OCR free的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

機器視覺之TensorFlow2入門原理與應用實戰

為了解決OCR free的問題，作者李金洪 這樣論述：

本書主要介紹了TensorFlow 2在機器視覺中的應用。本書共8章，主要內容包括神經網路的原理，如何搭建開發環境，如何在網路側搭建圖片分類器，如何識別圖片中不同膚色的人數，如何用遷移學習診斷醫療影像，如何使用Anchor-Free模型檢測文字，如何實現OCR模型，如何優化OCR模型。本書適合機器視覺、深度學習方面的專業人士閱讀。

OCR free進入發燒排行的影片

ADDIE教學設計模型結合人工智慧技術於IP導向範本式作業之輔助批改系統設計與研究

為了解決OCR free的問題，作者陳建宇 這樣論述：

經實驗分析「IP 導向範本式作業」以每位學生的座號為實驗 IP 的一部分，用以區別實驗結果。同時防止學生拷貝其他同學的作業，而正因為每份作業都是獨一無二，造成批改的工作過於繁鎖，所以為了降低批改的時間，同時提升學習成效，本論文提出了一套系統，採用 ADDIE 教學設計模型的理論，將傳統教學模式與「輔助批改系統」結合並應用神經網路，協助導師在教學的流程上，縮短時間成本以利提升教學品質。一直以來考試成績往往是最能夠證明學生對於課程的理解，但有一個問題，若要總結學生的學習狀況，都是在學期結束之後。為了能夠在學期結束前就預先知曉學生的學習狀況，本論文應用監督式學習法，透過迴歸模型進行學習成效的預測，

以學生的作業成績預測其考試成績，以此來預測學生在下一次的考試狀況，若結果不佳則可即時得知，並且能夠在接下來的施教上加強學生對於課程與考試理解。因此，本實驗在個人電腦上執行的結果顯示，輔助批改系統之執行，平均每份作業批改之耗時可縮短至 20.35 秒，影像辨識在訓練集的部分可以達到 100% 的準確率，預測模型訓練集與測試集的準確率可以分別達到 74.44% 與 64.29%。

攜程人工智能實踐

為了解決OCR free的問題，作者攜程技術團隊 這樣論述：

本書的作者來自于攜程多個研發部門，內容講解系統全面，從旅行產品的個性化推薦和搜索，到旅行場景的OCR、機器翻譯和知識圖譜，再到產品層面的主題圖片優選、推薦理由抽取，以及安全風控和如何工程化提升研發效率，在本書中都有相應的闡述。希望通過本書與讀者分享人工智慧技術如何在攜程具體業務中落地，並發揮巨大的影響力，如提升業務目標、提升人效比，乃至為網站的安全保駕護航。 希望將人工智能賦能業務的理念傳達給用戶，給用戶帶來有用的啟發和借鑒。 本書主要從具體的應用場景入手，介紹如何將具體的業務問題進行建模，轉變為具體的機器學習模型，並將業務目標轉化為機器學習的目標函數。本書在關注基礎模型之外，更加關注如何將

業務目標轉化為模型優化目標。這些映射將説明產品技術同學更好地理解機器學習模型如何落地。 攜程技術團隊 作為攜程集團的核心競爭力，攜程技術團隊由近7000位來自海內外的精英工程師組成，為攜程集團業務的運作和開拓提供全面技術支援，並以技術創新源源不斷地為產品和服務創造價值。 技術從來都不是閉門造車，攜程技術團隊會一直以開放和充滿熱情的心態，通過各種管道和方式，和圈內小夥伴們探討、交流、碰撞，共同收穫和成長。 第1章　數學基礎　001 1.1　引言　001 1.2　線性代數　001 1.2.1　概述　001 1.2.2　向量與矩陣　002 1.2.3 矩陣

的運算　003 1.2.4　幾種特殊的矩陣　005 1.2.5　線性方程組與矩陣的逆　007 1.2.6　特徵值和特徵向量　010 1.2.7 張量的定義和運算　011 1.3　概率基礎　013 1.3.1　頻率與概率　013 1.3.2　熵　016 1.3.3　常見的概率分佈　017 1.4　優化理論　020 1.4.1　優化理論簡介　020 1.4.2　無約束的優化問題　022 1.4.3　無約束的優化方法　024 1.4.4　風險函數的優化方法　026 1.4.5　帶約束的優化方法　028 1.5　本章小結　031 參考文獻　031 第2章　模型構建　032 2.1　引言　032 2.

