街景识别-零基础入门-task1

最新推荐文章于 2023-11-22 17:46:48 发布
最新推荐文章于 2023-11-22 17:46:48 发布
阅读量3.5k 收藏 1
点赞数 1
文章标签： cv
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/secker123/article/details/106238150
版权
本文介绍了街景字符识别任务，包括目标、数据集、识别思路及评测指标。使用Google街景图像数据集，训练集有3W张图片，验证集1W张，测试集4W张。识别思路分为定长和不定长两种，评测标准是整体识别准确率。对于初学者，文章提供了一个简单的CV学习入口。
摘要由CSDN通过智能技术生成

街景识别-理解篇

名称

街道字符识别

目标

1.以计算机视觉为背景，预测街道字符编码，完成字符识别。
2.走进计算机视觉领域，锻炼并提高对数据建模的能力。

数据

数据集来自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到实验数据集。数据集在阿里云 天池报名后可见并可下载，该数据来自真实场景的门牌号。训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。
在这里插入图片描述
训练集给出每张图片的lable和图片中具体字符框位置（每一个数字均有一个字符框），验证集和测试集给出字符位置。
在这里插入图片描述
字符位置说明

思路

街景字符识别的实质为分类问题，需要对图片中字符进行识别。但每副图片中数字个数不一

最低0.47元/天 解锁文章
secker123
关注
计算机视觉（一）-----街景字符识别简介及代码实例
疯子书生的博客
05-20 2552
目录1.简介1.1 思路1.2 运行环境及安装示例2.代码实例2.1. 导入常用的包：2.2. 定义好读取图像的Dataset2.3. 定义好训练数据和验证数据的Dataset2.4. 定义好字符分类模型，使用renset18的模型作为特征提取模块2.5. 定义好训练、验证和预测模块2.6. 迭代训练和验证模型2.7. 对测试集样本进行预测，生成提交文件2.8. 加载保存的最优模型 1.简介 数据集来源为Google街景图像中的门牌号数据集（The Street View House Numbers Dat
街景识别-数据读取与数据扩增
secker123的博客
05-23 1087
数据读取与数据扩增一、学习目标二、图像读取2.1 pillow2.2 OpenCV三、数据扩增四 Pytorch赛题读取 一、学习目标 1.1 学习Python和Pytorch中图像读取 2.2 学会扩增方法和Pytorch读取赛题数据 二、图像读取 2.1 pillow pillow是Python图像处理函数库（PIL）的一个分支。Pillow提供了常见的图像读取和处理的操作，而且可以和ipython notebook无缝集成，是应用比较广泛的库。 pillow官方文档. 2.2 OpenCV OpenC
街景字符识别
土豆
05-20 642
赛事介绍 比赛连接：https://tianchi.aliyun.com/competition/entrance/531795/introduction 一、赛题数据 赛题来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），该数据来自真实场景的门牌号。训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。所有的
kaggle之识别谷歌街景图片中的字母
lijingpeng的专栏
08-21 2545
识别谷歌街景图片中的字母https://github.com/lijingpeng/kaggle/tree/master/competitions/image_recognizestreet-view-getting-started-with-julia 让我们从谷歌街景的图片中鉴定字母，这个题目是让我们学习和使用Julia，Julia有python和R的易用性，有C语言的速度
街景字符编码识别 1
wjsjjss的博客
05-20 367
1 比赛说明 比赛链接：https://tianchi.aliyun.com/competition/entrance/531795/introduction 比赛任务：以计算机视觉中字符识别为背景，要求参赛者预测真实场景下的字符识别，这是一个典型的字符识别问题——零基础入门CV赛事之街景字符识别。 2.2 数据集 训练集：3W张照片 验证集：1W张照片 测试集A：4W张照片 测试集B：4W张照片 每张照片包括颜色图像和对应的编码类别和具体位置，如下图所示： 2.3 数据标注信息（json文
