


Explorez les principes et les scénarios d'application de la reconnaissance OCR
Labs Introduction
Dans la vie quotidienne, l'extraction de captures d'écran et les questions de recherche de photos sont largement utilisées dans la technologie OCR (Optical Character Recognition), qui est une technologie très importante dans le domaine de la reconnaissance de texte
Partie 01, Qu'est-ce que l'OCR
OCR (Optical Character Recognition) est une méthode de reconnaissance de texte informatique qui utilise la technologie optique et informatique pour convertir des images de texte imprimées ou manuscrites en un format de texte précis et lisible, pour ordinateur reconnaissance et candidature. La technologie de reconnaissance OCR est de plus en plus largement utilisée dans diverses industries de la vie moderne. C'est la technologie clé pour saisir rapidement du contenu textuel dans l'ordinateur
Partie 02, Principe de la technologie OCR
Principaux points de. Technologie OCR Il existe deux écoles d'OCR traditionnelle et d'OCR d'apprentissage profond.
Au début du développement de la technologie OCR, les techniciens utilisaient des technologies de traitement d'image telles que la binarisation, l'analyse de domaine connecté et l'analyse de projection, combinées à l'apprentissage automatique statistique (comme Adaboost et SVM) pour extraire le contenu du texte de l'image, ce qui nous l'avons unifié. Il est classé comme OCR traditionnel. Sa principale caractéristique est qu'il s'appuie sur des opérations complexes de prétraitement des données pour corriger et réduire le bruit sur l'image. L'importance de l'adaptabilité aux scènes complexes ne peut être ignorée. L'adaptabilité est une capacité essentielle dans un environnement changeant. Une personne dotée d’une bonne capacité d’adaptation peut s’adapter à de nouvelles situations et exigences, s’adapter rapidement aux changements et trouver des solutions aux problèmes. L'adaptabilité est également l'un des facteurs clés de réussite dans la vie personnelle et professionnelle. Par conséquent, nous devons nous efforcer de cultiver et d’améliorer notre capacité d’adaptation pour faire face à un monde en évolution avec une précision et une rapidité de réponse médiocres.
Grâce au développement continu de la technologie de l'IA, la technologie OCR basée sur l'apprentissage profond de bout en bout a progressivement mûri. L'avantage de cette méthode est qu'elle n'a pas besoin d'introduire explicitement le lien de coupe de texte dans l'image avant. -étape de traitement, mais convertit la reconnaissance de texte en apprentissage de séquence Problème, l'intégration de la segmentation de texte dans l'apprentissage en profondeur est d'une grande importance pour l'amélioration de la technologie OCR et l'orientation future du développement.
2.1 Processus de reconnaissance OCR traditionnel
L'organigramme de traitement de la technologie OCR traditionnelle est le suivant :
: Après l'appareil , il entre dans la phase de prétraitement. Puisqu'il existe des facteurs interférents dans divers supports de texte, tels que la douceur et la qualité d'impression du papier, la lumière et l'obscurité de l'écran, etc., qui provoqueront une distorsion du texte, il est nécessaire d'effectuer méthodes de prétraitement telles que le réglage de la luminosité, l'amélioration de l'image et le filtrage du bruit sur l'image.
Positionnement de zone de texte: Pour le positionnement et l'extraction de zones de texte, les méthodes incluent principalement la détection de domaine connecté et la détection MSER.
Correction du texte et de l'image: Correction du texte incliné pour garantir l'horizontalité. Les méthodes de correction incluent principalement la correction horizontale et la correction de perspective.
Segmentation d'un seul mot en lignes et colonnes: La reconnaissance de texte traditionnelle est basée sur la reconnaissance d'un seul caractère, et la méthode de segmentation utilise principalement les contours de domaines connectés et la découpe par projection verticale.
Reconnaissance de caractères de classificateur: utilisez des algorithmes d'extraction de caractéristiques tels que HOG et Sift pour extraire les informations vectorielles des caractères, et utilisez les algorithmes SVM, la régression logistique, les machines vectorielles de support, etc. pour la formation.
Post-traitement: Étant donné que la classification du classificateur n'est pas nécessairement complètement correcte, ou qu'il y a des erreurs dans le processus de découpe des caractères, elle doit être basée sur des modèles de langage statistiques (tels que les chaînes de Markov cachées, HMM) ou des règles d'extraction artificielles Concevez un modèle de règles de langage pour effectuer une correction d'erreur sémantique sur les résultats de texte. 2.2 OCR d'apprentissage profond
Images
L'algorithme OCR d'apprentissage profond grand public actuel modélise séparément les deux étapes de la détection et de la reconnaissance de texte.
