机器学习案例-Photo OCR

问题描述

  • 主要目的：

    • 复杂的机器学习系统是如何组建出来的
    • 机器学习流水线的概念。
    • 如何分配机器学习资源

  • 问题描述：照片的光学识别。

    1. 找出由文字的区域text detection
    2. 字符分割character segment
    3. 字符识别character classification

  • 机器学习流水线photo ocr pipeline

    • image -> text detection -> character segment -> character classification
    • 将图片传入一系列机器学习组件，完成一系列任务。

滑动窗口

  • 使用一个固定大小滑动窗口，在待检测的图片上遍历所有可能存在目标的区域。
  • 调整滑动窗口的大小，将滑动窗口映射为固定大小，然后继续进行滑动，并检测窗口中是否存在目标。（100-50的区域，通过数据处理映射为50-25的检测单元，然后进行目标分析）

获取大量数据和人工数据

人工合成数据

  • 识别字体图片中：使用网络上个中免费的字体，添加各种不同的背景，对字体进行缩放旋转扭曲等操作，人工合成数据集。
  • 语音识别：给正常的语音添加各种不同的背景噪音。

是否需要获得大量数据

  • 保证假设函数的偏差很小
  • 考虑是否能够快速获取十倍于现在的数据集
    • 人工合成
    • 众包服务
    • 网上搜集

时间规划

  • 做机器学习，最重要的是时间，其次是数据，然后是算法选择，最后是系统实现和调参。

  • 考虑机器学习系统、机器学习流水线上，准确率的瓶颈在哪里。

  • 一个机器学习流水线的实例。

如果自己开发及其学习的过程，应该也要建立相应的流水线，每一个流水线上单独的算法，都应该可以发表一篇论文。关键是如何设计机器学习的流水线过程—————-应该通过广泛阅读相关论文，论证如何实现机器学习系统。

  • 建议：把机器学习问题分成很多模块，对整个系统进行上下限分析，给出需要投入时间最多的模块，合理规划任务。