街景字符识别Baseline解析
weixin_41940752的博客
05-23 575
上一篇文章已经将pytorch环境配置完毕，本篇对baseline代码进行解析。下一篇文章将对baseline进行改进。 相关库导入 import os, sys, glob, shutil, json os.environ["CUDA_VISIBLE_DEVICES"] = '0' ##用于指定用哪块GPU import cv2 from PIL import Image import numpy as np from tqdm import tqdm, tqdm_notebook ##时间进
天池零基础入门CV赛事- 街景字符编码识别-Task3-字符识别模型
christianzhang93的博客
05-26 378
天池零基础入门CV赛事- 街景字符编码识别-Task3-字符识别模型Pytorch构建CNN模型模型搭建训练模型使用预训练模型 Pytorch构建CNN模型 在上一章节我们讲解了如何使用Pytorch来读取赛题数据集，本节我们使用本章学习到的知识构件一个简单的CNN模型，完成字符识别功能。 在Pytorch中构建CNN模型非常简单，只需要定义好模型的参数和正向传播即可，Pytorch会根据正向传播自动计算反向传播。 在本章我们会构建一个非常简单的CNN，然后进行训练。这个CNN模型包括两个卷积层，最后并联6
街景字符识别Task1学习笔记
Tralia的博客
05-20 170
1.本人使用的笔记本显卡是GTX1660Ti-MQ 6G，使用GPU跑baseline需要将步骤5的use_cuda改成True。 2.在运行程序时候遇到如下报错： 原因是GPU里存的tensor无法转为numpy数组，需要先转为cpu类型的tensor，解决方案如下： 在data后加.cpu()即可。 3.程序跑通后将epoch设置为10，其他超参不变的情况下，比较batchsize分别为30,40,64时模型迭代10后的效果发现batchsize=40时效果最好，可以在batchsize为40与64之间
零基础入门CV赛事—街景字符编码识别—task3字符识别模型
Libaididi的博客
05-25 247
零基础入门CV赛事—街景字符编码识别—task3字符识别模型 在前面的章节，我们学习了赛题的背景知识和赛题数据的读取。本章开始构建一个字符识别模型，基于对赛题理解本章将学习构建一个定长多字符分类模型。 字符识别模型 ...
街景字符识别task2学习笔记
Tralia的博客
05-23 173
1.cv2读取数据默认是BGR格式，转换成RGB格式为： img = cv2.imread(‘cat.jpg’) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) 2.cv2格式与PIL格式互转： PIL转cv2 pil_image = PIL.Image.open(‘image.jpg’) cv_image = cv2.cvtColor(numpy.asarray(pil_image), cv2.COLOR_RGB2BGR) cv2转PIL pil_im2 = Imag
零基础入门CV赛事—Task 1 街景字符编码识别
yungezier的博客
05-20 526
一、赛题背景 赛题名称：本次新人赛是Datawhale与天池联合发起的零基础入门系列赛事第二场 —— 零基础入门CV赛事之街景字符识别。 赛题目标：赛题以计算机视觉中字符识别为背景，要求选手预测真实场景下的字符识别，这是一个典型的字符识别问题。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
【阿里云天池】实战：街景符号识别（背景介绍+思路）
daweq的博客
10-25 522
赛题来源自Google街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），并根据一定方式采样得到比赛数据集。赛题的要求是根据给出的图片，识别图片上的数字（门牌号）。对于每张图片还会给予数据标签，目的是确定字符的具体位置。Score=编码识别正确的数量/测试集图片数量。
街景字符识别—赛题理解
lz你ps的博客
05-20 383
