CSTA و Code.org قهرمانان 2017 علوم کامپیوتر را اعلام می کنند

در جشن هفته آموزش علوم کامپیوتر 2017 (CSEdWeek) ، انجمن معلمان علوم کامپیوتر (CSTA) و Code.org خوشحال می شوند که اعلام اولین قهرمانان علوم کامپیوتر این برندگان از توسعه یک مچ بند و برنامه برای کمک به والدین برای نظارت بر فرزندان خردسال خود ، به عنوان مرکزی برای گسترش علوم رایانه در جوامع روستایی در سراسر کشور ، نماینده دانش آموزان ، معلمان ، مدارس ، مناطق و سازمان هایی است که در خط مقدم علوم رایانه ملی حضور دارند. جنبش آموزشی.

یک ورودی برنده در 3 سال گذشته ، دانش آموزان در مجموع 8 دست و بازوی مصنوعی ایجاد کرده اند. آنها در حال توسعه بازوی مایوالکتریک برای یک دختر محلی هستند.

از میان 1000 نامزد انتخاب شده ، برندگان به همراه جوایز خود در رویداد ویژه شروع CSEdWeek 2017 در 4 دسامبر با حضور پگی جانسون از مایکروسافت ، شریل سندبرگ از فیس بوک و سوزان ووجیچی از یوتیوب. دبورا سیهورن ، مدیر اجرایی موقت CSTA می گوید: "ما از دریافت چنین پاسخ عظیمی به فراخوان نامزدها خوشحالیم. کمیته انتخاب در انتخاب برندگان از بین آثار متعدد نمونه ، مشکل داشت. اینها افرادی هستند که واقعاً مشارکت خود را در CS گسترش می دهند ، از CS دفاع می کنند ، نوآوری می کنند و در جامعه خود تأثیر می گذارند. " و برای جشن گرفتن دستاوردهای هزاران نفر مانند آنها در سراسر کشور به عنوان بخشی از CSEdWeek امسال ، "می گوید پت یونگ پرادیت ، مدیر ارشد علمی Code.org. "همه ما از این قهرمانان الهام گرفته ایم." :

Vidhi Srivastava از دبیرستان Redlands (Redlands، CA) کریستال ریناگا و آنجلا یوهانا گارسیا پنا از مدرسه راهنمایی فلورانس نایتینگل (لس آنجلس ، کالیفرنیا) شریا شکار از BASIS Silicon Valley مستقل (سان خوزه ، کالیفرنیا) جان میسون برانوم از مدرسه راهنمایی کاترین هانکینز (تئودور ، AL)

در بخش معلم ، برندگان عبارتند از:

دایان نویل از Gulfstream Academy of Hallandale Beach (Hallandale Beach، FL) لارنس راموس از مدرسه وسط مدرسه امرسون چارتر (لس آنجلس ، کالیفرنیا) هدر سوتکوفسکی از CREC Montessori Magnet School (Hartford، CT) Efrain Lopez از دبیرستان JW Nixon (Laredo، TX)

در بخش مدارس ، برندگان عبارتند از:

دبیرستان Eufaula (Eufaula، AL) - معلم ریاضیات و علوم کامپیوتر آلیشیا "لی" کالتون جایزه مدرسه ریاضیات ، علوم و هنرهای آرکانزاس (هات اسپرینگز ، AR) را می پذیرد. کارگردان آلدیردیس جایزه را می پذیرد دبیرستان برنهام (برنهام ، ایالت تگزاس) - معلم ریاضی و علوم کامپیوتر ترنتون هال جایزه مدرسه راهنمایی آناکاپا (ونتورا ، کالیفرنیا) - معلم ریاضی و STEAM کریستی اشتاینلیخت جایزه را می پذیرد

در بخش منطقه ، برنده:

منطقه مدرسه سانفرانسیسکو (سان فرانسیسکو ، کالیفرنیا) - هماهنگ کننده علوم کامپیوتر برایان تروک برنده جایزه خواهد شد

در بخش سازمان ، برندگان عبارتند از: > اتحاد روباتیک ملکه شهر (شارلوت ، NC) - مدیر اجرایی لیا شوینگهامر این جایزه را می گیرد

درباره CSTA

CSTA ، انجمن معلمان علوم کامپیوتر(www.csteachers.org) ، یک سازمان عضویت است که از آموزش علوم رایانه و سایر رشته های محاسبات در سطح K-12/پیش دانشگاهی پشتیبانی و ترویج می کند. انجمن ماشین های محاسباتی CSTA را به عنوان بخشی از تعهد خود به آموزش علوم کامپیوتر K-12/pre-university تاسیس کرد. CSTA فرصت هایی را برای معلمان و دانش آموزان K -12 فراهم می کند تا رشته های محاسبات را بهتر بشناسند و با موفقیت بیشتری خود را برای آموزش و یادگیری آماده کنند.