2 建模流程　032 2.2.1　目標定義　032 2.2.2　損失函數　035 2.2.3　求解優化　037 2.2.4　結果評估　037 2.2.5　模型選擇　040 2.3　常見模型　042 2.3.1　模型的分類方法　042 2.3.2　回歸模型　043 2.3.3　邏輯回歸模型　047 2.4　集成學習　049 2.4.1　集成學習概述　049 2.4.2　Bagging　051 2.4.3　Boosting　052 2.5 本章小結　055 參考文獻　057 第3章　個性化推薦與搜索　058 3.1　個性化推薦概述　058 3.2　跨領域推薦改善用戶冷開機問題　059 3.2.1

　背景描述　059 3.2.2　基礎定義　060 3.2.3　建模思路　061 3.2.4　模型結構　062 3.2.5　實驗結果　065 3.3　Bandit 演算法在攜程場景中的應用實踐　066 3.3.1　Context-free Bandit 演算法　067 3.3.2　Contextual Bandit 演算法　069 3.3.3　場景應用　070 3.4　旅遊度假產品的搜索個性化排序　078 3.4.1　度假搜索排序框架　079 3.4.2　度假搜索排序演算法　080 3.4.3　模型演進及其他　085 3.4.4　小結　086 3.5　深度學習在酒店房型推薦中的應用實踐　087

3.5.1　酒店房型推薦業務的背景　087 3.5.2　業務問題轉化為演算法問題　087 3.5.3　演算法流程　088 3.5.4　小結　089 3.6　強化學習在酒店排序中的應用實踐　089 3.6.1　業務背景　089 3.6.2　傳統排序學習的局限性　090 3.6.3　強化學習的基本思路　091 3.6.4　演算法流程　091 3.6.5　小結　093 3.7　瀑布流排序演算法實踐　094 3.7.1　場景簡介　094 3.7.2　優化目標　094 3.7.3　特徵工程　095 3.7.4　模型　097 3.7.5　位置偏差　098 3.7.6　評價指標　099 3.7.7　場景實踐

　101 3.8　本章小結　101 第4章 AI 服務化 102 4.1 AI 服務化的背景與難點 102 4.2 旅遊領域知識圖譜 102 4.2.1 旅遊領域知識圖譜的特點 103 4.2.2 旅遊領域知識圖譜的構建 104 4.2.3 旅遊領域知識圖譜的應用 112 4.3 QA 問答中的文本匹配與排序 117 4.3.1 基於深度學習的語義匹配模型 118 4.3.2 基於交互的語義匹配模型 122 4.3.3 遷移學習在語義匹配網路中的應用 125 4.3.4 對語義匹配模型的一些思考 127 4.4 攜程國際化中的機器翻譯 130 4.4.1 模型架構 130 4.4.2 建模技

巧 135 4.4.3 翻譯品質評估 138 4.5 證件全文本識別 141 4.5.1 文本識別簡介與發展歷程 141 4.5.2 文本識別步驟 142 4.5.3 文本檢測 142 4.5.4 文本識別 145 4.5.5 文本識別在證件識別中的應用實踐 145 4.6 本章小結 147 參考文獻 147 第5章 AI 助力產品運營 150 5.1 旅遊場景中的主題圖片自動優選 151 5.1.1 業務場景 151 5.1.2 圖像識別 151 5.1.3 圖像去重 154 5.1.4 圖像優美度識別 155 5.1.5 小結 158 5.2 知識推理在攜程業務中的應用 158 5.2.

1 標籤系統的業務背景和業務痛點 159 5.2.2 標籤規則配置平臺的設計與實現 160 5.2.3 小結 164 5.3 基於專名的內容產品化 165 5.3.1 內容產品化的業務背景 165 5.3.2 命名實體識別 165 5.3.3 實體連結 168 5.3.4 小結 174 5.4 主題推薦理由抽取 174 5.4.1 主題推薦理由抽取的業務背景 174 5.4.2 智能內容抽取 175 5.4.3 自動內容生成 186 5.4.4 小結 193 5.5 本章小結 194 參考文獻 194 第6章 AI 運營 199 6.1 問題的背景與難點 199 6.2 機器學習在海外酒店房

態預測中的運用 201 6.2.1 業務背景 201 6.2.2 海外酒店房態預測的難點 201 6.2.3 海外酒店房態預測難點的解決方案 202 6.2.4 海外酒店房態預測的應用場景 208 6.3 IM 用戶模擬評分 209 6.3.1 業務背景 209 6.3.2 基於深度學習的模擬評分 210 6.3.3 技術方案流程 214 6.4 海外郵件自動化 215 6.4.1 業務背景 215 6.4.2 自然語言處理在郵件自動化中的應用 216 6.5 即時智能異常檢測平臺的演算法及工程實現 221 6.5.1 應用場景 221 6.5.2 大而全的監控衍生出的問題 222 6.5.3

