👨🏻‍🎤 💇🏽 🛌🏽 दूसरे प्रकार की त्रुटि की कम संभावना के साथ छवि पर संख्या पहचान एल्गोरिथ्म 🧑🏻‍🤝‍🧑🏻 🍮 🤼

उद्योग में ऐसे कई मामले हैं जिनमें
दृश्य संख्या पहचान की आवश्यकता होती है । अक्सर, पहचान एल्गोरिथ्म के लिए आवश्यक स्थिति दूसरी तरह की त्रुटि का एक कम मूल्य है, अर्थात्, ऐसे मामले जब कोई अमान्य संख्या पहचानी जाती है। ऐसे कार्यों का एक उदाहरण है:

छूट, बैंक कार्ड, चित्रा 1 पर संख्या की मान्यता।
कार नंबर की मान्यता, चित्र 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, , .

इस दृष्टिकोण के अलावा, मैंने एक निश्चित सीमा से कम संभावना के साथ झूठी भविष्यवाणियों को काटने की कोशिश की, हालांकि, इस मामले में, भविष्यवाणी की सटीकता 0.3 तक गिर गई, जो अस्वीकार्य थी।

दूसरे प्रकार की त्रुटि की कम संभावना के साथ छवि पर संख्या पहचान एल्गोरिथ्म

सूत्रों की सूची

More articles: