[套装书]深度实践OCR：基于深度学习的文字识别+深度学习与图像识别：原理与实践（2册）

作者
刘树春 贺盼 马建奇 王佳军 魏溪含 涂铭 张修鹏
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9782005261753
简要
简介
内容简介书籍计算机书籍 ---------------------------深度实践OCR：基于深度学习的文字识别--------------------------- 内容简介 这是一部融合了企业界先进工程实践经验和学术界前沿技术和思想的ORC著作。 本书由阿里巴巴本地生活研究院算法团队技术专家领衔，从组件、算法、实现、工程应用等维度系统讲解基于深度学习的OCR技术的原理和落地。书中一步步剖析了算法背后的数学原理，提供大量简洁的代码实现，帮助读者从零基础开始构建OCR算法。 全书共9章： 第1章从宏观角度介绍了ORC技术的发展历程、概念和产业应用； 第2章讲解了OCR的图像预处理方法； 第3~4章介绍了传统机器学习方法和深度学习的相关基础； 第5章讲解了基于传统方法和深度学习方法的OCR的数据生成； 第6章讲解了与OCR相关的一些高级深度学习方法，方便读者理解后续的检测和识别部分； 第7章讲解了文字的检测技术，从通用的目标检测到文字的检测，一步步加深读者对文字检测问题的认识； 第8章讨论了文字识别的相关技术，定位到文字的位置之后，需要对文字的内容进行进一步的解析； 第9章介绍了一些OCR后处理的方法。 . ---------------------------深度学习与图像识别：原理与实践--------------------------- 本书是一本有关人工智能图像识别应用开发与实践指导类的教材，主要介绍图像处理应用项目开发的基本流程、图像识别处理应用项目关键技术。本书直击当今研究热点，选择有代表性的专题项目而且尽量避免复杂的数学推导，易于读者理解，专注于实战。详细介绍了numpy，knn，线性回归，逻辑回归，神经网络在图像识别上的应用，并为后一部分的深度学习做好铺垫。同时，针对每一个项目介绍项目的应用及意义，该项目的数据特征分析、识别系统设计、图像预处理技术、特征提取技术，以及识别方法等。书中实例程序的框架结构简单，代码简洁，读者可在数字图像处理技术的基础上进一步深化学习内容，提高实践应用能力和项目开发能力。
目录



