- 博客(5)
- 收藏
- 关注
原创 模型训练与验证
模型训练与验证模型训练与验证模型分析解决方法模型训练与验证采用CenterNet模型检测头和ResNet18 backbone搭建了模型,训练完成100epoch,但是模型检测率百分之50左右模型分析推测模型精度不高在于网络采用了decoder结构,导致模型输出分辨率太大,误检太多解决方法降低模型输出分辨率,重新训练模型...
2020-05-30 23:56:42
452
原创 字符识别模型
字符识别模型backbone选取检测头选取损失函数构建模型实现backbone选取初步选定resnet18作为encoder一共进行三次降采样进行特征提取,并构建可变形卷积的decoder进行三次上采样到原始图像大小检测头选取检测头包括33卷积,RELU和11卷积,在上采样的特征图上进行密集像素每个位置像素是中心点的置信度。损失函数构建损失函数采用cornernet中改进的FocalLoss,在每个真值中心点位置通过高斯平滑生成真值中心点热图,模型实现模型采用Pytorch框架实现,并利用i
2020-05-26 23:46:41
177
原创 数据读取与数据扩增
数据读取与数据扩增模型选取数据读取和扩增模型选取由于每个图片的字符个数不定,所以将字符识别建模为目标检测,采用目标检测模型进行字符的识别。模型backbone采用encoder-decoder架构的resnet18,在encoder部分采用resnet常规的降采样步长为8,在decoder部分采用可变性卷积和转置卷积上采样到步长为2。检测头采用centernet结构,但是只进行中心点分类,不对box进行回归。推理阶段直接采用maxpooling代理nms进行后处理得到所有字符预测结果。数据读取和扩
2020-05-23 23:20:57
131
原创 街景字符编码识别赛题理解
街景字符编码识别赛题理解赛题数据问题赛题数据赛题的数据为街景字符图片,类似于MNIST数据集,但是更加困难,每张图片分辨率都很低,图片中的字符有大有小,存在尺度不一致的问题;按照赛题的要求只要识别是每张图片包含几个字符,每个字符是什么就可以了,这样可以简单将其定义为一个图像分类问题,但是每个图片的字符个数不确定,而且位置不确定,因为每个字符的类别仅仅与相应的局部的特征有关,仅仅通过对全局的特征进行分类并不能得到很好的效果;其次赛题数据不仅提供了字符类别也提供了每个字符的位置信息,所以也可以将改题定义为
2020-05-20 20:01:36
183
原创 关于坐标旋转 平移理解
旋转矩阵计算的结果是绕着原点(经过本地坐标系原点的坐标轴旋转),坐标系旋转和坐标点旋转是不同的,坐标系逆时针旋转相当于坐标点顺时针旋转。以下旋转矩阵是针对坐标系逆时针旋转并且是点坐标右乘旋转矩阵,如果是旋转矩阵右乘点坐标的话,旋转角度需要加负号:R(x)=\begin{bmatrix} 1& 0& 0\\ 0& cos(\theta )& sin(\theta ...
2018-10-29 10:22:03
3914
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人