علوم رایانه "تمرکز ویژه" کمک های مالی فدرال است

< /img>

سرانجام اولین جزئیاتی که از سپتامبر سال گذشته منتظر آن بودیم به دست آمد و این یک گام به جلو است. وزارت آموزش و پرورش برنامه هایی را برای حمایت از توسعه کارآموزان موثر (SEED) افتتاح کرده است که سالانه ده ها میلیون دلار به آن کمک مالی می کند. این کمک هزینه تنها یک اولویت رقابتی دارد که عبارت است از "STEM با تمرکز ویژه بر علوم کامپیوتر". M/سال برای STEM و علوم کامپیوتر. وزیر آموزش و پرورش سپس STEM + CS را به عنوان یکی از 11 اولویت برنامه های کمک تحصیلی فدرال معرفی کرد. درخواست جدید SEED اولین نگاه ما به نحوه عملکرد این بودجه است.

تازه ها

یک درخواست برای کمک هزینه SEED اگر شامل STEM و CS باشد می تواند سه امتیاز "جایزه" دریافت کند. به از نظر تاریخی ، کمک های مالی SEED دارای اولویت های رقابتی متعددی بود و STEM (بدون ذکر CS) تنها یکی از آنها بود. در حال حاضر ، تنها اولویت رقابتی STEM با تمرکز ویژه بر CS است. منابع مالی بلند مدت برای علوم رایانه K-12. ما هر برنامه واجد شرایط در علوم کامپیوتر K-12 را تشویق می کنیم که برای دریافت این کمک ها در نظر بگیرد و به دولت کمک کند تا تعهد خود را در مورد "تمرکز ویژه" بر روی CS انجام دهد. اگر قصد درخواست دارید ، در اینجا منبعی وجود دارد که ما جزئیات مربوط به روند درخواست SEED را ایجاد کرده ایم. آخرین مهلت درخواست ها 17 مه است.

اما ، ما خیلی بیشتر

انتظار داشتیم اگرچه این خبر خوبی است ، اما به طور قابل توجهی کمتر از آنچه که ما انتظار داشتیم و انتظار داشتیم. ما اصرار داشتیم که علوم رایانه علاوه بر STEM ، اولویت رقابتی جداگانه خود را نیز بدست آورد. چرا؟ مشاغل رایانشی 58 درصد از مشاغل جدید STEM را تشکیل می دهند ، با این حال علوم کامپیوتر به طور سنتی بخش کوچکی از بودجه STEM را دریافت کرده است. ائتلاف حمایتی Code.org و هزاران معلم 75 درصد از همه نظرات عمومی را که این بخش دریافت کرده بود به CS اختصاص می دهند و اولویت خود را دارد. ما همچنین انتظار داشتیم تنوع در علوم کامپیوتر یک اولویت اضافی باشد.

با عدم فراخواندن این دو عنصر ، دولت فرصتی را برای اولویت بندی CS و تنوع به شیوه ای معنادار از دست داد. ما از این نظارت ناامید شده ایم ، و دیگر گروه هایی که به اندازه ما به بهبود تنوع در علوم رایانه اهمیت می دهند ، ناامید شده اند. آینده ، از جمله آموزش ، نوآوری و تحقیقات (EIR). CS و تنوع ممکن است به طور خاص در چرخه اعطای بعدی برنامه EIR اولویت بندی شوند. به ما گفته شده است که درخواست می تواند در ماه آینده انجام شود. این قانون شامل مفاد مهمی برای علوم رایانه K-12 است ، از جمله 50 میلیون دلار برای STEM و علوم رایانه در برنامه EIR برای امسال. در چند روز آینده به دنبال پست با جزئیات بیشتر باشید.