---------------------------深度实践OCR：基于深度学习的文字识别---------------------------


推荐序
前言
第1章　绪论 1
1.1　人工智能大潮中的OCR发展史 1
1.1.1　传统OCR方法一般流程 3
1.1.2　基于深度学习OCR方法一般流程 5
1.2　文字检测 6
1.3　文字识别 8
1.4　产业应用现状 10
1.5　本章小结 11
1.6　参考文献 11
第2章　图像预处理 13
2.1　二值化 13
2.1.1　全局阈值方法 13
2.1.2　局部阈值方法 17
2.1.3　基于深度学习的方法 20
2.1.4　其他方法 22
2.2　平滑去噪 26
2.2.1　空间滤波 26
2.2.2　小波阈值去噪 28
2.2.3　非局部方法 29
2.2.4　基于神经网络的方法 33
2.3　倾斜角检测和校正 35
2.3.1　霍夫变换 36
2.3.2　Radon 变换 38
2.3.3　基于 PCA 的方法 38
2.4　实战 39
2.5　参考文献 43
第3章　传统机器学习方法绪论 45
3.1　特征提取方法 45
3.1.1　基于结构形态的特征提取 45
3.1.2　基于几何分布的特征提取 61
3.2　分类方法模型 63
3.2.1　支持向量机 63
3.2.2　K近邻算法 65
3.2.3　多层感知器 70
3.3　实战：身份证号码的识别 71
3.3.1　核心代码 71
3.3.2　测试结果 78
3.4　本章小结 79
3.5　参考文献 79
第4章　深度学习基础知识 80
4.1　单层神经网络 80
4.1.1　神经元 80
4.1.2　感知机 81
4.2　双层神经网络 82
4.2.1　双层神经网络简介 82
4.2.2　常用的激活函数 83
4.2.3　反向传播算法 86
4.3　深度学习 87
4.3.1　卷积神经网络 88
4.3.2　常用优化算法 90
4.4　训练网络技巧 92
4.4.1　权值初始化 92
4.4.2　L1/L2正则化 93
4.4.3　Dropout 94
4.5　实战 95
4.6　参考文献 97
第5章　数据生成 99
5.1　背景介绍 99
5.2　传统单字OCR数据生成 100
5.3　基于深度学习的OCR数据生成 101
5.3.1　文字检测数据的生成 101
5.3.2　检测图片生成 103
5.3.3　其他方法 112
5.3.4　识别数据生成 113
5.4　通过GAN的技术生成数据 114
5.4.1　GAN背景介绍 114
5.4.2　GAN的原理 116
5.4.3　GAN的变种 117
5.5　图像增广 123
5.5.1　常用的图像增强方法 123
5.5.2　深度学习方法 126
5.6　常用的开源数据集 128
5.7　ICDAR的任务和数据集 131
5.8　本章小结 138
5.9　参考文献 138
第6章　深度学习高级方法 140
6.1　图像分类模型 140
6.1.1　LeNet5 140
6.1.2　AlexNet 142
6.1.3　VGGNet 143
6.1.4　GoogLeNet 144
6.1.5　ResNet 147
6.1.6　DenseNet 151
6.1.7　SENet 153
6.1.8　轻量化网络 154
6.2　循环神经网络 154
6.2.1　RNN网络 154
6.2.2　GRU 156
6.2.3　GRU的实现 158
6.2.4　LSTM网络 160
6.3　Seq2Seq 163
6.4　CTC Loss 164
6.4.1　算法详解 166
6.4.2　前向传播 168
6.4.3　后向传播 173
6.4.4　前向/后向算法 173
6.4.5　CTC算法特性 174
6.4.6　代码解析 175
6.5　Attention 178
6.6　本章小结 181
6.7　参考文献 182
第7章　文字检测 183
7.1　研究意义 183
7.2　目标检测方法 185
7.2.1　目标检测相关术语 186
7.2.2　传统检测方法 189
7.2.3　Two-stage 方法 195
7.2.4　One-stage 方法 210
7.3　文本检测方法 217
7.3.1　传统文本检测方法 217
7.3.2　基于深度学习的文本检测方法 222
7.4　本章小结 228
7.5　参考文献 228
第8章　字符识别 232
8.1　任务概览 232
8.2　数据集说明 233
8.2.1　数据集意义 233
8.2.2　常见识别数据集介绍 234
8.3　评测指标 238
8.3.1　编辑距离 239
8.3.2　归一化编辑距离 239
8.3.3　字符准确度 239
8.3.4　词准确率 239
8.3.5　语境相关的评测方式 239
8.4　主流算法介绍 240
8.4.1　传统光学方法 240
8.4.2　完全基于深度学习的方法 244
8.5　CRNN模型实战 274
8.5.1　简介 274
8.5.2　运行环境 274
8.5.3　测试部分讲解 274
8.5.4　测试运行结果 279
8.5.5　训练部分 279
8.5.6　用ICDAR2013数据集训练CRNN模型 282
8.6　本章小结 284
8.7　参考文献 285
第9章　OCR后处理方法 288
9.1　文本纠错 288
9.1.1　BK-tree 289
9.1.2　基于语言模型的中文纠错 293
9.2　文本结构化 297
9.2.1　模板匹配 298
9.2.2　文本分类 300
9.3　本章小结 304
9.4　参考文献 304
第10章　版面分析 306
10.1　版面分析详解 306
10.2　复杂版面识别 309
10.3　文档恢复 310
10.4　本章小结 311
10.5　参考文献 311



