Архитектура нейронной сети OCR для печатных документов

Question

Я изучаю нейронную сеть, используя тензорный поток для создания OCR для печатных документов.

Не могли бы вы дать мне советы о том, какая архитектура нейронная сеть хороша для распознающих персонажей. Я сбиваю с толку, потому что я новичок, и есть много конструкций нейронных сетей.

Я нашел MNIST CLASSIFIER, но их архитектуры всего лишь цифры. Я не знаю, что их архитектуры могут работать с персонажами или нет?

спасибо

Answer 1

Как вы правильно отмечаете, признание документов является другой вещью от признания отдельных символов. Это сложная система, которая потребует времени для внедрения с нуля. Во-первых, существует проблема предварительной обработки. Вам нужно найти, где текст, возможно, слегка повернуть его и т. Д. Это можно сделать с помощью эвристики и библиотеки, например, OpenCV. Вам также придется обнаруживать такие вещи, как номера страниц, верхние и нижние колонтитулы, таблицы/рисунки и т. Д.

Тогда в некоторых случаях вы можете воспользоваться «легким» маршрутом и использовать эвристику для сегментации текста в символы. Это работает для блочных символов, но не для скорописных скриптов.

Если задана сегментация, и вам не нужно ее угадывать, вам необходимо решить множество связанных проблем, каждая из которых подобна MNIST, но они связаны тем, что решения не являются независимыми. Вы можете посмотреть MEMM (Maximum-Энтропия марковских моделей) против СММ (Hidden Markov Models, Hidden Conditional Random Fields и Segmental Conditional Random Fields и изучать разницу между ними. Вы можете также прочитать о seq2seq.

Так что, если вы делаете это просто для себя , вы можете по существу запускать классификаторы MNIST несколько раз, как только сегментирование будет обнаружено (через некоторую эвристику в opencv). Кроме того, вам нужно запустить dynamic program, который найдет лучшую окончательную последовательность, основанную на оценке каждого решения, и «языковая модель», которая присваивает вероятности букв, встречающихся близко друг к другу.

Если вы начинаете с нуля, это непростая задача. или вы получите базовое понимание. Счастливый взлом!