内容概要：整理自网上开源OCR资料，主要整理近几年OCR论文通用方法，结合多个指标对比可选择适合算法，包括有无代码、数据集是否规则、方法内容、识别效果指标等，资料比较全面，配合本博主的博客可以进一步详细学习，希望大家可以互相交流学习。
适合人群：OCR初学者及爱好者学习和研究。
能学到什么：快速了解整个OCR领域论文通用方法，通过不同方法对比可选择适合自己数据集的OCR识别方法，可以为科研或项目提供帮助。
阅读建议：可通过表格筛选工具选择自己想要的方法，横向和纵向对比，先找到方法，后查找对应论文详细内容，有助于快速了解OCR方法。强烈推荐大家学习.
2023-02-20 14:07:41
136KB
1
## 《深度学习 —— keras快速开发入门》原书代码，代码可测试，适合新手练练手，很容易理解，包含类似VGG的CNN，还有GAN
keras book source code
2023-02-19 20:55:03
11.78MB
1
中文新闻分类模型，利用TextCNN模型进行训练，TextCNN的主要流程是：获取文本的局部特征：通过不同的卷积核尺寸来提取文本的N-Gram信息，然后通过最大池化操作来突出各个卷积操作提取的最关键信息，拼接后通过全连接层对特征进行组合，最后通过交叉熵损失函数来训练模型。
2023-02-19 17:06:30
48.44MB
1
pytorch图像检索
pytorch实现“深度学习二进制哈希码以快速检索图像，CVPRW 2015”
2023-02-19 17:05:21
15KB
1
Bert作为目前自然语言处理领域最流行的技术之一，文本分类作为自然语言处理领域最常见的任务之一，Pytorch作为目前最流程的深度学习框架之一，三者结合在一起将会产生什么样的花火，本套课程基于Pytorch最新1.4版本来实现利用Bert实现中文文本分类任务，延续动手学系列课程风格，全程手敲代码，跟着杨博一行一行代码撸起来。
2023-02-19 11:18:18
461B
1
乳腺癌数据集 Python 预测模型 乳腺癌数据集二分类预测 机器学习 深度学习 网格搜索+logistic逻辑回归+神经网络+SVM支持向量机+KNN 条形图折线图可视化 预测效果较好，拟合较为准确。 jupyter notebook numpy pandas matplotlib sklearn 数据分析 数据挖掘
2023-02-18 21:32:37
100KB
1
原始的U-Net采用跳跃结构结合高低层的图像信息, 使得U-Net模型有良好的分割效果, 但是分割结果在宫颈细胞核边缘依然存在分割欠佳、过分割和欠分割等不足. 由此提出了改进型U-Net网络图像分割方法. 首先将稠密连接的DenseNet引入U-Net的编码器部分, 以解决编码器部分相对简单, 不能提取相对抽象的高层语义特征. 然后对二元交叉熵损失函数中的宫颈细胞核和背景给予不同的权重, 使网络更加注重细胞核特征的学习. 最后在池化操作过程中, 对池化域内的像素值分配合理的权值, 解决池化层丢失信息的问题. 实验证明, 改进型U-Net网络使宫颈细胞核分割效果更好, 模型也越鲁棒, 过分割和欠分割比率也越少. 显然, 改进型U-Net是更有效的图像分割方法.
2023-02-18 14:52:01
1.34MB
1