یک گام مهم رو به جلو ، اما کار بیشتری باقی مانده است

این برای جامعه ما بسیار عالی است کهK-12 علوم کامپیوتر به طور خاص توسط وزارت آموزش و پرورش و کنگره نامیده می شود. اینها بر موفقیت قبلی ائتلاف حمایت از Code.org در سطح فدرال استوار است ، مانند گنجاندن CS در قانون هر دانش آموز موفق می شود. راه درازی در پیش داریم تا بودجه نهادینه و پایدار برای هر دانش آموز در هر مدرسه فراهم شود تا فرصت یادگیری CS را داشته باشند و این خبر گامی دیگر به جلو است.

کامرون ویلسون ، رئیس جمهور - Code.org ائتلاف طرفداری

به روز رسانی 24 آوریل 2018 - وزارت آموزش و پرورش همچنین جزئیات برنامه کمک هزینه EIR را نیز منتشر کرد. برای کسب اطلاعات بیشتر ، از پست وبلاگ ما دیدن کنید یا به وبینار ضبط شده گروه در برنامه گوش دهید.

یک ادیسه بصری از بزرگترین رایانه های تاریخ

یک ادیسه بصری از بزرگترین رایانه های تاریخ

توسط Dag Spicer

ده ها سال پیش در آغاز عصر دیجیتال ، دنی هلیس ، پیشگام برنامه نویسی ، در اولین کنفرانس کامپیوتری خود ، در یک هتل هیلتون در شهر نیویورک شرکت کرد. در آنجا ، او تعاملی را مشاهده کرد که از اشتراک گذاری تا به امروز لذت می برد. پس از اینکه یکی از مجریان جسورانه پیش بینی کرد که بازار ریزپردازنده ها روزی میلیونی خواهد بود ، یکی از مخاطبین شکاک صدا کرد: "همه آنها به کجا می روند؟ اینطور نیست که شما در هر دستگیره ای به کامپیوتر احتیاج دارید! "

" سالها بعد ، من به همان هتل برگشتم ، "هیلیس به خاطر می آورد. "من متوجه شدم کلیدهای اتاق با کارت های الکترونیکی جایگزین شده اند که درها را به شکاف در می آورید. در هر دستگیره یک کامپیوتر وجود داشت. "

این افزایش باور نکردنی قدرت محاسبه در هر گوشه و کنار زندگی ما توسط قانون مور هدایت می شد. در سال 1965 ، بنیانگذار اینتل ، گوردون مور ، به طرزی معروض استناد کرد که تعداد ترانزیستورهای یک تراشه تقریباً هر دو سال دو برابر می شود. از آن زمان ، اینتل قانون مور را با نوآوری هایی در طراحی و ساخت ریزپردازنده ثابت کرده است ، که منجر به افزایش مداوم قدرت با کاهش مناسب هزینه می شود.

ما از داگ اسپایسر ، سرپرست ارشد رایانه پرسیدیم. موزه تاریخ ، برای انتخاب 12 ریزپردازنده پیشرفته اینتل از گذشته ما و به اشتراک گذاشتن داستانهای پشت طراحی های متحول کننده رایانه شخصی که آنها طراحی کردند.

1971

ماشین حساب Busicom 141-PF

برای شماره قسمت اینتل: 4004 سرعت ساعت: 108 کیلوهرتز ترانزیستورها: 2،300

ماشین حساب Busicom 141-PF ، بر اساس ریزپردازنده Intel 4004.

در یکی از بزرگترین معاملات در تاریخ تجارت ، اینتل حقوق ریزپردازنده ای را که برای سازنده ماشین حساب ژاپنی Busicom طراحی کرده است ، با 65000 دلار دریافت می کند. این تراشه Intel 4004 بود ، اولین ریزپردازنده تجاری موجود به عنوان یک جزء. اگرچه تقریباً تمام سود اینتل در آن زمان از تراشه های حافظه آن حاصل می شد ، 4004 اولین قدم برای ورود به بازار جدیدی بود - زمانی که سازندگان تراشه های حافظه ژاپنی صنعت تراشه های حافظه ایالات متحده را از بین بردند ، سرانجام مثبت شد.

1972

Micral-N

< p> شماره قسمت اینتل: 8008 سرعت ساعت: 800 کیلوهرتز ترانزیستورها: 3500 میکرو رایانه Micral-N اینتل (1973) ) ، در جمع آوری عوارض بزرگراه در فرانسه استفاده می شود. > img src = "https://cdn-images-1.medium.com/max/426/1*PYXRP-KphkXr4opqioFuSQ.jpeg"> استیو وزنیاک با Micral در سال 1986.

