注重体验与质量的电子书资源下载网站
分类于: 云计算&大数据 互联网
简介
深度实践OCR：基于深度学习的文字识别: 阿里巴巴本地生活研究院算法团队联合知名场景文本算法作者撰写，产业应用和学术前沿的一次思想碰撞！从组件、算法、实现、工程应用等维度系统讲解基于深度学习的OCR技术的原理和落地，提供大量案例 豆 0.0分
资源最后更新于 2020-08-17 14:43:03
作者：刘树春
出版社：机械工业出版社
出版日期：2020-01
ISBN：9787111654049
文件格式： pdf
标签： OCR 阿里巴巴 深度学习 想读的书 好书，值得一读
简介· · · · · ·
读者对象：
1.人工智能领域的技术工程师，尤其是从事图像识别和NLP的技术工程师；
2.专门研究OCR的专业人士或院校师生等。
这是一部融合了企业界先进工程实践经验和学术界前沿技术和思想的OCR著作。
本书由阿里巴巴本地生活研究院算法团队技术专家领衔，从组件、算法、实现、工程应用等维度系统讲解基于深度学习的OCR技术的原理和落地。书中一步步剖析了算法背后的数学原理，提供大量简洁的代码实现，帮助读者从零基础开始构建OCR算法。
全书共10章：
第1章从宏观角度介绍了ORC技术的发展历程、概念和产业应用；
第2章讲解了OCR的图像预处理方法；
第3~4章介绍了传统机器学习方法和深度学习的相关基础知识；
第5章讲解了基于传统方法和深度学习方法的OCR的数据生成；
第6章讲解了与OCR相关的一些高级深度学习方法，方便读者理解后续的检测和识别部分；
第7章讲解...
目录
推荐序
前言
第1章 绪论 1
1.1 人工智能大潮中的OCR发展史 1
1.1.1 传统OCR方法一般流程 3
1.1.2 基于深度学习OCR方法一般流程 5
1.2 文字检测 6
1.3 文字识别 8
1.4 产业应用现状 10
1.5 本章小结 11
1.6 参考文献 11
第2章 图像预处理 13
2.1 二值化 13
2.1.1 全局阈值方法 13
2.1.2 局部阈值方法 17
2.1.3 基于深度学习的方法 20
2.1.4 其他方法 22
2.2 平滑去噪 26
2.2.1 空间滤波 26
2.2.2 小波阈值去噪 28
2.2.3 非局部方法 29
2.2.4 基于神经网络的方法 33
2.3 倾斜角检测和校正 35
2.3.1 霍夫变换 36
2.3.2 Radon 变换 38
2.3.3 基于 PCA 的方法 38
2.4 实战 39
2.5 参考文献 43
第3章 传统机器学习方法绪论 45
3.1 特征提取方法 45
3.1.1 基于结构形态的特征提取 45
3.1.2 基于几何分布的特征提取 61
3.2 分类方法模型 63
3.2.1 支持向量机 63
3.2.2 K近邻算法 65
3.2.3 多层感知器 70
3.3 实战：身份证号码的识别 71
3.3.1 核心代码 71
3.3.2 测试结果 78
3.4 本章小结 79
3.5 参考文献 79
第4章 深度学习基础知识 80
4.1 单层神经网络 80
4.1.1 神经元 80
4.1.2 感知机 81
4.2 双层神经网络 82
4.2.1 双层神经网络简介 82
4.2.2 常用的激活函数 83
4.2.3 反向传播算法 86
4.3 深度学习 87
4.3.1 卷积神经网络 88
4.3.2 常用优化算法 90
4.4 训练网络技巧 92
4.4.1 权值初始化 92
4.4.2 L1/L2正则化 93
4.4.3 Dropout 94
4.5 实战 95
4.6 参考文献 97
第5章 数据生成 99
5.1 背景介绍 99
5.2 传统单字OCR数据生成 100
5.3 基于深度学习的OCR数据生成 101
5.3.1 文字检测数据的生成 101
5.3.2 检测图片生成 103
5.3.3 其他方法 112
5.3.4 识别数据生成 113
5.4 通过GAN的技术生成数据 114
5.4.1 GAN背景介绍 114
5.4.2 GAN的原理 116
5.4.3 GAN的变种 117
5.5 图像增广 123
5.5.1 常用的图像增强方法 123
5.5.2 深度学习方法 126
5.6 常用的开源数据集 128
5.7 ICDAR的任务和数据集 131
5.8 本章小结 138
5.9 参考文献 138
第6章 深度学习高级方法 140
