街景字符编码识别 1

最新推荐文章于 2022-04-28 14:27:27 发布
最新推荐文章于 2022-04-28 14:27:27 发布
阅读量346 收藏
点赞数
文章标签： 机器学习
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/wjsjjss/article/details/106243942
版权

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：

enter image description here

2.3 数据标注信息（json文件）

  典型的目标检测标注文件

3 评价标准
  评价标准为准确率，选手提交结果与实际图片的编码进行对比，以编码整体识别准确率为评价指标，结果越大越好，具体计算公式如下：

 

4 提交的结果形式

  提交前请确保预测结果的格式与sample_submit.csv中的格式一致，以及提交文件后缀名为csv。

file_name, file_code
0010000.jpg,451
0010001.jpg,232
0010002.jpg,45
0010003.jpg,67
0010004.jpg,191
0010005.jpg,892

 

5 解题思路

  考虑先用检测的方式去识别字符。

 

 

 

 

wjsjjss
关注
零基础入门CV赛事—Task 1 街景字符编码识别
yungezier的博客
05-20 486
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
街景字符编码识别项目学习笔记（一）赛题理解
weixin_42716570的博客
05-19 477
datawhalecv项目系列学习博客（一）赛题理解
街景字符编码识别1
m0_37108647的博客
05-20 358
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
街景字符识别编码- 字符识别模型
single6的博客
05-26 361
字符识别模型CNN模型pytorch代码构建CNN模型pytorch代码构建CNN模型 CNN模型 pytorch代码构建CNN模型 CNN即卷积神经网络，是一种层次模型，输入的是原始的像素数据，CNN通过卷积、池化、非线性激活函数和全连接层构成。 层级结构主要是数据输入层/ Input layer，卷积计算层/ CONV layer，ReLU激励层 / ReLU layer，池化层 / Pooling layer，全，连接层 / FC layer； CNN作为一种端到端的结构。在CNN训练的过程中是直接从
街景字符编码识别-Baseline
bage的博客
05-21 1235
baseline思路：使用CNN进行定长字符分类； 运行系统要求：Python2/3，内存4G，有无GPU都可以 线上得分取决于训练轮数，假设比赛数据路径为…/input
CV入门实践-街景字符编码识别
qq_42942096的博客
05-20 825
1.运行环境搭建（Anaconda+pytorch）
天池——街景字符编码识别 3
weixin_43332422的博客
05-27 403
字符识别模型 目前主流的模型有CNN（卷积神经网络），RCNN（region with CNN features），Fast-RCNN，Faster-RCNN，YOLO等等 模型简介 CNN : 卷积神经网络 卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。是以卷积为核心的一大类网络。 特点：由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化
计算机视觉实践（街景字符编码识别）——Task03：字符识别模型
nanashi_F的博客
05-26 964
计算机视觉实践（街景字符编码识别）——Task03：字符识别模型 | 一、CNN介绍 (1.基本原理 2.卷积层 3.池化层 4.激励层) | 二、CNN发展 (1.LeNet-5(1998) 2.AlexNet(2012) 3.VGG-16(2014) 4.Inception-v1 (2014) 5.ResNet-50 (2015)) | 三、Pytorch构建CNN模型
天池新手赛——街景字符编码识别（三）
weixin_41694363的博客
05-26 273
天池新手赛——街景字符编码识别（三） Task 3 字符识别模型 基于CNN的图像分类网络 基于卷积神经网络的图像分类的发展经历了LeNet、AlexNet、VGG-16、InceptionV3、ResNet AlexNet： 1.网络更深 2.引入Relu激活层 3.在全连接层引入dropout防止过拟合 4.LRN（局部响应归一化） VGG-16 1.使用了更小的滤波器，更深的网络结构 2.小的卷积核与大的卷积核的感受野是相同的，还能减少参数，因而可以有更深的网络 3.使用batch normaliza