دومین ریزپردازنده اینتل نیز طبق قرارداد برای یک مشتری خارجی ایجاد شد. Computer Terminal Corporation (CTC) اینتل را برای طراحی یک ریزپردازنده تک تراشه برای ترمینال قابل برنامه ریزی Datapoint 2200 خود استخدام کرده بود. در حالی که اینتل تراشه را طراحی کرده بود ، هم Texas Instruments و هم Intel برای ساخت آن قرارداد بستند. مدل Texas Instruments به هیچ وجه کار نکرد و نسخه اینتل دیر شد ، بنابراین CTC به رویکردی پیچیده تر بازگشت. CTC سپس به اینتل اجازه داد تا حق طراحی را به جای ارزش قرارداد اولیه حفظ کند. اینتل که در ابتدا 1201 نامیده می شد ، چند تغییر جزئی در طراحی ایجاد کرد و آن را با نام 8008 عرضه کرد.

1974

MITS Altair 8800

شماره قسمت Intel: 8080 سرعت ساعت: 2 مگاهرتز ترانزیستورها: 4500

MITS Altair 8800 روی جلد Popular Electronics ، ژانویه 1975.

8080 اغلب به عنوان اولین ریزپردازنده به اندازه کافی قدرتمند برای ساختن یک کامپیوتر مفید تصور می شود. در حالی که اینتلریزپردازنده های قبلی خانه های طبیعی را در محصولاتی مانند صندوقدار ، کنترل چراغ راهنمایی و ماشین حساب پیدا کردند ، 8080 تراشه ای برای اولین نسل از رایانه های شخصی بود. قابل توجه ترین رایانه مبتنی بر 8080 ، MITS Altair 8800 بود که خبر از انقلاب محاسبات شخصی می داد ، هنگامی که در جلد جلد Popular Electronics در ژانویه 1975 ظاهر شد. MITS مبتنی بر آلبوکرک با سفارشات غرق شد و صدای هیاهو در اطراف Altair باعث ایجاد دو مورد شد. دانشجویان هاروارد ، بیل گیتس و پل آلن ، برای راه اندازی شرکتی-به نام Micro-Soft-برای نوشتن نرم افزار برای آن.

1979

IBM PC

شماره قسمت Intel: 8088 سرعت ساعت: 10 مگاهرتز ترانزیستورها: 29،000

IBM PC (1981) ، یکی از رایانه های موفق همیشه. نسخه کاهش یافته 8086. با کاهش تعداد اتصالات داده خارجی به 8 (از 16) ، مادربردها ساده تر شدند. همچنین اجازه داد از تراشه های پشتیبانی 8 بیتی استفاده شود که منجر به ارزان شدن رایانه ها شد. مشهورترین طراحی با استفاده از 8088 PC IBM 1981 است که توسط IBM یا توسط سازندگان "کلون" در سراسر جهان ده ها میلیون بازسازی شده است.

1982

IBM PC/AT

شماره قسمت Intel: 80286 سرعت ساعت: 6 مگاهرتز ترانزیستورها: 134،000

IBM PC/AT (1984). < p> 80286 دومین فصل در داستان x86 بود: 3-5 برابر سریعتر از 8088 مورد استفاده در رایانه IBM بود - اما می توانست همه نرم افزارهای مشابه را اجرا کند. از اواسط دهه 1980 تا اوایل دهه 1990 به طور گسترده ای در رایانه ها مورد استفاده قرار گرفت. 80286 همچنین اولین تلاش اینتل برای پشتیبانی از سیستم عامل های چند وظیفه ای بود که در آن شکست یک برنامه کل کامپیوتر را خراب نکرد. برنده اصلی طراحی اینتل PC/AT جدید IBM بود.

1985

Compaq Deskpro

شماره قسمت Intel: Intel386 ™ DX Processor سرعت ساعت: 16 مگاهرتز ترانزیستورها: 275،000

پردازنده Intel386 DX Compaq Deskpro ، کلون نمادین PC در دهه 1980. انتقال اینتل به معماری 32 بیتی ، گامی مهم که منجر به سریعتر برنامه های کاربردی شد. اولین پردازنده های Intel386 DX فقط به عنوان سرور استفاده می شدند - هیچکس فکر نمی کرد که کاربر دسکتاپ تا به حال به اینقدر قدرت نیاز داشته باشد. وارد مایکروسافت ویندوز شوید که همه این چرخه های فوق العاده اضافی را مصرف می کند. تقریباً یک دهه دیگر طول کشید تا سیستم عامل های 32 بیتی رایج شوند.

