第十九章 应用举例：照片OCR

课时147 问题描述与OCR pipeline
照片OCR：photo optical character recognition照片光学字符识别：注重的问题是如何让计算机读出图片中的文字信息：
1.文字检测 2.字符分割 3.字符分类

这个过程称作机器学习流水线。

课时148 滑动窗口分类器
滑动窗口是一项用来从图像中抽取对象的技术。
1.文字检测阶段：文字检测有点像检测行人的问题，检测行人更简单因为人的长宽比基本是固定的。建立行人检测系统：

首先用许多固定尺寸的图片来训练一个能够准确识别行人的模型，然后用用之前训练识别行人的模型时所采用的图片尺寸在要进行人识别的图片上进行剪裁，然后将剪裁得到的切片交给模型，让模型判断是否是行人，然后在图片上滑动剪裁区域重新进行剪裁，将新剪裁的切片也交给模型进行判断，如此循环直至将图片全部检测完。
一旦完成后，我们按比例放大剪裁的区域，再以新的尺寸对图片进行剪裁，将新剪裁的切片缩小至模型所采纳的尺寸，交给模型进行判断，如此循环。

文字检测系统：

2.字符分割阶段：

3.字符分类阶段：利用神经网络、支持向量机或逻辑回归算法训练一个分类器即可。

课时149 获取大量数据和人工数据
一个好的模型是低偏差且有大量数据的。有时我们需要人工创造更多数据：人工数据合成artificial data synthesis，有两种方法。
第一种是从零开始创造实例。以文字识别应用为例，可以从字体网站下载各种字体，如何利用这些不同的字体配上各种不同的随机背景创造出一些用于训练的实例，这让我们能够获得一个无限大的训练集。
另一种是利用已有的数据进行修改，例如将已有的字符图片进行一些扭曲、旋转、模糊处理，即加入一些噪音，但这样的处理应该是有现实意义的，就是说实际数据有可能和经过这样处理的数据类似。再例如处理声音时，加入模拟信号不好的声音，或街道上嘈杂的声音等，现实中确实存在这样的情况。
获得更多数据的方法：
1.collect/label it yourself 手动收集、标记数据：当你计算标记一个数据的时间、标记10000个数据的时间，会惊讶地发现在短短几天或几周就可以获得更多的数据，得到很好的模型。
2.artificial data synthesis 人工数据合成
3.“Crowd source”众包：雇人帮你标记大量训练集,如Amazon Mechanical Turk

课时150 天花板分析ceiling analysis：下一步工作的流水线

天花板分析ceiling analysis：在表格中，第二列是模型整体准确率。第一行是模型准确率，第二行是当给流水线的第一步text detection文本检测一个完美的结果的模型准确率，第三行是当给流水线第一步和第二步字符分割完美结果的准确率，第四行是当给流水线所有步骤完美结果时的模型准确率，当然就是100%。
分析中，每步的差值表示这步努力的天花板，也就是如果更加完善text detection文本检测这一步最多可以使得模型准确率提高17%，而character segmentation字符分割最多只可以使得准确率提高1%，character recognition字符分类这步最多可以使准确率提高10%。因此，text detection文字检测最值得花时间，而研究character segmentation字符分割不会对模型整体提高有太多帮助。

令一个例子：


我们知道天花板分析很重要，而不是依靠自己的直觉来选择把时间花在哪里，直觉不可靠的哦。