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
05-25 233
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 ...
零基础入门CV赛事- 街景字符编码识别
楚天云
06-03 300
零基础入门CV赛事- 街景字符编码识别 ask5 模型集成学习目标集成学习方法结果 学习目标 学习集成学习方法以及交叉验证情况下的模型集成 深度学习模型的集成学习 集成学习方法 Dropout：在每个训练批次中，通过随机让一部分的节点停止工作。同时在预测的过程中让所有的节点都其作用。 class SVHN_Model1(nn.Module): def __init__(self): super(SVHN_Model1, self).__init__() # C
街景字符编码识别项目学习笔记（四）CNN介绍及字符识别模型的pytorch实现
weixin_42716570的博客
05-26 1327
内容简介 本文主要介绍在项目应用中使用的卷积神经网络，及其在pytorch中的如何实现。 CNN介绍及其发展历程 CNN介绍 卷积神经网络(Convolutional Neural Network)是一类特殊的神经网络。同全连接神经网络等不同的是，卷积神经网络直接对二维数据乃至三维等高维数据进行处理，并且具有更高的计算精度和速度。尤其是在计算机视觉领域，CNN的应用非常广泛，使其成为了解决图像分类、图像检索、目标检测、语义分割的主流模型。 CNN当中应用的卷积操作和传统的图像处理及信号处理当中使用的卷积操作
街景字符识别
土豆
05-20 612
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
零基础入门CV- 街景字符编码识别（一）
惊鸿一现
05-20 830
赛题来自天池的零基础入门cv，这是本人第一次入门cv赛事，这里记录整个小比赛的过程、算法、总结等，希望大家能从中获取有用的知识。 赛题名称：街景字符编码识别（听名字就很有feel） 赛题任务：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，赛题数据采用公开数据集SVHN。 数据下载： https://pan.baidu.com/s/1RMnufb2KV_sGTO8HwKwQ5w 提取码：tiuy 数据介绍： 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
街景字符编码识别-task3：字符识别模型
weixin_44739206的博客
05-26 182
首先学习的是模型类的定义： 类中有两个函数： 一个是初始化函数__init__()，用来定义模型是如何构建的； 一个是前向传播函数forward()，用来定义数据是如何传递的。. 没有查资料，全凭自己理解，也有可能是不对的，等明天直播讲完再来更新。 但是为什么是并联六个全连接层，和最长是六位的字符有关系吗？ # 定义模型 class SVHN_Model1(nn.Module): def __init__(self): super(SVHN_Model1, self).__init_
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 2593
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.
【天池比赛】街景字符编码识别
DawN
05-20 1388
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
天池-街景字符编码识别-字符识别模型
josh的博客
05-26 299
文章目录CNN介绍CNN发展Pytorch构建CNN模型 CNN介绍 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，输入的是原始的像素数据。CNN通过卷积（c
CV-街景字符编码识别 Task2
叶筱的博客
05-23 519
怎么做好CV数据扩增？ 数据扩增（Data Augmentation）是用有限的数据产生更多的等价数据，以便克服训练数据不足的情况，在深度学习中应用广泛（之前我知道可以通过GAN生成对抗神经网络来扩增数据）。但是由于数据与真实数据之间的差异，也会不可避免噪声问题。 在很多领域训练都需要大量数据来避免之于过度拟合等问题，但是有些领域相对来说都是比较困难的（NLP），但是计算机视觉领域相对容易，即使引入噪声或裁剪图像的一部分，模型仍可以对图像进行分类，数据增强有一系列简单有效的方法可供选择，有一些机器学习
天池 datawhale 街景字符编码识别
最新发布
11-13
街景字符编码识别是指通过计算机视觉技术，对街道场景中的字符进行自动识别和分类。 街景字符编码识别是一项重要的研究领域，对于提高交通安全、城市管理和智能驾驶技术都具有重要意义。街道场景中的字符包括道路...
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