1987

IBM PS/2 Model 25

شماره قسمت Intel: 8086 سرعت ساعت: 5 مگاهرتز ترانزیستورها: 29،000

IBM PS/2 Model 25 ، بر اساس Intel 8086 .

ریزپردازنده 8086 اینتل ، سرآغاز خانواده اصلی شرکت "x86" است ، یکی از موفق ترین معماری های رایانه ای در تاریخ و هنوز هم پایه بیش از 90 درصد از تمام رایانه های مورد استفاده امروزی است. در اصل ترکیبی از ویژگی های ریزپردازنده های قبلی 8080 و 8085 ، 8086 از پردازش 16 بیتی پشتیبانی می کند که سرعت و پیچیدگی نرم افزارهای احتمالی را بسیار افزایش می دهد. دو سال بعد ، اینتل تراشه همراه 8087 "پردازنده ریاضی" را معرفی کرد که برنامه های فنی مانند طراحی و گرافیک به کمک کامپیوتر را سرعت بخشید. یکی از اولین رایانه های قابل حمل جهان ، Xerox NoteTaker 1978 ، از 8086 مانند ده ها سیستم دسکتاپ دیگر استفاده کرد.

1989

Gateway 2000 PC

شماره قسمت Intel: Intel486 ™ DX Processor سرعت ساعت: 25 مگاهرتز ترانزیستورها: 1،200،000

"کلون" رایانه شخصی Gateway 2000 ، رایانه معمولی مبتنی بر پردازنده Intel486 DX. < p> اولین ریزپردازنده اینتل با بیش از یک میلیون ترانزیستور ، Intel486 DX تراشه ای است که مایکروسافت ویندوز را به عنوان یک ابزار اداری معمولی برای میلیون ها نفر قابل استفاده کرد. تراشه های قبلی برای استفاده در محیط رابط گرافیکی ویندوز قدرت نداشتند ، اما Intel486 DX عملکرد قبلی خود را دو برابر کرد و باعث محبوبیت آن در بین متخصصان گرافیک و گیمرها شد. Business Week آن را "Mainframe-on-a-chip" نامید. این پروژه همچنین نقطه عطفی برای اینتل بود: یک طراحی داخلی که با نام i860 شناخته می شود ، تهدیدی برای از بین بردن طراحی Intel486 DX است ، اما فشار توسعه دهندگان نرم افزار (به ویژه مایکروسافت) اینتل را مجبور کرد که از معماری x86 خود استفاده کند.

1993

HP Netserver LM

مدل اینتل: پردازنده Intel® Pentium® سرعت ساعت: 66 مگاهرتز ترانزیستورها: 3،100،000

اولین پردازنده های Intel Pentium در سرورهایی مانند این مورد استفاده شد HP Netserver LM (1994).

جانشین Intel486 DX ، پردازنده پنتیوم می توانست دو دستور را به طور همزمان پردازش کند و دارای یک گذرگاه داده 64 بیتی عظیم بود. این در اواسط دهه 1990 به عنوان ریزپردازنده اصلی رایانه های شخصی تبدیل شد. این برنامه می تواند بیش از 100 میلیون دستورالعمل را در ثانیه اجرا کند و برای گرافیک سه بعدی ، بازی ها و ارتباطات صوتی و تصویری از طریق گنجاندن دستورالعمل های ویژه-به نام برنامه های افزودنی چند رسانه ای (MMX) بهینه شده است.

1995

ASCI Red

مدل اینتل: اینتل or پردازنده Pentium® Pro سرعت ساعت: 200 مگاهرتز ترانزیستورها: 5،500،000

ابررایانه ASCI Red وزارت انرژی ایالات متحده ، ساخته شده با Intel Pentium Pro پردازنده ها.

Pentium Pro اینتل طراحی مجدد "معماری خرد" خانواده x86 بود. این طرح جدید که با نام "P6" شناخته می شود ، مفاهیمی شبیه به ابر رایانه را وارد طراحی ریزپردازنده کرد. Pentium Pro بسیار سریعتر از Pentium بود و دارای یک حافظه ذخیره سازی غول پیکر "cache" بود. همچنین این قابلیت را داشت که حجم کار پردازش را با سایر Pentium Pro ها به اشتراک بگذارد. برای بیشتر رایانه های رومیزی بیش از حد بود اما اغلب در سرورها استفاده می شد. همچنین در ابر رایانه ASCI Red ، اولین رایانه ای که یک تریلیون محاسبه در ثانیه را پردازش کرد ، مورد استفاده قرار گرفت.

