深度實踐OCR：基于深度學(xué)習(xí)的文字識別

推薦序
前言
第1章　緒論 1
1.1　人工智能大潮中的OCR發(fā)展史 1
1.1.1　傳統(tǒng)OCR方法一般流程 3
1.1.2　基于深度學(xué)習(xí)OCR方法一般流程 5
1.2　文字檢測 6
1.3　文字識別 8
1.4　產(chǎn)業(yè)應(yīng)用現(xiàn)狀 10
1.5　本章小結(jié) 11
1.6　參考文獻(xiàn) 11
第2章　圖像預(yù)處理 13
2.1　二值化 13
2.1.1　全局閾值方法 13
2.1.2　局部閾值方法 17
2.1.3　基于深度學(xué)習(xí)的方法 20
2.1.4　其他方法 22
2.2　平滑去噪 26
2.2.1　空間濾波 26
2.2.2　小波閾值去噪 28
2.2.3　非局部方法 29
2.2.4　基于神經(jīng)網(wǎng)絡(luò)的方法 33
2.3　傾斜角檢測和校正 35
2.3.1　霍夫變換 36
2.3.2　Radon 變換 38
2.3.3　基于 PCA 的方法 38
2.4　實戰(zhàn) 39
2.5　參考文獻(xiàn) 43
第3章　傳統(tǒng)機(jī)器學(xué)習(xí)方法緒論 45
3.1　特征提取方法 45
3.1.1　基于結(jié)構(gòu)形態(tài)的特征提取 45
3.1.2　基于幾何分布的特征提取 61
3.2　分類方法模型 63
3.2.1　支持向量機(jī) 63
3.2.2　K近鄰算法 65
3.2.3　多層感知器 70
3.3　實戰(zhàn)：身份證號碼的識別 71
3.3.1　核心代碼 71
3.3.2　測試結(jié)果 78
3.4　本章小結(jié) 79
3.5　參考文獻(xiàn) 79
第4章　深度學(xué)習(xí)基礎(chǔ)知識 80
4.1　單層神經(jīng)網(wǎng)絡(luò) 80
4.1.1　神經(jīng)元 80
4.1.2　感知機(jī) 81
4.2　雙層神經(jīng)網(wǎng)絡(luò) 82
4.2.1　雙層神經(jīng)網(wǎng)絡(luò)簡介 82
4.2.2　常用的激活函數(shù) 83
4.2.3　反向傳播算法 86
4.3　深度學(xué)習(xí) 87
4.3.1　卷積神經(jīng)網(wǎng)絡(luò) 88
4.3.2　常用優(yōu)化算法 90
4.4　訓(xùn)練網(wǎng)絡(luò)技巧 92
4.4.1　權(quán)值初始化 92
4.4.2　L1/L2正則化 93
4.4.3　Dropout 94
4.5　實戰(zhàn) 95
4.6　參考文獻(xiàn) 97
第5章　數(shù)據(jù)生成 99
5.1　背景介紹 99
5.2　傳統(tǒng)單字OCR數(shù)據(jù)生成 100
5.3　基于深度學(xué)習(xí)的OCR數(shù)據(jù)生成 101
5.3.1　文字檢測數(shù)據(jù)的生成 101
5.3.2　檢測圖片生成 103
5.3.3　其他方法 112
5.3.4　識別數(shù)據(jù)生成 113
5.4　通過GAN的技術(shù)生成數(shù)據(jù) 114
5.4.1　GAN背景介紹 114
5.4.2　GAN的原理 116
5.4.3　GAN的變種 117
5.5　圖像增廣 123
5.5.1　常用的圖像增強(qiáng)方法 123
5.5.2　深度學(xué)習(xí)方法 126
5.6　常用的開源數(shù)據(jù)集 128
5.7　ICDAR的任務(wù)和數(shù)據(jù)集 131
5.8　本章小結(jié) 138
5.9　參考文獻(xiàn) 138
第6章　深度學(xué)習(xí)高級方法 140
6.1　圖像分類模型 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　輕量化網(wǎng)絡(luò) 154
6.2　循環(huán)神經(jīng)網(wǎng)絡(luò) 154
6.2.1　RNN網(wǎng)絡(luò) 154
6.2.2　GRU 156
6.2.3　GRU的實現(xiàn) 158
6.2.4　LSTM網(wǎng)絡(luò) 160
6.3　Seq2Seq 163
6.4　CTC Loss 164
6.4.1　算法詳解 166
6.4.2　前向傳播 168
6.4.3　后向傳播 173
6.4.4　前向/后向算法 173
6.4.5　CTC算法特性 174
6.4.6　代碼解析 175
6.5　Attention 178
6.6　本章小結(jié) 181
6.7　參考文獻(xiàn) 182
第7章　文字檢測 183
7.1　研究意義 183
7.2　目標(biāo)檢測方法 185
7.2.1　目標(biāo)檢測相關(guān)術(shù)語 186
7.2.2　傳統(tǒng)檢測方法 189
7.2.3　Two-stage 方法 195
7.2.4　One-stage 方法 210
7.3　文本檢測方法 217
7.3.1　傳統(tǒng)文本檢測方法 217
7.3.2　基于深度學(xué)習(xí)的文本檢測方法 222
7.4　本章小結(jié) 228
7.5　參考文獻(xiàn) 228
第8章　字符識別 232
8.1　任務(wù)概覽 232
8.2　數(shù)據(jù)集說明 233
8.2.1　數(shù)據(jù)集意義 233
8.2.2　常見識別數(shù)據(jù)集介紹 234
8.3　評測指標(biāo) 238
8.3.1　編輯距離 239
8.3.2　歸一化編輯距離 239
8.3.3　字符準(zhǔn)確度 239
8.3.4　詞準(zhǔn)確率 239
8.3.5　語境相關(guān)的評測方式 239
8.4　主流算法介紹 240
8.4.1　傳統(tǒng)光學(xué)方法 240
8.4.2　完全基于深度學(xué)習(xí)的方法 244
8.5　CRNN模型實戰(zhàn) 274
8.5.1　簡介 274
8.5.2　運行環(huán)境 274
8.5.3　測試部分講解 274
8.5.4　測試運行結(jié)果 279
8.5.5　訓(xùn)練部分 279
8.5.6　用ICDAR2013數(shù)據(jù)集訓(xùn)練CRNN模型 282
8.6　本章小結(jié) 284
8.7　參考文獻(xiàn) 285
第9章　OCR后處理方法 288
9.1　文本糾錯 288
9.1.1　BK-tree 289
9.1.2　基于語言模型的中文糾錯 293
9.2　文本結(jié)構(gòu)化 297
9.2.1　模板匹配 298
9.2.2　文本分類 300
9.3　本章小結(jié) 304
9.4　參考文獻(xiàn) 304
第10章　版面分析 306
10.1　版面分析詳解 306
10.2　復(fù)雜版面識別 309
10.3　文檔恢復(fù) 310
10.4　本章小結(jié) 311
10.5　參考文獻(xiàn) 311