dzcera的博客

1Gupta, B. B., et al. “Smart defense against distributed Denial of service attack in IoT networks using supervised learning classifiers.” Computers & Electrical Engineering 98 (2022): 107726.模型：RF（误报最低）SVM LR KNN DT NB数据集：自己生成通过模拟包含本地路由器的物联网网络，生成包含

Epoch在模型训练的过程中，运行模型对全部数据完成一次前向传播和反向传播的完整过程叫做一个epoch在梯度下降的模型训练的过程中，神经网络逐渐从不拟合状态到优化拟合状态，达到最优状态之后会进入过拟合状态。因此epoch并非越大越好，一般是指在50到200之间。数据越多样，相应epoch就越大。Batchsize当我们处理较大的数据集时，一次向网络喂入全部数据得不到很好的训练效果。通常我们将整个样本的数量分成多个批次batch，每个batch中样本的个数叫做样本大小batchsizebatchsi

引言近年来，基于深度学习的OCR技术在文字识别的精准度和效率上有着显著的提升，而场景OCR技术还需要进一步完善。目前主流的自然场景文字识别主要分为两个部分，即文字检测和文字识别。1）在文字检测方面，目前在水平文字检测和斜向文字检测方面均有较为成熟的研究成果。乔宇团队发表的CTPN算法在水平文字检测方面取得了不错的效果，EAST和Seglink算法可用于检测斜向文字。2）在文字识别方面，主流的是CNN+RNN+CTC模型。此外仍有不少团队将Attention机制运用到文字识别当中，强化了网络挖掘文本特征信息

4实验结果及设置4.1数据集本文采用ICDAR2013，ICDAR2015数据集并将ICDAR2013，ICDAR2015 dataset 转化为 PASCAL_VOC dataset 格式对于模型进行训练和验证。其中ICDAR2013数据集样本多为自然场景水平字符，同时包含字符图片和单词图片，训练集共有3567张裁剪后的图片，测试集共有1439张裁剪后的图片。ICDAR2015数据集样本多为复杂自然场景中倾斜模糊等受背景影响较大的图片。4.2本文实验环境本文实验开发环境为Intel i7-9750