- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
所以我一直在开发一个应用程序,用户可以上传代表某种表单的(扫描的)PDF 文件,在他们感兴趣的字段周围绘制边界框,并对这些内容进行 OCR 识别并以结构化文本格式返回。因为绘制边界框有点麻烦,所以我正在考虑一种方法来减少用户所需的工作;即已经以形式向他/她提供自动检测的字段划分。我开始研究这个问题并发现了一些有趣的方法,主要基于计算机视觉算法。然而,由于这个应用程序将来可能会被频繁使用,因此用户会绘制很多边界框,所以对我来说,不尝试使用这个数据集来应用学习方法几乎是一种浪费。因此,我开始查看许多不同的表单,并注意到它们中的大多数都是由边框以如下方式构成的:
这里有一些观察结果:100% 充满文本的框通常不需要提取,因为它们代表条款/条件/免责声明/等。也不需要(大部分)为空的框,因为它们大多表示不相关的字段。唯一有趣的盒子似乎是那些在顶部/左侧有标签并且在盒子主体中有一些内容的盒子。
当然还应该说,并不是每种表单都像上面的表单一样具有很好的边框结构。有些在字段之间仅使用单个分隔边框(即水平或垂直),有时根本没有边框。
由于我们正在处理图像,所以我开始研究对象识别并尝试了 YOLOv2(卷积神经网络),我让它在 100 种形式的数据集上训练一个晚上(我意识到这个数据集仍然太小,因为我在我的 CPU 上进行训练,但我也没有训练足够长的时间)。无论如何,我希望所有训练字段都有边界,并且某些内容能够快速帮助系统本身找到有边界的框。然而到目前为止,结果相当令人失望(平均损失/错误 = 9.6)。我开始思考这个问题,然后意识到,如果用户跳过绘制某些完美细边框框的字段,它会使神经网络在学习过程中感到困惑,我的说法正确吗?
至于我的问题的其余部分:你们认为对象识别是解决这个问题的方法吗?还是考虑到这种形式的性质,它对于系统来说太困惑了?如果是这样,如果我应用一些过滤器来尝试将文本“模糊”在一起,使框看起来彼此更加相似,情况还会如此吗?或者,给定每个文档(最)相关框的坐标数据集,什么是更好的学习方法?也许甚至是一种不太依赖边界存在的方法?
请记住,我要求的唯一要求是能够使用用户绘制的边界框作为数据集来不断改进系统。
感谢大家抽出时间!
最佳答案
对于神经网络策略,首先识别一段文本可能更有趣。这样,您就可以从 100 个文档中获得更多数据来学习。稍后,您可以学习它来识别特定的 header 。如果您有文本的边界框,则可以轻松确定哪个文本靠近所述标题。如果您所需的输出是与图像中显示的一样大的边界框,则与直接包含文本的受限小框相比,网络将更难找到有用的信息。当然,由于您的方框是手动输入的,因此其模糊性将是预测它们准确性损失的主要原因。因此,拥有像素精确的输入也将对此有所帮助。
还可以考虑使用version spaces作为替代学习方法。包含功能的学习盒是其旗舰用例之一。
另一种策略是根本不使用机器学习。 Matlab 和 Octave 等数学框架有 powerful algorithms可以将图像缩小为检测到的线的二进制单像素宽网格( example )。当使用无线(寻找具有最少黑色像素的垂直/水平“切口”)或部分线时,这当然需要一些额外的算法工作。尽管如此,结果可能比学习者更准确。
关于machine-learning - 检测表单中相关字段的学习方法(图像格式),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46617779/
基本上,我的问题是,由于无监督学习是机器学习的一种,是否需要机器“学习”的某些方面并根据其发现进行改进?例如,如果开发了一种算法来获取未标记的图像并找到它们之间的关联,那么它是否需要根据这些关联来改进
生成模型和判别模型似乎可以学习条件 P(x|y) 和联合 P(x,y) 概率分布。但从根本上讲,我无法说服自己“学习概率分布”意味着什么。 最佳答案 这意味着您的模型要么充当训练样本的分布估计器,要么
是否有类似于 的 scikit-learn 方法/类元成本 在 Weka 或其他实用程序中实现的算法以执行常量敏感分析? 最佳答案 不,没有。部分分类器提供 class_weight和 sample_
是否Scikit-learn支持迁移学习?请检查以下代码。 型号 clf由 fit(X,y) 获取 jar 头型号clf2在clf的基础上学习和转移学习 fit(X2,y2) ? >>> from s
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。 方法一:cross_validation.train_test_split 方法 2:分层折叠。 具有相同
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到,要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知,这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
有没有办法让 scikit-learn 中的 fit 方法有一个进度条? 是否可以包含自定义的类似 Pyprind 的内容? ? 最佳答案 如果您使用 verbose=1 初始化模型调用前 fit你应
我正在使用基于 rlglue 的 python-rl q 学习框架。 我的理解是,随着情节的发展,算法会收敛到一个最优策略(这是一个映射,说明在什么状态下采取什么行动)。 问题 1:这是否意味着经过若
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型,并且我想使用“一个标准错误”规则来选择最佳模型,即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
我正在尝试离散数据以进行分类。它们的值是字符串,我将它们转换为数字 0,1,2,3。 这就是数据的样子(pandas 数据框)。我已将数据帧拆分为 dataLabel 和 dataFeatures L
每当我开始拥有更多的类(1000 或更多)时,MultinominalNB 就会变得非常慢并且需要 GB 的 RAM。对于所有支持 .partial_fit()(SGDClassifier、Perce
我需要使用感知器算法来研究一些非线性可分数据集的学习率和渐近误差。 为了做到这一点,我需要了解构造函数的一些参数。我花了很多时间在谷歌上搜索它们,但我仍然不太明白它们的作用或如何使用它们。 给我带来更
我知道作为功能 ordinal data could be assigned arbitrary numbers and OneHotEncoding could be done for catego
这是一个示例,其中有逐步的过程使系统学习并对输入数据进行分类。 它对给定的 5 个数据集域进行了正确分类。此外,它还对停用词进行分类。 例如 输入:docs_new = ['上帝就是爱', '什么在哪
我有一个 scikit-learn 模型,它简化了一点,如下所示: clf1 = RandomForestClassifier() clf1.fit(data_training, non_binary
我是一名优秀的程序员,十分优秀!