深度實踐OCR：基於深度學習的文字識彆 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

讀者對象：

1.人工智能領域的技術工程師，尤其是從事圖像識彆和NLP的技術工程師；

2.專門研究OCR的專業人士或院校師生等。

這是一部融閤瞭企業界先進工程實踐經驗和學術界前沿技術和思想的OCR著作。

本書由阿裏巴巴本地生活研究院算法團隊技術專傢領銜，從組件、算法、實現、工程應用等維度係統講解基於深度學習的OCR技術的原理和落地。書中一步步剖析瞭算法背後的數學原理，提供大量簡潔的代碼實現，幫助讀者從零基礎開始構建OCR算法。

全書共10章：

第1章從宏觀角度介紹瞭ORC技術的發展曆程、概念和産業應用；

第2章講解瞭OCR的圖像預處理方法；

第3~4章介紹瞭傳統機器學習方法和深度學習的相關基礎知識；

第5章講解瞭基於傳統方法和深度學習方法的OCR的數據生成；

第6章講解瞭與OCR相關的一些高級深度學習方法，方便讀者理解後續的檢測和識彆部分；

第7章講解瞭文字的檢測技術，從通用的目標檢測到文字的檢測，一步步加深讀者對文字檢測問題的認識；

第8章討論瞭文字識彆的相關技術，定位到文字的位置之後，需要對文字的內容進行進一步的解析；

第9章介紹瞭一些OCR後處理的方法；

第10章介紹瞭一些版麵分析方法。

劉樹春

阿裏巴巴本地生活研究院算法專傢，前復旦七牛雲聯閤實驗室OCR算法負責人，在OCR相關技術的落地和實現方麵有深入的研究和豐富的實踐經驗，在菜單識彆、車牌檢測識彆、卡證識彆、商業廣告文字檢測和識彆、票據類識彆等應用場景中積纍瞭豐富的經驗。曾經組隊參加COCO競賽、ICDAR刷榜等活動，並發錶多篇頂級論文。

賀盼

佛羅裏達大學在讀博士，擔任 CVPR、ICCV、ECCV等10多傢國際頂會審稿人或程序委員，在場景文本領域發錶過多篇國際頂尖會議論文 (DTRN、CTPN、SSTD等)。曾經在中科院先進技術研究院、港中文、曠世美國研究院等做過相關研究工作，對場景文本有深刻的認識，並且對場景文本學術前沿有很強的感知力。

馬建奇

著名的RRPN算法的作者，發錶過多篇國際頂尖會議論文，曾經在曠世研究院做過檢測相關的工作，在上海高等研究院做過文字檢測相關的工作，曾經組隊參加過ICDAR 17 MLT比賽，獲得前三名。曾獲Facebook研究實習機會。目前即將開始修讀博士學位，正在做文字識彆相關的工作，對於OCR的問題有獨到的見解。

王佳軍

阿裏巴巴本地生活研究院高級算法專傢，負責本地生活研究院圖像算法團隊的管理、研發等工作，曾經在滴滴研究院做相關算法的研究。業餘時間擔任深度學習框架MXNet的技術專傢，對實際算法的落地優化等有非常深入的耕耘，具有很強的OCR相關項目的落地能力。