6.1 图像分类模型 140
6.1.1 LeNet5 140
6.1.2 AlexNet 142
6.1.3 VGGNet 143
6.1.4 GoogLeNet 144
6.1.5 ResNet 147
6.1.6 DenseNet 151
6.1.7 SENet 153
6.1.8 轻量化网络 154
6.2 循环神经网络 154
6.2.1 RNN网络 154
6.2.2 GRU 156
6.2.3 GRU的实现 158
6.2.4 LSTM网络 160
6.3 Seq2Seq 163
6.4 CTC Loss 164
6.4.1 算法详解 166
6.4.2 前向传播 168
6.4.3 后向传播 173
6.4.4 前向/后向算法 173
6.4.5 CTC算法特性 174
6.4.6 代码解析 175
6.5 Attention 178
6.6 本章小结 181
6.7 参考文献 182
第7章 文字检测 183
7.1 研究意义 183
7.2 目标检测方法 185
7.2.1 目标检测相关术语 186
7.2.2 传统检测方法 189
7.2.3 Two-stage 方法 195
7.2.4 One-stage 方法 210
7.3 文本检测方法 217
7.3.1 传统文本检测方法 217
7.3.2 基于深度学习的文本检测方法 222
7.4 本章小结 228
7.5 参考文献 228
第8章 字符识别 232
8.1 任务概览 232
8.2 数据集说明 233
8.2.1 数据集意义 233
8.2.2 常见识别数据集介绍 234
8.3 评测指标 238
8.3.1 编辑距离 239
8.3.2 归一化编辑距离 239
8.3.3 字符准确度 239
8.3.4 词准确率 239
8.3.5 语境相关的评测方式 239
8.4 主流算法介绍 240
8.4.1 传统光学方法 240
8.4.2 完全基于深度学习的方法 244
8.5 CRNN模型实战 274
8.5.1 简介 274
8.5.2 运行环境 274
8.5.3 测试部分讲解 274
8.5.4 测试运行结果 279
8.5.5 训练部分 279
8.5.6 用ICDAR2013数据集训练CRNN模型 282
8.6 本章小结 284
8.7 参考文献 285
第9章 OCR后处理方法 288
9.1 文本纠错 288
9.1.1 BK-tree 289
9.1.2 基于语言模型的中文纠错 293
9.2 文本结构化 297
9.2.1 模板匹配 298
9.2.2 文本分类 300
9.3 本章小结 304
9.4 参考文献 304
第10章 版面分析 306
10.1 版面分析详解 306
10.2 复杂版面识别 309
10.3 文档恢复 310
10.4 本章小结 311
10.5 参考文献 311
前言
第1章 绪论 1
1.1 人工智能大潮中的OCR发展史 1
1.1.1 传统OCR方法一般流程 3
1.1.2 基于深度学习OCR方法一般流程 5
1.2 文字检测 6
1.3 文字识别 8
1.4 产业应用现状 10
1.5 本章小结 11
1.6 参考文献 11
第2章 图像预处理 13
2.1 二值化 13
2.1.1 全局阈值方法 13
2.1.2 局部阈值方法 17
2.1.3 基于深度学习的方法 20
2.1.4 其他方法 22
2.2 平滑去噪 26
2.2.1 空间滤波 26
2.2.2 小波阈值去噪 28
2.2.3 非局部方法 29
2.2.4 基于神经网络的方法 33
2.3 倾斜角检测和校正 35
2.3.1 霍夫变换 36
2.3.2 Radon 变换 38
2.3.3 基于 PCA 的方法 38
2.4 实战 39
2.5 参考文献 43
第3章 传统机器学习方法绪论 45
3.1 特征提取方法 45
3.1.1 基于结构形态的特征提取 45
3.1.2 基于几何分布的特征提取 61
3.2 分类方法模型 63
3.2.1 支持向量机 63
3.2.2 K近邻算法 65
3.2.3 多层感知器 70
3.3 实战：身份证号码的识别 71
3.3.1 核心代码 71
3.3.2 测试结果 78
3.4 本章小结 79
3.5 参考文献 79
第4章 深度学习基础知识 80
4.1 单层神经网络 80
4.1.1 神经元 80
