天池&Datawhale- 街景字符编码识别

最新推荐文章于 2023-03-31 23:58:35 发布
最新推荐文章于 2023-03-31 23:58:35 发布
阅读量173 收藏
点赞数
分类专栏： 计算机视觉 文章标签： 人工智能 python
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/weixin_43905138/article/details/106367529
版权

天池&Datawhale- 街景字符编码识别
Task 3构建字符识别模型

CNN发展

LeNet-5
AlexNet
VGG-16
Inception-v1
ResNet-50

用pytorch构建CNN模型

pytorch中只需要定义好模型的参数和正向传播
可改进方向：
1.baseline中对每个字符是同等对待的，简单将每个字符分类的错误率相加，可考虑为不同位置字符分配不同的权重

goddesshs
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
天池学习赛——街景数字识别
07-04
【天池学习赛——街景数字识别】是一个旨在提升参赛者图像识别技术的比赛，特别是针对街景中的数字识别。在此次比赛中，参赛者需要利用机器学习或深度学习的方法，对街景图片中的数字进行准确的识别。这涉及到一系列...
毕业设计&课设-毕业设计&课设-天池-AI美年健康大赛初赛.zip
最新发布
06-22
该资源内项目源码是个人的课程设计、毕业设计，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ ## 项目备注 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请...
回顾经典天池CV赛题——街景字符识别
全栈O-Jay的博客
03-31 1066
下面将分享一个天池竞赛的经典题目——**街景字符识别**，流畅地过一遍基于pytorch的深度学习项目实战全过程。
天池学习赛:零基础入门CV - 街景字符编码识别
weixin_42920869的博客
04-28 2350
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、安装YOLOv51.拉取yolov5的代码2.下载模型3.配置环境4.测试二、动手实践街景字符编码识别1.查看数据2.读入数据总结 前言 阿里天池学习赛:街景字符编码识别 跟着官方的baseline走了一遍,准确率大概在0.48左右 现在想法是使用yolov5来提高精度.之前没咋接触过完整的完成一个项目,所以想记录下 一、安装YOLOv5 1.拉取yolov5的代码 git clone https://github.c.
天池——街景字符编码识别 1
weixin_43332422的博客
05-19 367
比赛地址：https://tianchi.aliyun.com/competition/entrance/531795/introduction 学习内容：https://github.com/datawhalechina/team-learning/tree/master/03%20%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89%E5%AE%9E%E8%B7%B5%EF%
基于PaddleOCR2.4的天池街景字符编码识别Baseline
m0_63642362的博客
01-07 729
基于PaddleOCR2.4，使用CRNN算法，骨干MobileNetV3，加载预训练模型，对现实街景字符编码进行识别
天池CV学习赛：街景字符识别-思路与上分技巧汇总
随煜而安的专栏
08-10 2726
Datawhale 和 天池 合作的零基础入门CV - 街景字符编码识别比赛的正式赛已经结束。本文对一些比赛思路和上分技巧进行了汇总和整理，希望对大家深入学习CV能够有帮助。 本文分为以下几部分： 如何优化官方baseline的效果？ 其它解题思路的整理和分析 字符级目标检测的优化技巧整理 在这里要特别感谢多位前排选手对于比赛技巧的无私分享，那么不多bb，下面直接进入正题 一、如何优化官方baseline的效果？ 本次入门赛的官方baseline入门材料，相信大家肯定都看过了: Task1
毕业设计&课设-毕业设计&课设-阿里云天池美年AI算法大赛Rank4.zip
06-22
该资源内项目源码是个人的课程设计、毕业设计，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ ## 项目备注 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请...
毕业设计&课设-阿里云天池算法大赛-美年大健康双高风险预测的解决方案.zip
06-22
该资源内项目源码是个人的课程设计、毕业设计，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ ## 项目备注 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请...
毕业设计&课设-毕业设计&课设-阿里云天池算法大赛 美年健康AI大赛—双高疾病风险预测解决方案：初赛43，复赛11.zip
06-22
该资源内项目源码是个人的课程设计、毕业设计，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ ## 项目备注 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请...
