♐️ ▫️ ™️ خوارزمية التعرف على الرقم في الصورة مع احتمال منخفض للنوع الثاني من الخطأ 🏟️ 🎋 🈚️

هناك عدد من الحالات في الصناعة التي تتطلب
التعرف على رقم المشهد. غالبًا ما يكون الشرط المطلوب لخوارزمية التعرف قيمة منخفضة للنوع الثاني من الأخطاء ، أي الحالات التي يتم فيها التعرف على رقم غير صالح. مثال على هذه المهام هو:

التعرف على الأرقام على الخصم ، البطاقات المصرفية ، الشكل 1.
التعرف على رقم السيارة ، الشكل 2.

1 –
2 – ,

, , :

;
( );
, , ..

(scene number recognition) : 0.03.

false positive (FP) — , . , "177", "777", .

, CRNN (Convolutional Reccurent Neural Network)[1].

github.

Python3, PyTorch.

PSPNet[2]. , github PSPNet Pytorch.

CRNN,
medium [3], [4].

CRNN 3.

3 – CRNN

. , : CNN [5], LSTM [6].

CNN. . , , , , . , . , , 4;
LSTM. LSTM (time step). LSTM . LSTM many to many, . , Bidirectional LSTM, ;
. . — ;
. n Yn: kn = max(Yn). , , . , , : «3200-544». "-" , . , «00» «44», .

4 –
: h, w — ; n — .

, , 5.

5 –

, : .

CRNN , 6.

6 – . : , , . CRNN 1, CRNN 2 —

, , . - .

, "5" , . , , . , :

$x = s + v, v>x$
: s — , v — , x — .

. , :

$y = f(x), y \sim U$
: f — , x — , y — .

10 pf = 0.9.

pf = $\sum\limits_{i=1, j=1}^{10}P(y = y_j\, |\, y_i=y_j)$
: pf — , $y_i$ — i- , $y_j$ — j- .

10 , pf = 0.1, pf = 0.9 .
, ps = 0.97, : pk = 0.97*0.97 = 0.94.

: .
, , . , S = (280, 64), S2 = (320, 64).

, . S = (280, 64), 1.

1 – .
: BS — ; AS — ; k, s, p — , , , : max_pooling

. , . PSPNet.

400 , — 100 , , , 5-10 % , , 5.

2 – . inter_bad — , inter_good — ; good_1, good_2 — , ; amount_cards — , percent_good_1, percent_good_2 — , ; percent_good — ; percent_bad —

, , 1, 0.8816, 0.1184. , - .

, 0.0177, 0.863813, 0.0954 0.0230. , .

, —

, ,

. , . , , ;
. , ;
. .

, CRNN scene text recognition, .
CRNN, , .

بالإضافة إلى هذا النهج ، حاولت قطع التوقعات الزائفة باحتمالية أقل من عتبة معينة ، ومع ذلك ، في هذه الحالة ، انخفضت دقة التنبؤ إلى 0.3 ، وهو أمر غير مقبول.

خوارزمية التعرف على الرقم في الصورة مع احتمال منخفض للنوع الثاني من الخطأ

قائمة المصادر

More articles: