吴恩达机器学习笔记10-照片OCR

OCR：让计算机从图片中读出文字信息

OCR的步骤

1. 文本检测。找出有文字的区域
2. 字符切分
3. 分类器分类字符

这样的步骤称为机器学习流水线

文本检测

滑动窗口 指的是在图片中移动的矩形范围取出图像，然后使用机器学习算法进行训练和判断

滑动窗口的大小要有变化，以检测不同大小的目标

膨胀算子：把滑动窗口扫描的文字的位置进行膨胀

去掉长宽比例不合适的文本位置

字符切分

把数据分成是否存在字符的切分位置两类，存在分割为1，否则为0

人工数据合成

为了获得大量的数据
例如在OCR中可以用很多不同的字体粘贴到不同的背景下

可以使用模糊算子，旋转操作，应用程序取景等

对于真实的数据，可以引入一些人为的拉伸等失真操作

例如在音频中，可以叠加不同的噪音来获得更多的数据

引入的失真应该合理的，能在测试集中找到类似的

经常问的一个问题是“获得现在的10倍数据有多难？”

• 人工数据合成
• 自己收集、标注数据（注意时间预测）
• 外包。在网站上雇一些人标记数据

上限分析

为了避免在无用的模块开发上花费大量时间，有上限分析，解决的是如何分配开发资源的问题

步骤
1. 首先得到整个系统的准确率指标
2. 对于每个模块，假设其准确率为100%，人为的标注完全正确的输出，然后测量整个系统的准确率
3. 再保持前面的假设不变，继续让后面的模块100%

这样就知道了改进每一个模块，算法能提升多少