La détection de texte peut être divisée en méthodes basées sur la régression et sur la segmentation. Les méthodes de régression incluent des algorithmes tels que CTPN, Textbox et EAST, qui peuvent détecter le texte directionnel dans les images, mais seront affectés par les irrégularités dans la zone de texte. Les méthodes de segmentation telles que l'algorithme PSENet peuvent gérer du texte de différentes formes et tailles, mais un texte plus proche est sujet à des problèmes de collage. Différentes méthodes ont leurs propres avantages et inconvénients
L'étape de reconnaissance de texte utilise principalement deux technologies majeures, CRNN et ATTENTION, pour transformer la reconnaissance de texte en un problème d'apprentissage de séquence. Les deux technologies utilisent le réseau CNN+RNN dans leur étape d'apprentissage des fonctionnalités. Structure, la différence réside dans la couche de sortie finale (couche de traduction), c'est-à-dire comment convertir les informations sur les caractéristiques de séquence apprises par le réseau en résultat de reconnaissance final.
De plus, il existe un dernier algorithme de bout en bout qui intègre directement la détection et la reconnaissance de texte dans un modèle de réseau unique pour l'apprentissage. Par exemple, des algorithmes tels que FOTS et Mask TextSpotter. Comparé aux méthodes indépendantes de détection et de reconnaissance de texte, cet algorithme a une vitesse de reconnaissance plus rapide mais une précision relative plus faible.
Technologie de reconnaissance par apprentissage profond par intelligence artificielle
|
La stabilité globale à plusieurs étapes est médiocre | Après une optimisation de bout en bout, la stabilité du système a été considérablement améliorée |
Reconnaissance Précision |
Les scénarios traditionnels avec de petits échantillons ont une faible précision. avantages |
La précision est plus élevée plus le degré de fusion est profond, la précision diminue progressivement |
Reconnaissance |
Vitesse |
Reconnaissance. est plus lent |
Scénario L'importance de l'adaptabilité ne peut être ignorée. L'adaptabilité est une capacité essentielle dans un environnement changeant. Une personne dotée d'une bonne capacité d'adaptation peut s'adapter à de nouvelles situations et exigences, s'adapter rapidement aux changements et trouver des solutions aux problèmes. L'adaptabilité est également l'un des facteurs clés de réussite dans la vie personnelle et professionnelle. Par conséquent, nous devons nous efforcer de cultiver et d'améliorer notre adaptabilité pour faire face à un monde en constante évolution |
faible, adapté aux formats d'impression standard |
fort, compatible avec des scénarios complexes, dépendant de la formation du modèle |
Anti-interférence |
Faibles exigences plus élevées pour les images d'entrée |
Forte, dépendante de la formation du modèle |
Partie 03, OCR commune indicateurs d'évaluation
Taux de rappel : fait référence au rapport entre le nombre de caractères correctement reconnus par le système OCR et le nombre réel de caractères. Il est utilisé pour mesurer si le système a manqué la reconnaissance de certains caractères. Plus la valeur est élevée, meilleure est la capacité du système à couvrir les caractères.
Taux de précision : fait référence au rapport entre le nombre de caractères correctement reconnus par le système OCR et le nombre total de caractères reconnus par le système. Il est utilisé pour mesurer combien de résultats de reconnaissance du système sont vraiment corrects. Plus la valeur est élevée, meilleurs sont les résultats de la reconnaissance.
Valeur F1 : Un indicateur d'évaluation qui combine rappel et précision. La valeur F1 est comprise entre 0 et 1. Plus la valeur est élevée, meilleur est l'équilibre entre précision et rappel atteint par le système.
Average Edit Distance (Average Edit Distance) est un indicateur utilisé pour évaluer le degré de différence entre les résultats de la reconnaissance OCR et le texte réel
Partie 04, Application et Outlook
OCR sous forme de texte reconnaissance L'une des principales branches du domaine, il existe encore un large espace de recherche et de développement à l'avenir. En termes de précision de la reconnaissance, il est toujours urgent d'étudier une technologie de traitement d'image plus intelligente et des modèles d'apprentissage profond plus puissants ; cela nécessite que la reconnaissance soit plus universelle en couvrant plusieurs langues et polices, et améliore la capacité d'adaptation à des scènes complexes ; en reconnaissance en temps réel D'autre part, nous recherchons davantage de points d'application combinés avec la technologie de réalité virtuelle et la technologie de réalité augmentée, tels que la traduction AR, la correction automatique des erreurs et la correction des données texte, etc.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds



Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
