该数据来⾃收集的SVHN街道字符,并进⾏了匿名采样处理。1.3 数据标签原始图片:图片JSON标注:标题1.4评测指标原创 2020-05-20 22:06:30 · 145 阅读 · 0 评论