Слайд 2Directum Ario
Классификация документов (договор, акт выполненных работ, счёт и пр.).
Извлечение фактов из
![Directum Ario Классификация документов (договор, акт выполненных работ, счёт и пр.). Извлечение](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-1.jpg)
документов (наименования организаций, даты, адреса и пр.).
Сравнение документов.
Поиск подписей и печатей.
Слайд 3План доклада
Проблема.
Поиск подписей при помощи OpenCV.
Введение в нейронные сети.
Поиск подписей с помощью
![План доклада Проблема. Поиск подписей при помощи OpenCV. Введение в нейронные сети.](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-2.jpg)
нейронных сетей.
Итоги.
Слайд 4Проблема
Пришёл заказчик, которому требовалось определять наличие подписи для валидации анкеты.
![Проблема Пришёл заказчик, которому требовалось определять наличие подписи для валидации анкеты.](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-3.jpg)
Слайд 5Поиск подписей при помощи OpenCV
![Поиск подписей при помощи OpenCV](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-4.jpg)
Слайд 6Алгоритм
переводим в ч/б
находим контуры
берём наибольший
???
PROFIT!
![Алгоритм переводим в ч/б находим контуры берём наибольший ??? PROFIT!](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-5.jpg)
Слайд 8Классификация “подпись/не подпись”
68%
![Классификация “подпись/не подпись” 68%](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-7.jpg)
Слайд 15Слои нейронной сети
Полносвязный слой (Dense layer).
Свёрточный слой (Convolutional layer).
Рекуррентный слой (Recurrent layer).
![Слои нейронной сети Полносвязный слой (Dense layer). Свёрточный слой (Convolutional layer). Рекуррентный слой (Recurrent layer).](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-14.jpg)
Слайд 16Слои нейронной сети
Полносвязный слой (Dense layer).
Свёрточный слой (Convolutional layer).
Рекуррентный слой (Recurrent layer).
![Слои нейронной сети Полносвязный слой (Dense layer). Свёрточный слой (Convolutional layer). Рекуррентный слой (Recurrent layer).](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-15.jpg)
Слайд 19Поиск подписей с помощью нейронных сетей
![Поиск подписей с помощью нейронных сетей](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-18.jpg)
Слайд 20Работа в проекте с нейронными сетями
Постановка задачи.
Выбор метрик качества.
Поиск, подбор, разметка данных.
Выбор
![Работа в проекте с нейронными сетями Постановка задачи. Выбор метрик качества. Поиск,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-19.jpg)
и настройка нейронной сети.
Если метрики не устраивают возвращаемся к п.3.
Встраивание в сервис.
Слайд 28Что делать с результатом работы нейронной сети?
Подбираем порог на котором режем подписи:
фиксированный
вычисляемый
![Что делать с результатом работы нейронной сети? Подбираем порог на котором режем подписи: фиксированный вычисляемый](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-27.jpg)
Слайд 32Прямоугольная разметка
Разметка подписей обрамляющими прямоугольниками
F1-мера: 72%
![Прямоугольная разметка Разметка подписей обрамляющими прямоугольниками F1-мера: 72%](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-31.jpg)
Слайд 33Аугментация
горизонтальное и вертикальное отражение
повороты на 90, 180, 270 градусов
F1-мера: 76%
![Аугментация горизонтальное и вертикальное отражение повороты на 90, 180, 270 градусов F1-мера: 76%](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-32.jpg)
Слайд 34Полигональная разметка
Разметка полигонами, приближенными к подписи
F1-мера: 82%
![Полигональная разметка Разметка полигонами, приближенными к подписи F1-мера: 82%](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-33.jpg)
Слайд 35Тюнинг сети
добавили слои
изменили размер входного слоя
F1-мера: 87%
![Тюнинг сети добавили слои изменили размер входного слоя F1-мера: 87%](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-34.jpg)
Слайд 36Плюсы
относительно быстрое обучение нейронной сети
небольшой размер обученной модели
простая и понятная архитектура
быстрое выполнение
![Плюсы относительно быстрое обучение нейронной сети небольшой размер обученной модели простая и](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-35.jpg)
на CPU
приемлемое качество
простое обучение
просто обучить на поиск других объектов
Слайд 37Минусы
сложно разделить “слипшиеся” объекты
из коробки не получилось обучить для нескольких классов (подписи,
![Минусы сложно разделить “слипшиеся” объекты из коробки не получилось обучить для нескольких](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-36.jpg)
печати)
из коробки качество местами не очень
могут возникнуть проблемы, если необходимо искать объекты разных размеров
Слайд 38Что дальше?
Deep Watershed Transform
другие архитектуры сетей
![Что дальше? Deep Watershed Transform другие архитектуры сетей](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-37.jpg)
Слайд 39Ссылки
Keras U-Net starter
Understanding Semantic Segmentation with UNET
U-Net: Convolutional Networks for Biomedical Image
![Ссылки Keras U-Net starter Understanding Semantic Segmentation with UNET U-Net: Convolutional Networks](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/879513/slide-38.jpg)
Segmentation
Глубокое обучение на Python