目录1. 赛题背景2. 赛题数据3. 评分标准4. 解题思路 1. 赛题背景 赛题以计算机视觉中字符识别为背景，要求选手预测真实场景下的字符识别，这是一个典型的字符识别问题。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。 2. 赛题数据 赛题来源自Google街景图像中的门牌号数据集，训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集A包括4W张照片，测试集B包括4W张照片。 为
【阿里云天池】实战：街景符号识别（baseline优化方式之数据增强）
daweq的博客
11-07 464
测试集，训练集和验证集他们虽然都是街景图片，但是由于照片角度的问题，这三个集的照片所处的“环境”不太一样，这就导致，我们训练出的数据，可能在验证集和测试集上不能达到更好地效果。正确率这次来到了0.747，感觉还可以，就是有点玩花招的感觉了，当然了这也可以算是数据处理的一部分，不过第一时间很难看出来了。具体的做法就是，在读取数据的时候，对数据进行预处理时，对不同的集，采用不同的图片大小预处理方法。具体的来说，测试集和验证集的图片距离更远，也就是更加不好识别，测试集的图片反而更好识别一些。
零基础入门CV--街景字符识别（阿里天池学习赛）
gubeiqing的博客
04-28 1003
零基础入门CV–街景字符识别（阿里天池学习赛） 比赛链接传送门：零基础入门CV - 街景字符编码识别-天池大赛-阿里云天池 1.简介 该比赛以SVHN街道字符为赛题数据，数据集报名后可见并可下载，该数据来自收集的SVHN街道字符，并进行了匿名采样处理，详细的介绍见赛事官网 。 首先看它们的数据组成以及特点，链接比赛里面的论坛的Task1-5是对这个比赛大致的讲解，大家可以先去看看。总的来说，train是3W张，val是1W张，test是4W张。里面都是数字，有1个，2个…6个数字组成，你要把它们识别出来，以
真*零基础入门CV--街景字符识别（阿里天池学习赛）
weixin_47349091的博客
03-24 1314
最新玩了一下阿里天池学习赛（当调参侠），觉得街景字符识别这个比赛还是对新手相对友好的，感兴趣的可以去参加。 传送门：https://link.zhihu.com/?target=https%3A//tianchi.aliyun.com/competition/entrance/531795/introduction 下面大概记录一下我大概的操作以及心得： 简介 首先看它们的数据组成以及特点，链接比赛里面的论坛的Task1-5是对这个比赛大致的讲解，大家可以先去看看。总的来说，train是3W张，val是1W
街景字符识别task4学习笔记
Tralia的博客
05-30 229
在baseline基础上尝试过多种可能提高模型预测精度的思路，其中只有两种获得了一定程度的提升：（1）增加数据扩增多样性，降低过拟合；（2）将全连接层改为卷积层。 1 增加数据扩增多样性 train_loader = torch.utils.data.DataLoader( SVHNDataset(train_path, train_label, transforms.Compose([ transforms.Resize((6
Datawhale零基础入门CV赛事(街景字符编码识别)-Task1 赛题理解
qq_37791134的博客
05-19 375
2020.5.19 背景 零基础入门CV赛事- 街景字符编码识别是Datawhale联合天池举办的CV入门学习赛，赛题以计算机视觉中字符识别为背景，要求选手预测真实场景下的字符识别，这是一个典型的字符识别问题。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。 学习目标 理解赛题背景和赛题数据 完成赛题报名和数据下载，理解赛题的解题思路 了解赛题 赛题数据 赛题来源自Google街景图像中的门牌号数据集（The Street View House N
AI：87-基于深度学习的街景图像地理位置识别
最新发布
一键难忘的博客
11-22 1024
基于深度学习的街景图像地理位置识别 随着深度学习技术的飞速发展，人工智能在各个领域展现出强大的潜力。其中，基于深度学习的街景图像地理位置识别成为近年来备受关注的研究方向之一。本文将深入探讨深度学习在街景图像地理位置识别中的应用，介绍相关算法和技术，并附上实际代码示例。 街景图像地理位置识别是指通过分析街景图像，确定图像中拍摄的具体地理位置的过程。这对于导航、地图更新和城市规划等应用具有重要意义。传统方法中，往往需要手工设计特征和规则，但随着深度学习的兴起，可以通过神经网络从大量数据中学习表示，取得更好的效果
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