EpicTrol/SCNU-AiMatch

华南师范大学首届“人工智能”算法挑战赛

SCNU-AiMatch

华南师范大学第一届人工智能算法挑战赛-验证码识别第一名方案，最终评测结果为0.95860

• 在colab上借助google的免费gpu运行，本地运行如提示内存不足可减少batchsize
• 断点续训，可选择不同模型载入训练
• 每一个epoch保存一次模型（可自行调整）

主要流程

（1）将整张图片切割为多个小图片，每个小图片包含一个字符

（2）训练模型，识别每个小图片中的字符，将模型保存在checkpoint文件夹下（具体见train文件的代码）

（3）将每个小图片的识别出的字符拼接为字符串作为整体识别结果

训练和提交结果

Model	Learning_rate	Epoch	Optimizer	Train:Test	Accuracy(Test:Submit:Final Submit)
CNN_baseline	1e-3	30	Adam	9:1(NotRandom)	None / 0.4018
VGG-16(Mini)	5e-4	30	Adam	9:1	81% / 0.8141
	5e-4	100	Adam	9:1	85% / 0.8557
VGG-16	5e-4	100	Adam	9:1	89.33% / 0.9089
ResNet18	3e-4	100	Adam	9:1	93.53% / 0.9379
	3e-4+3e-5	100	Adam	9:1	95.50% / 0.9520/0.9495
	3e-5	100	RAdam	9:1	95.85% / 0.9548/0.9535
ResNet34	3e-4	100	RAdam	9:1	95.80% / 0.9586/0.9562
ResNet34	1e-4	120	RAdam	9:1	95.60% / 0.9612/0.95740
ResNet34	1e-4+1e-5	120+30	RAdam	9:1	null / null/0.95860

更新日志

• 2020/5/26 版本0.1 CNN_Baseline 提交准确率40%
• 2020/5/27 版本0.2 VGG-16_mini 提交准确率80%
• 2020/5/28 版本0.3 VGG-16 提交准确率90%
• 2020/5/30 版本0.4 ResNet18 提交准确率93%
• 2020/6/1 版本0.4.1 ResNet18 提交准确率95.20%
• 2020/6/2 版本0.4.2 ResNet18+RAdam 提交准确率95.48%
• 2020/6/2 版本0.5 ResNet34+RAdam 提交准确率95.86%
• 2020/6/2 版本0.6 ResNet34+RAdam 提交准确率96.12% （loss: 0.00017425031336807436 learning_rate: [2.5e-05]）