【天池比赛】街景字符编码识别
DawN
05-20 1364
一、赛题理解 1.注册报名 　　赛题链接：https://tianchi.aliyun.com/competition/entrance/531795/introduction 2.解析赛题数据 　　报名之后可以获取到比赛中用到的数据，训练集（图片+标签），验证集（图片+标签），测试集（仅图片），其中标签为json文件，可以转换为自己需求的标注文件。 训练集： 标签： 000000.png: {"height": [219, 219], "label": [1, 9], "left": [246, 323
阿里天池比赛——街景字符编码识别
CharmsLUO的博客
04-21 2534
文章目录前言一、街景字符编码识别1. 目标2. 数据集3. 指标总结 前言 之前参加阿里天池比赛，好久了，一直没有时间整理，现在临近毕业，趁论文外审期间，赶紧把东西整理了，5月底学校就要让我们滚蛋了，哭哭哭！！！大运会的牺牲品！！！ 一、街景字符编码识别 先说一下比赛的基本情况吧，没有认真比赛，所以，你懂的，下面提供一下比赛连接和我的代码连接，感兴趣的小伙伴可以下载玩一玩哈。 比赛连接：https://tianchi.aliyun.com/competition/entrance/531795/intr
天池——街景字符编码识别 4
weixin_43332422的博客
05-30 333
模型的训练与验证 在前面选定了网络结构和训练方式后，我们就要开始训练我们的数据集。 定义算法公式，也就是神经网络的前向算法。（前向算法的作用是计算输入层结点对隐藏层结点的影响，也就是说，把网络正向的走一遍：（输入层—->隐藏层—->输出层）计算每个结点对其下一层结点的影响。 ） 定义loss，选择优化器，来让loss最小 对数据进行迭代训练，使loss到达最小 在测试集或者验证集上对准确率进行评估 baseline中的前向传播在模型中已经定义了 ########前向传播算法 def forw
DataWhale街景字符编码识别项目-数据准备
Never__Say__No的博客
09-29 276
转自：https://segmentfault.com/a/1190000022771088 查看数据 在构建数据集之前，我们先对数据进行一些可视化，对数据有一个大致的了解。 文件路径如下， 将其保存为字典 data_dir = { 'train_data': '/content/data/mchar_train/', 'val_data': '/content/data/mchar_val/', 'test_data': '/content/data/mchar_test_a/',
天池学习赛——街景字符编码识别(得分上0.93)
小屋
04-05 6412
目录1 比赛介绍2 解题思路3 数据集制作4 模型训练5 更改detect.py文件5 结果检测5 上传文件 1 比赛介绍 项目链接：零基础入门CV - 街景字符编码识别 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），并根据一定方式采样得到比赛数据集。 数据集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
天池-街景字符编码识别3-字符识别模型
weixin_44023658的博客
05-24 566
3 字符识别模型 3.1常用CNN网络模型 LeNet-5——CNN经典网络模型详解（pytorch实现） AlexNet–CNN经典网络模型详解（pytorch实现） VGG——CNN经典网络模型（pytorch实现） GoogLeNet——CNN经典网络模型详解（pytorch实现） ResNet——CNN经典网络模型详解(pytorch实现) DenseNet——CNN经典网络模型详解(pytorch实现) MobileNet(v1、v2)——CNN经典网络模型详解（pytorch实现） 3.2
【天池——街景字符识别】 Task5 模型集成
snail9610的博客
06-02 227
文章目录集成学习方法深度学习中的集成学习DropoutTTASnapshot结果后处理小节 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模型可以使用如下方式进行集成： 对预测
天池新手赛——街景字符编码识别（五）
weixin_41694363的博客
06-02 242
天池新手赛——街景字符编码识别（五） Task 5 模型集成 常用的集成方法 Boosting方法训练基分类器时采用串行的方式，各个基分类器之间有依赖。它的基本思路是将基分类器层层叠加，每一层在训练的时候，对前一层基分类器分错的样本，给予更高的权重。测试时，根据各层分类器的结果的加权得到最终结果。 Bagging与Boosting的串行训练方式不同，Bagging方法在训练过程中，各基分类器之间无强依赖，可以进行并行训练。 集成学习一般可分为以下3个步骤。 （1）找到误差互相独立的基分类器。 （2）训练
天池 datawhale 街景字符编码识别
11-13
天池是一个著名的数据...总之，天池datawhale街景字符编码识别是一个具有挑战性和实际应用需求的竞赛项目，旨在推动计算机视觉和智能交通领域的技术发展，同时也为数据科学爱好者提供了一个学习和展示自己能力的机会。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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