有一百万零一个关于如何在 MNIST 数据和 CIFAR-10 数据等样本集上训练神经网络的示例和教程，但是如何从识别 200x200 剪辑的玩具示例开始，每个剪辑都包含一个中心反对一个真正的问题，比如在图片中找到 CIFAR-10 类别对象（下面的狗和猫），就像我认为谷歌为他们的照片注释所做的那样。
有人可以描述如何实现从课堂到现实世界的这一飞跃吗？
如何使用经过 CIFAR-10 训练的网络在照片中查找内容？
数据挖掘
机器学习
神经网络
2022-03-01 07:18:17
1个回答
这是一个定义明确的问题，称为文本定位。有很多方法可以解决这个问题，但大多数好的方法都是基于深度学习。天真地，你会使用一个像你在 MNIST 上训练的网络来滑动你的输入，看看它在哪里强烈触发以建立一个字符串。这种方法工作得相当好，但是在整个输入图像上进行卷积运算是非常昂贵的。在实践中实际使用的一种方法是一个两步过程，首先有一个经过训练的网络来定位感兴趣的区域，这些区域是可能有文本的部分的边界框，然后使用更高级的网络来抓取文本. 据我了解，现在这也是在一个网络通道中完成的，而不是在单个补丁上查询。
http://www.mathstat.dal.ca/~hgu/Neural%20Comput%20&%20Applic.pdf