---------------------------深度学习与图像识别：原理与实践---------------------------


前言
第1章　机器视觉在行业中的应用1
1.1　机器视觉的发展背景1
1.1.1　人工智能1
1.1.2　机器视觉2
1.2　机器视觉的主要应用场景3
1.2.1　人脸识别3
1.2.2　视频监控分析4
1.2.3　工业瑕疵检测5
1.2.4　图片识别分析6
1.2.5　自动驾驶/驾驶辅助7
1.2.6　三维图像视觉8
1.2.7　医疗影像诊断8
1.2.8　文字识别9
1.2.9　图像/视频的生成及设计9
1.3　本章小结10
第2章　图像识别前置技术11
2.1　深度学习框架11
2.1.1　Theano11
2.1.2　Tensorflow12
2.1.3　MXNet13
2.1.4　Keras13
2.1.5　PyTorch14
2.1.6　Caffe14
2.2　搭建图像识别开发环境15
2.2.1　Anaconda15
2.2.2　conda18
2.2.3　Pytorch的下载与安装19
2.3　Numpy使用详解20
2.3.1　创建数组20
2.3.2　创建Numpy数组22
2.3.3　获取Numpy属性24
2.3.4　Numpy数组索引25
2.3.5　切片25
2.3.6　Numpy中的矩阵运算26
2.3.7　数据类型转换27
2.3.8　Numpy的统计计算方法28
2.3.9　Numpy中的arg运算29
2.3.10　FancyIndexing29
2.3.11　Numpy数组比较30
2.4　本章小结31
第3章　图像分类之KNN算法32
3.1　KNN的理论基础与实现32
3.1.1　理论知识32
3.1.2　KNN的算法实现33
3.2　图像分类识别预备知识35
3.2.1　图像分类35
3.2.2　图像预处理36
3.3　KNN实战36
3.3.1　KNN实现MNIST数据分类36
3.3.2　KNN实现Cifar10数据分类41
3.4　模型参数调优44
3.5　本章小结48
第4章　机器学习基础49
4.1　线性回归模型49
4.1.1　一元线性回归50
4.1.2　多元线性回归56
4.2　逻辑回归模型57
4.2.1　Sigmoid函数58
4.2.2　梯度下降法59
4.2.3　学习率的分析61
4.2.4　逻辑回归的损失函数63
4.2.5　Python实现逻辑回归66
4.3　本章小结68
第5章　神经网络基础69
5.1　神经网络69
5.1.1　神经元70
5.1.2　激活函数72
5.1.3　前向传播76
5.2　输出层80
5.2.1　Softmax80
5.2.2　one-hotencoding82
5.2.3　输出层的神经元个数83
5.2.4　MNIST数据集的前向传播83
5.3　批处理85
5.4　广播原则87
5.5　损失函数88
5.5.1　均方误差88
5.5.2　交叉熵误差89
5.5.3　Mini-batch90
5.6　最优化91
5.6.1　随机初始化91
5.6.2　跟随梯度（数值微分）92
5.7　基于数值微分的反向传播98
5.8　基于测试集的评价101
5.9　本章小结104
第6章　误差反向传播105
6.1　激活函数层的实现105
6.1.1　ReLU反向传播实现106
6.1.2　Sigmoid反向传播实现106
6.2　Affine层的实现107
6.3　Softmaxwithloss层的实现108
6.4　基于数值微分和误差反向传播的比较109
6.5　通过反向传播实现MNIST识别111
6.6　正则化惩罚114
6.7　本章小结115
第7章　PyTorch实现神经网络图像分类116
7.1　PyTorch的使用116
7.1.1　Tensor116
7.1.2　Variable117
7.1.3　激活函数118
7.1.4　损失函数120
7.2　PyTorch实战122
7.2.1　PyTorch实战之MNIST分类122
7.2.2　PyTorch实战之Cifar10分类125
7.3　本章小结128
第8章　卷积神经网络129
8.1　卷积神经网络基础129
8.1.1　全连接层129
8.1.2　卷积层130
8.1.3　池化层134
8.1.4　批规范化层135
8.2　常见卷积神经网络结构135
8.2.1　AlexNet136
8.2.2　VGGNet138
8.2.3　GoogLeNet140
8.2.4　ResNet142
8.2.5　其他网络结构144
8.3　VGG16实现Cifar10分类145
8.3.1　训练146
8.3.2　预测及评估149
8.4　本章小结152
8.5　参考文献152
第9章　目标检测153
9.1　定位+分类153
9.2　目标检测155
9.2.1　R-CNN156
9.2.2　Fast R-CNN160
9.2.3　Faster R-CNN162
9.2.4　YOLO165
9.2.5　SSD166
9.3　SSD实现VOC目标检测167
9.3.1　PASCAL VOC数据集167
9.3.2　数据准备170
9.3.3　构建模型175
9.3.4　定义Loss178
9.3.5　SSD训练细节181
9.3.6　训练186
9.3.7　测试189
9.4　本章小结190
9.5　参考文献191
第10章　分割192
10.1　语义分割193
10.1.1　FCN193
10.1.2　UNet实现裂纹分割196
10.1.3　SegNet209
10.1.4　PSPNet210
10.2　实例分割211
10.2.1　层叠式212
10.2.2　扁平式212
10.3　本章小结213
10.4　参考文献214
第11章　产生式模型215
11.1　自编码器215
11.2　对抗生成网络215
11.3　DCGAN及实战217
11.3.1　数据集218
11.3.2　网络设置220
11.3.3　构建产生网络221
11.3.4　构建判别网络223
11.3.5　定义损失函数224
11.3.6　训练过程224
11.3.7　测试227
11.4　其他GAN230
11.5　本章小结235
11.6　参考文献235
第12章　神经网络可视化236
12.1　卷积核236
12.2　特征层237
12.2.1　直接观测237
12.2.2　通过重构观测239
12.2.3　末端特征激活情况243
12.2.4　特征层的作用244
12.3　图片风格化245
12.3.1　理论介绍245
12.3.2　代码实现247
12.4　本章小结255
12.5　参考文献255
第13章　图像识别算法的部署模式257
13.1　图像算法部署模式介绍257
13.2　实际应用场景和部署模式的匹配262
13.3　案例介绍264
13.4　本章小结265



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4