入门CV竞赛
Void_Pointer -
这个作者很懒,什么都没留下…
展开
-
街景字符编码识别 - Task5 - 模型集成
街景字符编码识别 - Task5 - 模型集成集成学习方法深度学习中的集成学习DropoutTTASnapshot结果后处理 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。 由于深度学习模型一般需要较长的训练周期,如果硬件设备不允许建议选取留出法,如果需要追求精度可以使用交叉验证的方法。 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模原创 2020-06-02 20:44:53 · 219 阅读 · 0 评论 -
街景字符编码识别 - Task4 - 模型训练与验证
街景字符编码识别 - Task4 - 模型训练与验证前言构造验证集验证集的划分模型训练与验证pytorch的交叉熵损失nn.CrossEntropy模型保存与加载模型调参流程数据增强 -- 椒盐噪声 前言 一个成熟合格的深度学习训练流程至少具备以下功能: 在训练集上进行训练,并在验证集上进行验证; 模型可以保存最优的权重,并读取权重; 记录下训练集和验证集的精度,便于调参。 构造验证集 在机器学习模型(特别是深度学习模型)的训练过程中,模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐原创 2020-05-30 17:26:27 · 322 阅读 · 0 评论 -
街景字符编码识别 - Task3 - 字符识别模型
街景字符编码识别 - Task3 - 字符识别模型CNN卷积CNN发展Pytorch构建CNN模型 CNN 卷积神经网络(简称CNN)是一类特殊的人工神经网络,是深度学习中重要的一个分支。CNN在很多领域都表现优异,精度和速度比传统计算学习算法高很多。特别是在计算机视觉领域,CNN是解决图像分类、图像检索、物体检测和语义分割的主流模型。 CNN每一层由众多的卷积核组成,每个卷积核对输入的像素进行卷积操作,得到下一次的输入。随着网络层的增加卷积核会逐渐扩大感受野,并缩减图像的尺寸。 CNN是一种层次模型,输入原创 2020-05-26 21:57:24 · 280 阅读 · 0 评论 -
街景字符编码识别 - Task2 - 数据读取与数据扩增
街景字符编码识别 - Task2 - 数据读取与数据扩增图像读取OpenCV读取图片OpenCV显示图片数据扩增数据扩增方法常用的数据扩增库pytorch读取数据重载Dataset定义Dataset 图像读取 OpenCV读取图片 import cv2 # 导入Opencv库 img = cv2.imread('cat.jpg') # Opencv默认颜色通道顺序是BRG,转换一下 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) 使用cv.imread()函数读取原创 2020-05-23 16:53:37 · 331 阅读 · 0 评论 -
街景字符编码识别 - Task1 -赛题理解
街景字符编码识别 - Task1 -赛题理解赛题数据标签评价标准结果提交读取数据解题思路简单入门思路:定长字符识别专业字符识别思路:不定长字符识别专业分类思路:检测再识别本章小节 赛题 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。 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,测原创 2020-05-20 17:44:30 · 356 阅读 · 0 评论