2005

Dell Precision 380

مدل اینتل: پردازنده Intel® Pentium® Extreme Edition 840 سرعت ساعت: ترانزیستورهای 3.2 گیگاهرتز: 230 میلیون

ایستگاه کاری Dell Precision 380 ، بر اساس پردازنده Intel Pentium Extreme Edition 840. < /img> نمای داخلی پردازنده Pentium Extreme Edition 840 که دو هسته را نشان می دهد.

همانطور که در اواسط دهه 2000 برای سازندگان تراشه مشخص شد که دستیابی به پیشرفت های بیشتر در سرعت ساعت بسیار دشوار است ، تمرکز روی پردازنده های "چند هسته ای" شروع شد. اینها ریزپردازنده هایی بودند که در آنها بیش از یک هسته پردازشی روی یک بسته تراشه ساخته شده بود. Pentium Extreme Edition 840 ، با اسم رمز Smithfield ، در واقع دو هسته پردازنده بود که در کنار هم روی یک قالب ساخته شده بودند. این اولین ریزپردازنده x86 دو هسته ای بود که برای رایانه های رومیزی مانند ایستگاه کاری Dell Precision 380 در نظر گرفته شده بود.

2015

2015 Apple MacBook

مدل Intel: نسل پنجم خانواده پردازنده Intel® Core سرعت ساعت: ترانزیستورهای 1.4 تا 3.1 گیگاهرتز: 1.3 تا 1.9 میلیارد

اپل 2015 مک بوک از پردازنده های نسل پنجم اینتل Core i5 و i7 استفاده می کند. >

جدیدترین نسل ریزپردازنده های اینتل مطابق با محیط امروزی طراحی شده اند که دارای محاسبات کم مصرف و همراه با پشتیبانی از گرافیک با کارایی بالا و ویژگی های امنیتی داخلی است. به این خانواده تراشه ها با استفاده از لیتوگرافی 14 نانومتری ساخته شده اند:ترانزیستورهایی که استفاده می کند پنج برابر کوچکتر از یک ویروس بیولوژیکی معمولی است. تراشه های این خانواده همچنین از "Hyper Threading" استفاده می کنند که به شما امکان می دهد چندین برنامه را بدون مشکل اجرا کنید.

داگ اسپایسر سرپرست ارشد موزه تاریخ رایانه است ، یک سازمان غیرانتفاعی با سابقه چهار دهه به عنوان نهاد پیشرو در جهان که در زمینه تاریخچه محاسبات و تأثیر مداوم آن بر جامعه کاوش می کند.

توسط Intel پشتیبانی می شود. خیلی چیزها تغییر کرده است ، پشت سر نگذارید! با Intel Inside®

به دنیایی از تجربیات جدید ارتقا دهید

اینتل رایانه

بزرگترین مشکلات حل نشده در علوم کامپیوتر

برنامه نویسان بسیاری از مشکلات مهندسی چالش برانگیز را به جز این اسرار حل کردند.

عکس توسط کارلا هرناندز در Unsplash

مبانی نظری علم کامپیوتر برای حل انواع مشکلات چالش برانگیز دنیای واقعی استفاده می شود. هر راه حل فنی دارای اصول اساسی علوم کامپیوتر است. به عنوان مثال ، کنترل نسخه توزیع شده Git…

یادگیری خواندن: روشهای رایانه ای برای استخراج متن از تصاویر

نوشته رضا سرشق و کیگان هاینز ، پایتخت یک

مانند بسیاری از شرکتها ، نه م institutionsسسات مالی ، Capital One هزاران سند برای پردازش ، تجزیه و تحلیل و تبدیل به منظور انجام روز دارد -عملیات روز مثالها ممکن است شامل رسیدها ، صورتحسابها ، فرمها ، صورتها ، قراردادها و بسیاری دیگر از دادههای بدون ساختار باشد ، و مهم این است که بتوانید به سرعت اطلاعات جاسازی شده در دادههای غیر ساختار یافته مانند اینها را درک کنید.

خوشبختانه اخیر پیشرفت در بینایی رایانه ای به ما امکان می دهد گام های بلندی در کاهش بار تحلیل و درک اسناد برداریم. در این پست ، ما یک شبکه عصبی پیچشی چند کاره را که به منظور استخراج کارآمد و دقیق متن از تصاویر اسناد توسعه داده ایم ، توضیح می دهیم.

