我在tensorflow中创建了一个模型，具有以下OCR结构。我在一个非常大的数据集（250K图像）上训练它，并且准确率达到94％左右。但该模型大多数时候预测“是”为“1”或“1S”。我检查了数据集，它包含了很多“是”的实例，所以我不认为数据集是问题所在。当模型是另一个单词的一部分，例如“this”或“christian”时，模型也会正确预测。可能是这种行为的原因是什么我如何改进模型以检测“是”。
我尝试过的事情
减少maxpool图层的数量。
将2x1内核用于maxpool图层
Input: (?, 64, 1024, 1)
cnn-1: [None, 64, 1024, 64]
relu-1: [None, 64, 1024, 64]
bn-1: [None, 64, 1024, 64]
maxpool-1: [None, 32, 512, 64]
cnn-2: [None, 32, 512, 128]
relu-2: [None, 32, 512, 128]
bn-2: [None, 32, 512, 128]
maxpool-2: [None, 16, 256, 128]
cnn-3-1: [None, 16, 256, 256]
relu-3-1: [None, 16, 256, 256]
cnn-3-1: [None, 16, 256, 256]
relu-3: [None, 16, 256, 256]
bn-3: [None, 16, 256, 256]
maxpool-3: [None, 8, 128, 256]
cnn-4-1: [None, 8, 128, 512]
relu-4-1: [None, 8, 128, 512]
bn-4-1: [None, 8, 128, 512]
cnn-4-2: [None, 8, 128, 512]
relu-4-2: [None, 8, 128, 512]
bn-4-2: [None, 8, 128, 512]
maxpool-4: [None, 4, 64, 512]
cnn-5: [None, 4, 64, 512]
relu-5: [None, 4, 64, 512]
lstm-input: [None, 64, 2048]
lstm-output: [None, 64, 256]
lstm-output-reshaped: [None, 256]
fully-connected: [None, 94]
reshaped_logits: [None, None, 94]
transposed_logits: [None, None, 94]
答案 0 :(得分：1)
由于数据集中的大多数数字可能以空格开头，并且＆＃34; 1＆＃34;和＆＃34;我＆＃34;看起来很相似，这是一个可以理解的错误。
我没有改变网络架构的事情会有所帮助。
我要做的是人为地过采样＆＃34;是＆＃34;实例。你说它已经有很多例子 - 但可能还不够。因此，有一些概率为5％ - 10％强制文本样本在包含＆＃34;的位置是＆＃34;。您甚至不需要重新开始整个培训，您可以继续培训这样一个已经训练过的网络，这将迫使网络偏向于＆＃34;是＆＃34;。
如果它现在开始误认为＆＃34; 15＆＃34; as＆＃34;是＆＃34;然后用一些较小的概率，比如2％-5％，添加包含这样的数字的延伸。因此，像教一个人一样，给它展示一些例子，让它能够了解它的不同之处。
但是，不要将概率提高得太高，因为你会破坏一般的准确性。它会很快学会从中 15 ，但会忘记其他一切......答案 1 :(得分：0)
您将需要一个语言模型来更正ocr输出中的拼写。我认为您可以在nltk中找到一个拼写检查器。可以使用seq2seq自动编码器构建更复杂的拼写检查器。