应用实例：照片识别 机器学习基础(10)

照片识别
问题描述与机器学习流水线

滑动窗

获取大量的数据与人工数据
文字识别

语音识别

获取大量数据的讨论

上限分析流程线上的下一步工作是什么
照片识别

人工智能人脸识别

总结
总结主要主题

在一张图片中发现并识别目标、文字、数字是一项具有挑战性的任务。本周将讨论处理该问题的途经与分析如何改善该系统性能。

照片光学字符识别，OCR，Photo optical character recognition。

照片识别

问题描述与（机器学习）流水线

开发一个复杂的机器学习系统，我们需要了解如何配置资源。

Photo OCR 流水线：（包含多个模块）



1) 文本检测



2) 字符分割



3) 字符分类



4) 字符串校正
例如 C1eaning → Cleaning; (1 → l)

滑动窗

用滑动窗的高宽比可以用于寻找照片中的行人。



行人的高宽比特征明显，通过分类方法很容易方法；

两个窗体间的距离为步长，或被称为步幅参数（stride parameter）；

窗体的大小是可调整的，取较大的窗体并压缩至分类器规格的大小，在进行识别；

分类器：

y=1⇒h×lpixels 有行人照片

y=0⇒h×lpixels 无行人照片

文字识别：

文字检测：（y=1⇒ 文字区域；y=0⇒ 无文字区域）

滑动窗获取有文字的窗体像素

像素扩展将相近的文字窗体合并为块

筛选不像正常文字区域的窗体（可能会漏去一些文字）

字符分割：（y=1⇒ 字符分割区域；y=0⇒ 非字符分割区域）



滑动窗去照片

用窗口照片作为识别对象

确定分割线

字符分类：（y=1,2,…,A,B,…etc⇒ 对应的文字信息）

获取大量的数据与人工数据

“人工数据合成（Artificial data synthesis）”是一种获取大量数据的方法。

人工数据合成：
1.“从无到有”（例如从计算机已有的文字库生成文字）

2. 从少量有标签的训练集扩充为一个大的训练集

数据的合成一般是基于一个低偏差（高方差/需要大量训练集）的机器学习系统（分类器）。针对2个典型应用文字识别与语音识别，我们介绍一些人工数据合成的详细内容。

文字识别

“从无到有”生成字符训练集的方法



从已有训练集扩充为一个大的训练集

语音识别

训练集的合成方法：
原声音 + 噪声（不同）= 新的声音

获取大量数据的讨论

以后的分类器是一个低偏差的，通过增加训练集有助于提高分类器性能（降低方差），绘制学习曲线是一种有效的方法。

获取多于 10 倍已有数据的工作量（“头脑风暴”来讨论想法），合成的方法有：

1 人工数据合成

2 手工收集与标记

3 众包“Crowd source”（找人帮你做）

上限分析：流程线上的下一步工作是什么

上限分析可以告诉项目团队，流水线的哪一部分最值得花时间。接下来，我们将通过照片识别与人脸识别 2个应用讲解 上限分析。

照片识别

上限分析用于调整系统的整体性能。



值得注意的事，要使某一模块的准确率达到 100%，可以通过人工的方法替代该模块的工作，使之达到 100% 的准确率。

人工智能：人脸识别

我们以简单的人脸识别应用为例，讨论它的上限分析。

总结

总结：主要主题

监督学习：线性回归、逻辑回归、神经网络、支持向量机；

无监督学习：K 均值、主成分分析、异常检测；

特殊的应用：推荐系统、大规模机器学习（并行、映射化简）；

开发一个机器学习系统的建议：偏差/方差分析、正规化，决定下一步工作的学习算法评估、学习曲线、误差分析、上限分析。

到了这里，机器学习的基础更新到此为止了，接下来将是进入实战阶段，网上有很多关于数据挖掘与机器学习相关的竞赛，例如 kaggle；同时，有一篇博文中提到的学习轨迹感觉挺不错，我想沿着它走走。最后，我的 MATLAB 也许会止步于此，机器学习方向上，我会开始接触 Python，或者 JAVA，当然，MATLAB 永远是一款数值计算强大的软件，I like it so much.

相关链接：

kaggle：数据挖掘竞赛

学习轨迹：“大数据文摘”推荐的博文

Python：sklearn 是机器学习的宝库呀

JAVA：Weka，Java 语言开发机器学习系统的利器

MATLAB：强大的数值分析软件，好像已经能和硬件结果了，还包含”统计与机器学习工具箱”(Statistics and Machine Learning Toolbox)