تشخیص نویسه نوری

چالش استخراج متن از تصاویر اسناد به طور سنتی به عنوان تشخیص شخصیت نوری (OCR) شناخته می شود و مورد توجه بسیاری از تحقیقات قرار گرفته است. وقتی اسناد به وضوح تنظیم شده و دارای ساختار جهانی هستند (به عنوان مثال ، نامه تجاری) ، ابزارهای موجود برای OCR می توانند عملکرد خوبی داشته باشند. یکی از ابزارهای باز منبع باز برای OCR ، پروژه Tesseract است که در ابتدا توسط Hewlett-Packard توسعه یافته بود ، اما در سال های اخیر تحت مراقبت و تغذیه گوگل بوده است. Tesseract یک رابط کاربری آسان و همچنین یک کتابخانه مشتری پایتون همراه را ارائه می دهد و به عنوان یک ابزار کاربردی برای پروژه های مرتبط با OCR شناخته می شود. اخیراً ، ارائه دهندگان خدمات ابری قابلیت تشخیص متن را در کنار ارائه های مختلف بینایی رایانه ای خود ارائه می دهند. اینها شامل GoogleVision ، AWS Textract ، Azure OCR و Dropbox و سایر موارد است. این زمان هیجان انگیز در این زمینه است ، زیرا تکنیک های بینایی رایانه به طور گسترده ای برای توانمندسازی بسیاری از موارد استفاده در دسترس قرار می گیرد. راه حل های عمومی کاملاً مناسب نیستند یک مثال ممکن است در تشخیص متن دلخواه از تصاویر صحنه های طبیعی باشد. مشکلاتی از این دست در چالش COCO-Text رسمی شده است ، جایی که هدف استخراج متنی است که ممکن است در علائم جاده ، شماره خانه ، تبلیغات و غیره گنجانده شود. زمینه دیگری که چالش های مشابهی را ایجاد می کند ، استخراج متن از تصاویر اسناد پیچیده است. برخلاف اسناد با طرح کلی (مانند یک نامه ، یک صفحه از یک کتاب ، یک ستون از یک روزنامه) ، بسیاری از انواع اسناد در ساختار خود نسبتاً بدون ساختار هستند و عناصر متنی در سراسر آن پراکنده شده اند (مانند رسیدها ، فرم ها ، و فاکتورها). چنین مشکلاتی اخیراً در چالش ICDAR DeTEXT Text Extraction From Biomedical Literature Figures رسمیت یافته است. این تصاویر با چیدمان های پیچیده ای از بدنه های متنی که در یک سند پراکنده شده اند و توسط اشیاء "حواس پرتی" احاطه شده اند مشخص می شوند. در این تصاویر ، یک چالش اصلی در تقسیم بندی صحیح اشیاء در یک تصویر برای شناسایی بلوک های متن منطقی است. تصاویر نمونه از COCO-Text و ICDAR-DeTEXT در زیر نشان داده شده است. این رژیم های OCR غیر سنتی چالش های منحصر به فردی را شامل می شوند ، از جمله جداسازی زمینه/شی ، مقیاس های متعدد تشخیص شی ، رنگ آمیزی ، جهت گیری متن ، تنوع طول متن ، تنوع فونت ، اشیاء حواس پرتی و انسداد.

شکل 1. تصاویر نمونه از COCO-Textچالش (چپ) و چالش ICDAR DeTEXT (راست). توجه داشته باشید که OCR در این رژیم مستلزم تشخیص اشیاء متنی جدا از پیکسل های پس زمینه و سایر عوامل مزاحم است.

مشکلات ایجاد شده در OCR غیر سنتی را می توان با پیشرفت های اخیر در بینایی رایانه ، به ویژه در زمینه ، حل کرد. تشخیص شیء همانطور که در زیر بحث می کنیم ، روشهای قدرتمند جامعه تشخیص شیء را می توان به راحتی با مورد خاص OCR تطبیق داد. تصاویر دیجیتالی شده با مقابله با چالش هایی مانند طبقه بندی تصویر ، تشخیص شی ، تقسیم بندی تصویر ، برآورد عمق ، برآورد ژست و موارد دیگر. برای این بحث ، ما بر روی زمینه تشخیص شی (و تقسیم بندی مربوط به تصویر) که در سال های اخیر پیشرفت های چشمگیری داشته است تمرکز می کنیم. تلاش های اولیه برای تشخیص شی بر استفاده از تکنیک های طبقه بندی تصویر در قسمت های مختلف از پیش مشخص شده یک تصویر متمرکز شد. بسیاری از رویکردها بر سرعت بخشیدن به شناسایی مناطق کاندیدا و استفاده از مکانیسم های متحرک برای استخراج و طبقه بندی ویژگی ها متمرکز شده است. در حالی که پیشرفتهای جالبی در این زمینه انجام شده است ، ما در درجه اول بر MaskRCNN تمرکز می کنیم ، مدلی که قادر است با موفقیت تشخیص و تشخیص قطعات تصویر را انجام دهد.