統計模型的困擾 222 6.5.4 演算法選擇和設計目標 223 6.5.5 演算法的描述和檢驗 225 6.5.6 即時性工程 231 6.6 本章小結 233 第7章 信息安全 234 7.1 問題的背景與難點 235 7.2 機器學習在Web 攻擊檢測中的實踐 235 7.2.1 攜程Web-IDS 攻擊檢測系統架構介紹 235 7.2.2 定義目標問題 238 7.2.3 收集資料和實現特徵工程 238 7.2.4 模型效果評估 240 7.2.5 線上應用和持續優化 241 7.3 機器學習在滑塊驗證碼防禦中的實踐 242 7.3.1 滑塊驗證碼人機識別 243 7.3.2 滑塊

驗證碼軌跡相似度識別 247 7.4 本章小結 253 參考文獻 253 第8章 風險控制 254 8.1 自動化反覆運算反欺詐模型體系 254 8.1.1 風控變數體系 256 8.1.2 自動化反覆運算模型框架 256 8.1.3 RNN 表徵學習 259 8.1.4 自動化與傳統方法的效果對比 261 8.2 “程信分”模型體系 263 8.2.1 “程信分”模型 263 8.2.2 “閃住”催收模型 266 8.3 主動學習在業務風控場景中的應用 268 8.3.1 酒店反刷單主動學習模型 268 8.3.2 機票防虛占主動學習模型 271 8.4 本章小結 273 參考文獻 273

第9章 AI 挖掘中台 274 9.1 AI 挖掘中台的背景 274 9.2 AI 挖掘中台的框架和功能 275 9.2.1 AI 挖掘中台的構成 275 9.2.2 AI 挖掘操作步驟 276 9.2.3 AI 挖掘中台的元件及工作流程 279 9.2.4 AI 挖掘中台應用成效 281 9.3 大數據和人工智能的賦能 281 9.4 本章小結 282 第10章 AI 運營中台 283 10.1 AI 運營中台的背景 283 10.2 AI 運營中台的框架和功能 284 10.2.1 框架 284 10.2.2 流程 288 10.2.3 模組 289 10.3 AI 運營中台的高效運

營 290 10.3.1 AI 賦能方式 290 10.3.2 企業應用實例 291 10.4 本章小結 292 第11章 通用資料服務 294 11.1 通用資料服務的背景 294 11.2 通用資料服務平臺的架構和功能 295 11.2.1 通用資料服務平臺的架構 295 11.2.2 通用資料服務平臺的功能模組 295 11.3 通用資料服務的監控 299 11.3.1 存儲監控 300 11.3.2 查詢監控 300 11.3.3 寫入監控 301 11.4 本章小結 302  

歪斜機車車牌定位與轉正之研究

為了解決OCR free的問題，作者范馨如 這樣論述：

汽車車牌辨識的應用已經非常廣泛，大部分的應用場域是在固定的停車場出入口，或是收費的柵口處，而這些應用的場域，大部分會設計充足的光源，以及固定的位置，對於車牌的取得比較容易且不會犯錯。但是對於機車車牌定位與辨識的研究，還是非常稀少，原因是機車的車牌吊掛方式不同以及機車停放時的姿態差異性很大。因此本研究將以多機車歪斜車牌進行嘗試性的研究，以期能夠提供更多的應用。 本研究採取特徵匹配法做為定位的基礎，分別以邊緣特徵以及色彩特徵發展定位的程序。而這兩個程序皆包含三個部分：(1)前處理、(2)車牌定位與(3)車牌轉正。在邊緣特徵定位方面，以垂直邊緣偵測與型態影像運算為主要的處理。而在色彩特徵定位

方面，則以色彩分割與物件輪廓線為主要的處理。本研究的車牌轉正的方式，從車牌輪廓線找車牌四個角點，改由數個字母的物件最小矩形框為基礎，準確地找到了車牌的四個角點，成為堅固的轉正方法。 本研究初步證實特徵匹配法在多個機車車牌物件的定位技術是可行的，然而還需要更多的測試，以及融合多個特徵做為更加強固的方法。而對於車牌色彩樣本的測試也得到色彩模式的印可，若要更精準地使用色彩特徵，則需要對色彩模式更加的了解。