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)
(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
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 |
- 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])