#Photo OCR

Photo Optical Character Recognition（照片光学字符识别），注重的问题是如何让计算机读出图片中的文字信息。

1、给定某种图片，它将图像扫描一遍，然后找出照片中的文字信息；

2、重点关注这些文字区域，进行文字分离，并对区域中的文字进行识别；

3、用一个分类器对这些可见字符进行识别。

将像这样的一个系统称为machine learning pipeline（机器学习流水线）。

 

#Problem description and pipeline（问题描述和OCR流水线）

• 在很多复杂的机器学习系统中，这种流水线形式非常普遍，在流水线中会有多个不同的模块，每个模块都是一个machine learning component（机器学习组件）。

如果要设计一个机器学习系统，要作出的最重要的决定之一就是要怎样设计这个流水线的各个模块，需要设计整个流水线以及流水线中的每一个模块，这通常会影响到算法最终的表现。

 

#Sliding windows（滑动窗口）

• 行人检测与文字识别相比，简单之处在于要识别的东西具有相似的长宽比，仅用一个固定长宽比的矩形就可以了。

为了建立一个行人检测系统：

1、从数据集中收集一些正样本和负样本；

2、用学习网络或者其他学习算法，向其中输入一个82*36的图块，来对y进行分类；

1、在图片中选取一个矩形块，把这个图块传递给分类器来检测图块中是否有行人；

2、将矩形稍微移动一点，继续传递并且识别；

···

n、直到遍历完图片。

然后使用更大图块，同上。

• 矩形每次移动的距离是一个参数，一般称为step size（步长）/slide parameter（滑动参数）。

 

• 左下图，深浅不同的灰色对应的是分类器认为该处有文字的概率，白色为认为有文字的概率很高。
• expansion operator（放大算子）：取左下图每个白色区域，然后扩大这些白色区域。

• 观察这些图块然后判断出图块中是否存在文字分割的地方。

 

#Getting lots of data：Artificial data synthesis（获取大量数据：人工数据合成）

人工数据合成不适用于所有问题，而且将其运用于特定问题时经常需要思考改进并且深入了解它。但假如使用于你的机器学习问题，有时它能为你的学习算法轻松得到大规模的训练集。

人工数据合成主要有两种形式，第一种实际上是自己创造数据，第二种是我们已经有小的标签训练集，然后以某种方式扩充训练集。

• 假如想要更多的训练样本，一个方法是用不同的字体生成字符，然后粘贴到任意不同的背景中。可以应用一点blurring operator（模糊算子）或者affine distortion（仿射变换），仿射的意思是进行等分、缩放和一些旋转操作。

• 进行artificial warping（人工拉伸）/artificial distortion（人工扭曲）。
• 需要思考哪些扭曲是合理的，哪些操作能够用来扩充。

语言识别：

• 仅通过一个标签样本，通过人工添加失真引入不同的背景声音，很容易将一个样例扩充为更多的样本。

*警告：在引入失真合成数据时，如果你试图自己完成，那么你引入的失真应该具有代表性，这些噪声或者扭曲是有可能出现在测试集中的：

讨论：

• crowd soucing（众包）/crowd sourced data labeling（众包数据标记）

 

假如遇到一个机器学习问题，有两件事情是值得做的，一个是用学习曲线做一个合理检验，看更多的数据是否真的有用，第二个就是假如情况是这样，通常坐下来扪心自问，要多久才能获取到10倍于当前所拥有的数据。

 

#Ceiling analysis：What part of the pipeline to work on next（天花板分析：下一步工作的pipeline）

ceiling analysis（上限分析）：

• 对学习系统使用一个数值评价度量
• 遍历每个测试集，然后人为地告诉算法每一个测试样本中文本的位置，即要仿真出如果是100%正确地检测出图片中的文本信息应该是什么样的；
• 然后继续运行接下来的几个模块，然后使用跟之前一样的评价量度指标来测量整个系统的准确率；
• 然后进入下一个pipeline，一样遍历每个测试集···

进行上限分析的好处是知道，如果对每一个模块进行改善，它们各自的上升空间是多大。

在当你想花精力在模块上，上限分析可以用来确定这样做会不会有效果，整个系统的性能会不会产生明显的提高。

 

 

---

PS.内容为学习吴恩达老师机器学习的笔记【https://study.163.com/course/introduction/1004570029.htm】