OCR avec réseau de neurones: extraction de données

Question

J'utilise le framework de bibliothèque AForge et son réseau de neurones. Au moment où je forme mon réseau, je crée beaucoup d'images (une image par lettre et par police) à une grande taille (30 pt), découpe la lettre actuelle, redimensionne celle-ci à une taille plus petite (10x10 px), puis enregistrez-le sur mon disque dur. Je peux alors aller lire toutes ces images, créant mes doubles [] tableaux avec des données. En ce moment, je le fais en pixels.

Donc, une fois que j'ai réussi à former mon réseau, je teste le réseau et le laisse fonctionner sur une image échantillon avec l'alphabet de différentes tailles (majuscules et minuscules).

Mais le résultat n'est pas vraiment prometteur. J'ai formé le réseau pour que RunEpoch ait une erreur d'environ 1,5 (donc presque pas d'erreur), mais il reste encore des lettres qui ne sont pas correctement identifiées dans mon image de test. Maintenant, ma question est: est-ce dû au fait que j'ai une méthode d'apprentissage défectueuse (basée sur les pixels par rapport à l'utilisation suggérée des récepteurs dans cet article: http://www.codeproject.com/KB/cs/neural_network_ocr.aspx - existe-t-il d'autres méthodes pour extraire les données? ou cela peut-il arriver parce que mon algorithme de segmentation pour extraire les lettres de l'image à regarder est mauvais?

Est-ce que quelqu'un a des idées sur la façon de l'améliorer?

Answer 1

J'essaierais de rendre vos entrées de réseau invariantes. En d'autres termes, prétraiter les objets que vous trouvez dans l'image de test pour segmenter les objets de lettre candidats individuels et les redimensionner pour qu'ils aient la même taille que votre ensemble d'apprentissage. D'après votre description, vous ne faites pas cela. Je ne suis pas familier avec AForge alors peut-être que cela est impliqué dans votre question. Mon expérience avec les réseaux de neurones est que le prétraitement des données d'entrée conduit généralement à de meilleurs résultats s'il existe un moyen connu de le faire. Ici, il semblerait qu'il y a.