<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[雪饼的博客]]></title><description><![CDATA[大数据与人工智能Lab（BigdataAILab）微信公众号号主，专注于人工智能、深度学习、机器学习、大数据等技术与算法研究]]></description><link>https://blog.youkuaiyun.com/rogerchen1983</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; rogerchen1983]]></copyright><item><title><![CDATA[【AI实战】手把手教你深度学习文字识别（文字检测篇：基于MSER, CTPN, SegLink, EAST等方法）]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/95510606</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/95510606</guid><author>rogerchen1983</author><pubDate>Thu, 11 Jul 2019 19:34:03 +0800</pubDate><description><![CDATA[文字检测是文字识别过程中的一个非常重要的环节，文字检测的主要目标是将图片中的文字区域位置检测出来，以便于进行后面的文字识别，只有找到了文本所在区域，才能对其内容进行识别。

文字检测的场景主要分为两种，一种是简单场景，另一种是复杂场景。其中，简单场景的文字检测较为简单，例如像书本扫描、屏幕截图、或者清晰度高、规整的照片等；而复杂场景，主要是指自然场景，情况比较复杂，例如像街边的广告牌、产品包装...]]></description><category></category></item><item><title><![CDATA[大话文本检测经典模型：EAST]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/93018337</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/93018337</guid><author>rogerchen1983</author><pubDate>Thu, 20 Jun 2019 13:12:42 +0800</pubDate><description><![CDATA[自然场景的文本检测是当前深度学习的重要应用，在之前的文章中已经介绍了基于深度学习的文本检测模型CTPN、SegLink（见文章：大话文本检测经典模型CTPN、大话文本检测经典模型SegLink）。典型的文本检测模型一般是会分多个阶段（multi-stage）进行，在训练时需要把文本检测切割成多个阶段（stage）来进行学习，这种把完整文本行先分割检测再合并的方式，既影响了文本检测的精度又非常耗...]]></description><category></category></item><item><title><![CDATA[大话文本检测经典模型：SegLink]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/93018198</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/93018198</guid><author>rogerchen1983</author><pubDate>Thu, 20 Jun 2019 13:11:35 +0800</pubDate><description><![CDATA[在自然场景中，例如灯箱广告牌、产品包装盒、商标等，要检测出其中的文字会面临着各种复杂的情况，例如角度倾斜、变形等情况，这时就需要使用基于深度学习的方法进行文字检测。在之前的文章中，介绍了基于卷积神经网络和循环神经网络的CTPN文本检测方法（见文章：大话文本检测经典模型 CTPN），该方法能在自然场景下较好地实现对文字的检测，但在CTPN中给出的文本检测效果是基于水平方向的，对于非水平的文本检测...]]></description><category></category></item><item><title><![CDATA[【AI实战】手把手教你实现文字识别模型（入门篇：验证码识别）]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/92434858</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/92434858</guid><author>rogerchen1983</author><pubDate>Sun, 16 Jun 2019 22:15:23 +0800</pubDate><description><![CDATA[文字识别在现实生活中有着非常重要的应用，主要由文字检测、内容识别两个关键步骤组成，在本博客之前的文章中已介绍了文字检测、内容识别的经典模型原理（见文章：大话文本检测经典模型：CTPN，大话文本识别经典模型：CRNN），本文主要从实战的角度介绍如何实现文字识别模型。

在之前的文章中，已经介绍过了跟文字识别相关的实战内容：基于MNIST数据集识别手写数字的实战内容（见文章：训练你的第一个AI...]]></description><category></category></item><item><title><![CDATA[大话文本识别经典模型：CRNN]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/91910514</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/91910514</guid><author>rogerchen1983</author><pubDate>Fri, 14 Jun 2019 00:06:57 +0800</pubDate><description><![CDATA[在前一篇文章中（详见本博客文章：大话文本检测经典模型 CTPN），介绍了文字识别在现实生活中的广泛应用，以及文字识别的简单流程：