4.1.2 感知机 81
4.2 双层神经网络 82
4.2.1 双层神经网络简介 82
4.2.2 常用的激活函数 83
4.2.3 反向传播算法 86
4.3 深度学习 87
4.3.1 卷积神经网络 88
4.3.2 常用优化算法 90
4.4 训练网络技巧 92
4.4.1 权值初始化 92
4.4.2 L1/L2正则化 93
4.4.3 Dropout 94
4.5 实战 95
4.6 参考文献 97
第5章 数据生成 99
5.1 背景介绍 99
5.2 传统单字OCR数据生成 100
5.3 基于深度学习的OCR数据生成 101
5.3.1 文字检测数据的生成 101
5.3.2 检测图片生成 103
5.3.3 其他方法 112
5.3.4 识别数据生成 113
5.4 通过GAN的技术生成数据 114
5.4.1 GAN背景介绍 114
5.4.2 GAN的原理 116
5.4.3 GAN的变种 117
5.5 图像增广 123
5.5.1 常用的图像增强方法 123
5.5.2 深度学习方法 126
5.6 常用的开源数据集 128
5.7 ICDAR的任务和数据集 131
5.8 本章小结 138
5.9 参考文献 138
第6章 深度学习高级方法 140
6.1 图像分类模型 140
6.1.1 LeNet5 140
6.1.2 AlexNet 142
6.1.3 VGGNet 143
6.1.4 GoogLeNet 144
6.1.5 ResNet 147
6.1.6 DenseNet 151
6.1.7 SENet 153
6.1.8 轻量化网络 154
6.2 循环神经网络 154
6.2.1 RNN网络 154
6.2.2 GRU 156
6.2.3 GRU的实现 158
6.2.4 LSTM网络 160
6.3 Seq2Seq 163
6.4 CTC Loss 164
6.4.1 算法详解 166
6.4.2 前向传播 168
6.4.3 后向传播 173
6.4.4 前向/后向算法 173
6.4.5 CTC算法特性 174
6.4.6 代码解析 175
6.5 Attention 178
6.6 本章小结 181
6.7 参考文献 182
第7章 文字检测 183
7.1 研究意义 183
7.2 目标检测方法 185
7.2.1 目标检测相关术语 186
7.2.2 传统检测方法 189
7.2.3 Two-stage 方法 195
7.2.4 One-stage 方法 210
7.3 文本检测方法 217
7.3.1 传统文本检测方法 217
7.3.2 基于深度学习的文本检测方法 222
7.4 本章小结 228
7.5 参考文献 228
第8章 字符识别 232
8.1 任务概览 232
8.2 数据集说明 233
8.2.1 数据集意义 233
8.2.2 常见识别数据集介绍 234
8.3 评测指标 238
8.3.1 编辑距离 239
8.3.2 归一化编辑距离 239
8.3.3 字符准确度 239
8.3.4 词准确率 239
8.3.5 语境相关的评测方式 239
8.4 主流算法介绍 240
8.4.1 传统光学方法 240
8.4.2 完全基于深度学习的方法 244
8.5 CRNN模型实战 274
8.5.1 简介 274
8.5.2 运行环境 274
8.5.3 测试部分讲解 274
8.5.4 测试运行结果 279
8.5.5 训练部分 279
8.5.6 用ICDAR2013数据集训练CRNN模型 282
8.6 本章小结 284
8.7 参考文献 285
第9章 OCR后处理方法 288
9.1 文本纠错 288
9.1.1 BK-tree 289
9.1.2 基于语言模型的中文纠错 293
9.2 文本结构化 297
9.2.1 模板匹配 298
9.2.2 文本分类 300
9.3 本章小结 304
9.4 参考文献 304
第10章 版面分析 306
10.1 版面分析详解 306
10.2 复杂版面识别 309
10.3 文档恢复 310
10.4 本章小结 311
10.5 参考文献 311
猜你喜欢
PyTorch机器学习从入门到实战
评分: 0.0
MXNet深度学习实战
评分: 0.0
Keras深度学习实战
评分: 0.0
基于浏览器的深度学习: 智能系统与技术丛书
评分: 0.0