从去年开始文字识别工程化后一直思考一个问题:汉子在复杂在背景下怎么更好的识别,阅读了大量的论文累计有300篇左右和清华出版社的那本字典一样的书发现贝叶斯这种理论确实存在上下限问题这就导致你inference一旦某些字识别错误将会整个识别系统np.NAN,这个问题的具体如果喜欢研究可以发邮件深入讨论。在此我非常幸运感谢前辈帮我们踩坑把线性和非线性的问题直接解决,而如今我在深度学习中发现已经不是那种单一的模态问题,而是空间融合和多模态融合。你单一的贝叶斯理论导致空间压缩扭曲后出现的溢出,在文字识别那本书中提出了信息熵贝叶斯理论个人认识基于信息论来量化贝叶斯是在一定程度可以,但是现在问题我们的数据minibatch情况进行一个conv相关计算这种从本质上讲是多个数域的分枝定界,那么我个人的理解更好的效果应该从非线性动力学出发,主要以分行优化和加瓦罗群论来解决目前这种系统工程局部最优可能导致模型权重在一定范围内冗余,前段时间和老王讨论这个贝赛尔曲线在中文的使用目前老王态度是不具备条件。我持乐观态度将从汉子标准构成预测汉子识别:接下来我的研究主要在FAN+Koch曲线实现汉子局部组装结构识别来控制汉子在复杂情况下的识别问题。
文字识别
最新推荐文章于 2023-03-28 10:05:34 发布