其中“文本检测”、“文本识别”是其中两个关键环节，“文本检测”已经在前一篇文章中介绍了详细的介绍，本文主要介绍“文本识别”的经典模型CRNN及其原理。



在介绍CRNN之前，先来梳理一下要实现“文本识别”的模型，需要具备哪些要素：

（1）首先是要读取输...]]></description><category></category></item><item><title><![CDATA[大话文本检测经典模型：CTPN]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/91910424</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/91910424</guid><author>rogerchen1983</author><pubDate>Fri, 14 Jun 2019 00:05:19 +0800</pubDate><description><![CDATA[文字识别是AI的一项重要应用，例如将包装盒上的文字识别出来、将产品说明书上的文字识别出来、将大街上广告牌的文字识别出来等等，在现实生活中能给我们带来很大的便利，有着非常广泛的应用。

一个简单的文字识别流程如下：



Step 1.通过手机、摄像机等设备采集含有待识别字符的图像，作为输入；

Step 2.对图像进行尺寸缩放、明暗调整、去噪等预处理操作；

Step 3.将图像中的单个...]]></description><category></category></item><item><title><![CDATA[【AI实战】快速掌握TensorFlow（四）：损失函数]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90729841</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90729841</guid><author>rogerchen1983</author><pubDate>Sat, 01 Jun 2019 15:43:44 +0800</pubDate><description><![CDATA[在前面的文章中，我们已经学习了TensorFlow激励函数的操作使用方法（见文章：快速掌握TensorFlow（三）），今天我们将继续学习TensorFlow。

本文主要是学习掌握TensorFlow的损失函数。

一、什么是损失函数

损失函数（loss function）是机器学习中非常重要的内容，它是度量模型输出值与目标值的差异，也就是作为评估模型效果的一种重要指标，损失函数越小，表明...]]></description><category></category></item><item><title><![CDATA[【AI实战】快速掌握TensorFlow（三）：激励函数]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90729819</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90729819</guid><author>rogerchen1983</author><pubDate>Sat, 01 Jun 2019 15:42:31 +0800</pubDate><description><![CDATA[到现在我们已经了解了TensorFlow的特点和基本操作（见文章：快速掌握TensorFlow（一）），以及TensorFlow计算图、会话的操作（见文章：快速掌握TensorFlow（二）），接下来我们将继续学习掌握TensorFlow。

本文主要是学习掌握TensorFlow的激励函数。

1、什么是激励函数
激励函数是所有神经网络算法的必备神器，通过加入激励函数可实现张量计算的非线性化...]]></description><category></category></item><item><title><![CDATA[【AI实战】快速掌握TensorFlow（二）：计算图、会话 原]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90729755</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90729755</guid><author>rogerchen1983</author><pubDate>Sat, 01 Jun 2019 15:39:07 +0800</pubDate><description><![CDATA[在前面的文章中，我们已经完成了AI基础环境的搭建（见文章：Ubuntu + Anaconda + TensorFlow + GPU + PyCharm搭建AI基础环境），以及初步了解了TensorFlow的特点和基本操作（见文章：快速掌握TensorFlow（一）），接下来将继续学习掌握TensorFlow。

本文主要是学习掌握TensorFlow的计算图、会话操作。




计算图是Te...]]></description><category></category></item><item><title><![CDATA[【AI实战】快速掌握Tensorflow（一）：基本操作]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90681252</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90681252</guid><author>rogerchen1983</author><pubDate>Thu, 30 May 2019 00:14:54 +0800</pubDate><description><![CDATA[Tensorflow是Google开源的深度学习框架，来自于Google Brain研究项目，在Google第一代分布式机器学习框架DistBelief的基础上发展起来。Tensorflow于2015年11月在GitHub上开源，在2016年4月补充了分布式版本，最新版本为1.10，2018年下半年将发布Tensorflow 2.0预览版。Tensorflow目前仍处于快速开发迭代中，不断推出...]]></description><category></category></item><item><title><![CDATA[【AI实战】动手训练自己的目标检测模型（YOLO篇）]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90681223</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90681223</guid><author>rogerchen1983</author><pubDate>Thu, 30 May 2019 00:12:16 +0800</pubDate><description><![CDATA[在前面的文章中，已经介绍了基于SSD使用自己的数据训练目标检测模型（见文章：手把手教你训练自己的目标检测模型），本文将基于另一个目标检测模型YOLO，介绍如何使用自己的数据进行训练。


