Algoritmo de reconhecimento de número na imagem com baixa probabilidade do segundo tipo de erro

Existem vários casos na indústria que exigem
reconhecimento de número de cena. Freqüentemente, a condição necessária para o algoritmo de reconhecimento é um valor baixo do segundo tipo de erro, ou seja, casos em que um número inválido é reconhecido. Um exemplo de tais tarefas é:

1. Reconhecimento de número com desconto, cartões bancários, Figura 1.
2. Reconhecimento do número do carro, Figura 2.

1 –
2 – ,

, , :

• ;
• ( );
• , , ..

(scene number recognition) : 0.03.

, 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].

:

1. CNN. . , , , , . , . , , 4;
2. LSTM. LSTM (time step). LSTM . LSTM many to many, . , Bidirectional LSTM, ;
3. . . — ;
4. . n Yn: kn = max(Yn). , , . , , : «3200-544». "-" , . , «00» «44», .

4 –
: h, w — ; n — .

, , 5.

5  –  

, : .

.

CRNN , 6.

  6 – . : , , . CRNN 1, CRNN 2 —

, , . - .

: .
, , . , 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, , .

Além dessa abordagem, tentei cortar previsões falsas com uma probabilidade menor que um determinado limite, no entanto, nesse caso, a precisão da previsão caiu para 0,3, o que era inaceitável.

Lista de fontes

1. Artigo original do CRNN;
2. Rede de análise de cena de pirâmide
3. Crie um sistema de reconhecimento de texto manuscrito usando o TensorFlow;
4. Uma explicação intuitiva da classificação temporal conexionista;
5. Rede neural convolucional em python
6. LSTM - Redes de Memória de Longo Prazo e Curto Prazo