謝雨飛

趣頭條算法工程師，曾在七牛雲做OCR、NLP相關算法的研究工作，發錶過多篇國際頂尖論文。

陳明曦

紐約大學碩士研究生，曾在七牛雲從事OCR相關工作，發錶相關論文數篇。

推薦序
前言
第1章　緒論 1
1.1　人工智能大潮中的OCR發展史 1
1.1.1　傳統OCR方法一般流程 3
1.1.2　基於深度學習OCR方法一般流程 5
1.2　文字檢測 6
1.3　文字識彆 8
1.4　産業應用現狀 10
1.5　本章小結 11
1.6　參考文獻 11
第2章　圖像預處理 13
2.1　二值化 13
2.1.1　全局閾值方法 13
2.1.2　局部閾值方法 17
2.1.3　基於深度學習的方法 20
2.1.4　其他方法 22
2.2　平滑去噪 26
2.2.1　空間濾波 26
2.2.2　小波閾值去噪 28
2.2.3　非局部方法 29
2.2.4　基於神經網絡的方法 33
2.3　傾斜角檢測和校正 35
2.3.1　霍夫變換 36
2.3.2　Radon 變換 38
2.3.3　基於 PCA 的方法 38
2.4　實戰 39
2.5　參考文獻 43
第3章　傳統機器學習方法緒論 45
3.1　特徵提取方法 45
3.1.1　基於結構形態的特徵提取 45
3.1.2　基於幾何分布的特徵提取 61
3.2　分類方法模型 63
3.2.1　支持嚮量機 63
3.2.2　K近鄰算法 65
3.2.3　多層感知器 70
3.3　實戰：身份證號碼的識彆 71
3.3.1　核心代碼 71
3.3.2　測試結果 78
3.4　本章小結 79
3.5　參考文獻 79
第4章　深度學習基礎知識 80
4.1　單層神經網絡 80
4.1.1　神經元 80
4.1.2　感知機 81
4.2　雙層神經網絡 82
4.2.1　雙層神經網絡簡介 82
4.2.2　常用的激活函數 83
4.2.3　反嚮傳播算法 86
4.3　深度學習 87
4.3.1　捲積神經網絡 88
4.3.2　常用優化算法 90
4.4　訓練網絡技巧 92
4.4.1　權值初始化 92
4.4.2　L1/L2正則化 93
4.4.3　Dropout 94
4.5　實戰 95
4.6　參考文獻 97
第5章　數據生成 99
5.1　背景介紹 99
5.2　傳統單字OCR數據生成 100
5.3　基於深度學習的OCR數據生成 101
5.3.1　文字檢測數據的生成 101
5.3.2　檢測圖片生成 103
5.3.3　其他方法 112
5.3.4　識彆數據生成 113
5.4　通過GAN的技術生成數據 114
5.4.1　GAN背景介紹 114
5.4.2　GAN的原理 116
5.4.3　GAN的變種 117
5.5　圖像增廣 123
5.5.1　常用的圖像增強方法 123
5.5.2　深度學習方法 126
5.6　常用的開源數據集 128
5.7　ICDAR的任務和數據集 131
5.8　本章小結 138
5.9　參考文獻 138
第6章　深度學習高級方法 140
6.1　圖像分類模型 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　輕量化網絡 154
6.2　循環神經網絡 154
6.2.1　RNN網絡 154
6.2.2　GRU 156
6.2.3　GRU的實現 158
6.2.4　LSTM網絡 160
6.3　Seq2Seq 163
6.4　CTC Loss 164
6.4.1　算法詳解 166
6.4.2　前嚮傳播 168
6.4.3　後嚮傳播 173
6.4.4　前嚮/後嚮算法 173
6.4.5　CTC算法特性 174
6.4.6　代碼解析 175
6.5　Attention 178
6.6　本章小結 181
6.7　參考文獻 182
第7章　文字檢測 183
7.1　研究意義 183
7.2　目標檢測方法 185
7.2.1　目標檢測相關術語 186
7.2.2　傳統檢測方法 189
7.2.3　Two-stage 方法 195
7.2.4　One-stage 方法 210
7.3　文本檢測方法 217
7.3.1　傳統文本檢測方法 217
7.3.2　基於深度學習的文本檢測方法 222
7.4　本章小結 228
7.5　參考文獻 228
第8章　字符識彆 232
8.1　任務概覽 232
8.2　數據集說明 233
8.2.1　數據集意義 233
8.2.2　常見識彆數據集介紹 234
8.3　評測指標 238
8.3.1　編輯距離 239
8.3.2　歸一化編輯距離 239
8.3.3　字符準確度 239
8.3.4　詞準確率 239
8.3.5　語境相關的評測方式 239
8.4　主流算法介紹 240
8.4.1　傳統光學方法 240
8.4.2　完全基於深度學習的方法 244
8.5　CRNN模型實戰 274
8.5.1　簡介 274
8.5.2　運行環境 274
8.5.3　測試部分講解 274
8.5.4　測試運行結果 279
8.5.5　訓練部分 279
8.5.6　用ICDAR2013數據集訓練CRNN模型 282
8.6　本章小結 284
8.7　參考文獻 285
第9章　OCR後處理方法 288
9.1　文本糾錯 288
9.1.1　BK-tree 289
9.1.2　基於語言模型的中文糾錯 293
9.2　文本結構化 297
9.2.1　模闆匹配 298
9.2.2　文本分類 300
9.3　本章小結 304
9.4　參考文獻 304
第10章　版麵分析 306
10.1　版麵分析詳解 306
10.2　復雜版麵識彆 309
10.3　文檔恢復 310
10.4　本章小結 311
10.5　參考文獻 311
· · · · · · (收起)