YOLO（You only look once）是目前流行的目标检测模型之一，目前最新已经发展到V3版本了，在业界的应用也很广泛。YOLO的基本原理是：首先对输入图像划分成7x7的网格，对每个网格预测2个边...]]></description><category></category></item><item><title><![CDATA[【AI实战】手把手教你训练自己的目标检测模型（SSD篇）]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90611983</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90611983</guid><author>rogerchen1983</author><pubDate>Mon, 27 May 2019 21:12:08 +0800</pubDate><description><![CDATA[目标检测是AI的一项重要应用，通过目标检测模型能在图像中把人、动物、汽车、飞机等目标物体检测出来，甚至还能将物体的轮廓描绘出来，就像下面这张图，是不是很酷炫呢，嘿嘿

在动手训练自己的目标检测模型之前，建议先了解一下目标检测模型的原理（见文章：大话目标检测经典模型RCNN、Fast RCNN、Faster RCNN，以及Mark R-CNN），这样才会更加清楚模型的训练过程。

本文将在我们前...]]></description><category></category></item><item><title><![CDATA[【AI实战】动手实现人脸识别程序]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90587378</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90587378</guid><author>rogerchen1983</author><pubDate>Mon, 27 May 2019 01:39:56 +0800</pubDate><description><![CDATA[人脸识别在现实生活中有非常广泛的应用，例如iPhone X的识别人脸解锁屏幕、人脸识别考勤机、人脸识别开门禁、刷脸坐高铁，还有识别人脸虚拟化妆、美颜，甚至支付宝还推出了刷脸支付、建设银行还实现了刷脸取钱……，可见人脸识别的用处非常广。
既然人脸识别这么有用，那我们能否自己来实现一个人脸识别模型呢？
答案是肯定的。

接下来将在之前我们搭建好的AI基础环境上（见文章：搭建AI基础环境），实现人...]]></description><category></category></item><item><title><![CDATA[【AI实战】训练第一个AI模型：MNIST手写数字识别模型]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90312063</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90312063</guid><author>rogerchen1983</author><pubDate>Sat, 18 May 2019 10:35:14 +0800</pubDate><description><![CDATA[在上篇文章中，我们已经把AI的基础环境搭建好了（见文章：Ubuntu + conda + tensorflow + GPU + pycharm搭建AI基础环境），接下来将基于tensorflow训练第一个AI模型：MNIST手写数字识别模型。
MNIST是一个经典的手写数字数据集，来自美国国家标准与技术研究所，由不同人手写的0至9的数字构成，由60000个训练样本集和10000个测试样本集构成...]]></description><category></category></item><item><title><![CDATA[【AI实战】深度学习基础环境搭建（Ubuntu + anaconda + tensorflow + GPU + PyCharm）]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90272877</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90272877</guid><author>rogerchen1983</author><pubDate>Thu, 16 May 2019 21:45:02 +0800</pubDate><description><![CDATA[为方便日常的深度学习模型开发与测试，本人在自己笔记本上搭建一个深度学习的基础环境，便于学习AI使用。本人使用的笔记本配置是CPU为8代i5，显卡为GTX1060，内存为8G，基本上可满足日常的AI研究与学习。下面将介绍基础环境的搭建配置过程：

