我目前知道：他們的五大步調基本不合適教材說的程序！書上說的法式是：全彩→灰階→二值化→找輪廓→找方針→幾何校正(或稱正規化)→比對字模。那他們的五大程序是比課本寫得更高超嗎？當然不是！那只是因陋就簡的結果！因為書上說的標準程序實作起來太慢了！要逐一處置懲罰的個別狀態也太多了！所以就「只好」用各類方法簡化資料呼攏曩昔，避開真正解析問題的正常方式，只用統計的體例處置懲罰罷了翻譯類神經網路與機械學習就是最主要的「偷懶」焦點技術！
對問題還理解不深就起頭研讀方法論，我的感受是好像國中上數學物理時，還不懂道理就猛背公式解法的狀態。因為不懂為何要這麼作？論文上那些數學方式看起來就更加神秘與神聖！不知也不敢私自更動？然則套用前人的公式不算「研究」，那要怎麼才算呢？那就保守鄭重的改動一些參數或法式就行了嘛！只要不讓本來的方式崩盤，還加減會讓效果在「某一方面」好一點點，就算是「研究」了！論文及格，打完收工！
這是多數碩士乃至博士論文所謂「研究」的進程，但假如只是如許，我寧願不讀研究所了！做這些不痛不癢，基本也不克不及改變甚麼事情的研究，實際上是掩耳盜鈴！假如是研究生，說這是「進修進程」沒有大發明或成績也還可以接管，但大都教授的大量期刊論文也多半是如許，「及格」然則沒甚麼用途。最使人憤慨的是：他們本身都知道！但是每天照做到退休！
所以每個失敗案例我都可以在五分鐘以內告訴客戶原因，如不須開發新法式或演算法，華頓翻譯公司10分鐘之內就更新調整改版給客戶更好的軟體了！這是所有以類神經網路為基礎的軟體所做不到的！因為他們的軟體為何犯錯？若何處理這個問題？連「設計者」自己都不知道的！那售後辦事要怎麼作呢？
偷懶未必是壞事！當我們無計可施時，用統計方式讓事情最少有個趨近准確的結果，並且時候上還趕得上火車，這種手藝就是救命靈藥了！傳統的車牌辨識其實就是受限於較量爭論速度，所以都只能過度簡化影象資訊來實時獲得謎底，現在百萬畫速時代來臨，影象清晰多了，電腦也好了，不再能這樣呼攏過去了！
請先 登入 以發表留言。