应用-计算机视觉

前面我们了解了机器学习的常见应用之一，推荐系统。

现在我们再来看一下另一个常见应用，计算机视觉。

我们最为常见的一个功能，图片文字识别，语音转文字，不管是qq还是微信，都有这样的功能。

它是如何实现的呢？

图像识别

1. 首先提取出包含文字的图片。
2. 将文字切开。
3. 识别文字。

滑动窗口

如何从一张照片中识别出那部分属于文字。

我们可以使用一种叫做滑动窗口的算法

1. 按照文字一般比例，使用等比例文字图片和等比例其他图片进行监督训练。

2. 按照等比例，对要识别的图片进行扫描，每确定一个位置，就输入到训练模型中比较，确定文字概率。

3. 将高概率的文字区域提取出来。进入下一步文字切分。

文字切分

同样使用监督学习

按照文字分段进行训练

将传入的文字区域放入模型中将文字切开。

文字提取

将提取出来文字图片放入文字拟合的训练模型中。即可提取出要识别的图像文字。

数据集的制造

一个好的学习结果，其学习数据集的数量是不能少的。

如何获得更多的数据集。

• 背景和文字颜色改变。
• 划块后扭曲。
• 加入噪声。

执行上界分析

一个项目中，会有很多个步骤。

例如上面的文字提取，文字图片切割，文字间的切割，文字的识别。

分清楚那一块的提高会对整体的识别准确度有所提高，就可以用更多的精力来做更有用的事情。

我们采取人工手动完成算法的功能来确保准备度。

以文字提取为例

步骤	准确率	提升幅度
初始系统	72%
手动截出文字所在图片	89%	17%
手动对文字进行切分	90%	1%
手动对文字进行识别	100%	10%

可以看出，能够获得更加准确的文字图片，会使算法的准确度提升最大。因此我们应将注意力放在识别文字所在图片这个步骤上，而不是对着文字切分这个地方浪费过多注意力和时间，因为它的提升是有限的。

上界分析可以让我们将时间分配在更有效的地方，因此执行上界分析也是之后优化算法的一个必要的步骤。

参考资料

B站吴恩达机器学习相关课程：https://www.bilibili.com/video/BV164411b7dx