1、安装Ubuntu 18.04





（1）安装操作系统


从Ubuntu官网上下载最新的Ubuntu 18.04 LTS版本的IOS文件...]]></description><category></category></item><item><title><![CDATA[27种深度学习的主流神经网络]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90271547</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90271547</guid><author>rogerchen1983</author><pubDate>Thu, 16 May 2019 20:37:23 +0800</pubDate><description><![CDATA[深度学习发展迅速，每天都会冒出不少新的神经网络架构，像卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）等等。对于从事AI的专业人士而言，要全面追踪、了解这些新的架构非常费力。
ASIMOV Institute绘制当前所流行的27张神经网络节点图，方便查阅和收藏，如下：



欢迎关注本人的微信公众号“大数据与人工智能Lab”（BigdataAILab），获取更多信息


...]]></description><category></category></item><item><title><![CDATA[【干货整理】CNN（卷积神经网络）进化史]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/90271393</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/90271393</guid><author>rogerchen1983</author><pubDate>Thu, 16 May 2019 20:33:02 +0800</pubDate><description><![CDATA[卷积神经网络（CNN）近年来取得了长足的发展，是深度学习中的一颗耀眼明珠。CNN不仅能用来对图像进行分类，还在图像分割（目标检测）任务中有着广泛的应用。CNN已经成为了图像分类的黄金标准，一直在不断的发展和改进。


刘昕博士总结了CNN的演化历史，如下图所示：
CNN的起点是神经认知机模型，此时已经出现了卷积结构，经典的LeNet诞生于1998年。然而之后CNN的锋芒开始被SVM等模型盖过...]]></description><category></category></item><item><title><![CDATA[大话目标检测经典模型：Mark R-CNN]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/80139356</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/80139356</guid><author>rogerchen1983</author><pubDate>Sat, 28 Apr 2018 21:09:24 +0800</pubDate><description><![CDATA[在之前的文章中介绍了目标检测经典模型（R-CNN、Fast R-CNN、Faster R-CNN），目标检测一般是为了实现以下效果：
在R-CNN、Fast R-CNN、Faster R-CNN中，实现了对目标的识别和定位，如下图所示：
为了更加精确地识别目标，实现在像素级场景中识别不同目标，利用“图像分割”技术定位每个目标的精确像素，如下图所示（精确分割出人、汽车、红绿灯等）：Mask...]]></description><category></category></item><item><title><![CDATA[大话目标检测经典模型（RCNN、Fast RCNN、Faster RCNN）]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/79769235</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/79769235</guid><author>rogerchen1983</author><pubDate>Sat, 31 Mar 2018 14:52:26 +0800</pubDate><description><![CDATA[目标检测是深度学习的一个重要应用，就是在图片中要将里面的物体识别出来，并标出物体的位置，一般需要经过两个步骤：1、分类，识别物体是什么 2、定位，找出物体在哪里 除了对单个物体进行检测，还要能支持对多个物体进行检测，如下图所示： 这个问题并不是那么容易解决，由于物体的尺寸变化范围很大、摆放角度多变、姿态不定，而且物体有很多种类别，可以在图片中出现多种物体、出现在任意位置。因此，目标检测是一个比较复...]]></description><category></category></item><item><title><![CDATA[机器学习的五大流派]]></title><link>https://blog.youkuaiyun.com/rogerchen1983/article/details/79681463</link><guid>https://blog.youkuaiyun.com/rogerchen1983/article/details/79681463</guid><author>rogerchen1983</author><pubDate>Sat, 24 Mar 2018 20:52:49 +0800</pubDate><description><![CDATA[有道是“罗马不是一天建成的”，机器学习的发展也是历经了很长时间，在这过程中形成了五大流派，这五大流派各有各的特点。1、符号主义（Symbolists） 名称：符号主义（Symbolists）起源：逻辑学、哲学核心思想：认知即计算，通过对符号的演绎和逆演绎进行结果预测问题：知识结构代表算法：逆演绎算法（Inverse deduction）代表应用：知识图谱代表人物：Tom Mitchell、Stev...]]></description><category></category></item></channel></rss>