Imdb格式的SVT数据集 相关的制作、使用代码可见博客 https://blog.csdn.net/zhaominyiz/article/details/104834770

OpenCV图像文本识别之序列化的EAST模型frozen_east_text_detection.pb（ps：非本人训练，我只是个搬运工）

主要是调用Tesseract OCR 5.0。在CTF中可以快速提取图片里的flag,帮助你拿一血。将图片直接拖入即可识别文件。

面的文件复制到WZSB里就可以了 从WZSB打开 文字识别.EXE 要下5个文件 只要一个给分就可以了

Imdb格式的ICDAR2015数据集 相关的制作、使用代码可见博客 https://blog.csdn.net/zhaominyiz/article/details/104834770

自然场景中的文本识别(scene text recognition, STR)是计算机视觉和模式识别领域的研究热点。最近华南理工的学者发布了关于STR的综述论文，总结了STR的基本问题和最先进的技术，介绍新的见解和想法，并展望未来的趋势来展示STR的全貌。

基于变压器的场景文本识别（Transformer-STR） 我的基于场景文本识别（STR）新方法的PyTorch实现。 我改编了由设计的四阶段STR框架，并替换了Pred. 变压器的舞台。 配备了Transformer，此方法在CUTE80上优于上述深层文本识别基准的最佳模型7.6％ 。 从下载预训练的砝码 该预训练权重在Synthetic数据集上进行了约700K次迭代训练。 Git克隆此仓库并下载权重文件，将其移至checkpoints目录。 从 下载lmdb数据集以进行训练和评估（由） data_lmdb_release.zip包含以下内容。 训练数据集： [1]和 [2] 验证数据集：训练集 [3]， [4]， [5]和 [6]的并集。 评估数据集：基准评估数据集，由 [5]， [6]， IC03 [7]， IC13 [3]， IC15 [4]， SVTP [8]和

matlab课程设计，对英文文本（多行）的识别，使用神经网络保存为net_2.mat，网络一共9层。全过程由Gui实现，包括对图像的切割与识别工作，m文件中有详细的中文注释。

神经网络 卷积神经网络的Keras文本识别实现 此实现中有两种可用的模型。 一个基于原始CRNN模型，另一个则包含空间转换器网络层以纠正文本。 但是，性能差别不大，因此由您决定选择哪种型号。 训练 您可以使用Synth90k数据集训练模型，但也可以使用自己的数据。 如果使用自己的数据，则必须重写代码，以便根据数据结构来加载数据。 要下载Synth90k数据集，请转到此并下载MJSynth数据集。 可以将Synth90k数据集放在data/Synth90k或者使用--base_dir参数指定数据集的路径。 基本目录应包括许多包含Synth90k数据的子目录，用于训练，验证和测试数据的注释文件，列出数据集中所有图像的路径的文件以及词典文件。 使用--model参数指定要使用的两个可用模型中的哪个。 默认模型是带有STN层的CRNN。 有关详细信息，请参见config.py 。 运行tra

可利用车牌数据对场景文本检测和识别进行验证