یک نمونه خروجی از MaskRCNN در زیر نشان داده شده است. برای هر تصویر ورودی ، این مدل در تلاش است تا سه چیز را انجام دهد: تشخیص شی (جعبه های سبز) ، طبقه بندی اشیا و تقسیم بندی (مناطق سایه دار رنگارنگ). کادرهای سبز رنگ در تصویر زیر خروجی های مدل هستند و در بالای هر کادر پیش بینی این است که چه نوع شیئی در داخل آن قرار دارد. ما می توانیم مشاهده کنیم که وقتی این صحنه از یک خیابان شلوغ در مدل قرار می گیرد ، MaskRCNN قادر است انواع زیادی از اجسام مختلف صحنه از جمله افراد ، ماشین ها و چراغ های راهنمایی را با موفقیت شناسایی کند. علاوه بر این ، در داخل هر کادر محدود کننده مشخص شده ، منطقه سایه دار رنگی دقیقاً مشخص می کند که پیکسل های یک تصویر مربوط به جسم است. به این تقسیم بندی گفته می شود و هر پیکسل در تصویر یک برچسب طبقه بندی پیش بینی شده دریافت می کند که پیکسل به چه نوع شیئی (یا پس زمینه) تعلق دارد.

شکل 2: خروجی MaskRCNN برای تصویری از یک صحنه شلوغ خیابانی. توجه داشته باشید که اشیاء مرتبط (افراد ، اتومبیل ها ، چراغ های راهنمایی) با جعبه های محدود کننده و همچنین مناطق تقسیم بندی شناسایی می شوند.

MaskRCNN نمونه ای از یک شبکه چند کاره است: با یک ورودی (تصویر) واحد ، مدل باید چندین نوع خروجی را پیش بینی کند. به طور خاص ، MaskRCNN به سه سر تقسیم می شود ، جایی که یکی از سرها با پیشنهاد جعبه های محدود کننده که احتمالاً حاوی اشیاء مورد علاقه هستند ، سر دیگر با طبقه بندی نوع شیء در هر جعبه ، و سر نهایی یک پیکسل را مشخص می کند. bitmask -wise برای برآورد تقسیم بندی در هر جعبه. نکته مهم این است که هر سه سر بر یک نمای مشترک تکیه می کنند که از یک مدل ستون فقرات پیچشی عمیق مانند ResNet یا مشابه محاسبه شده است. این نمایش مشترک در یادگیری چند وظیفه ای مهم است و به هریک از سران اجازه می دهد تا خطاهای مربوط به خود را مجدداً منتشر کرده و این نمای ستون فقرات را به روز کنند. اثر کلی این است که هر سردر واقع دقیق تر از آنچه که به عنوان مدلهای جداگانه آموزش دیده بودند ، می شود. تصاویر. همانطور که احتمالاً حدس می زنید ، ما می توانیم OCR غیر سنتی را به عنوان نزدیک به تشخیص شیء مشاهده کنیم. در این مورد ، ما فقط دو دسته از اشیا داریم که به آنها اهمیت می دهیم: اشیاء متنی و سپس همه چیز دیگر. با این دیدگاه ، ما می توانیم مدلی بسیار شبیه به MaskRCNN را برای شناسایی مناطق مورد علاقه (RoI) در تصویری که احتمال زیاد حاوی متن است ، آموزش دهیم ، وظیفه ای که به عنوان محلی سازی متن شناخته می شود. نمونه خروجی چنین مدلی در زیر نشان داده شده است.

شکل 3: یک مدل محلی سازی متن روی تصویر رسید تلفن همراه اعمال می شود. بخش های متن جدا از اشیاء صحنه و پیکسل های پس زمینه مشخص می شوند.

توجه داشته باشید که این تصویر ورودی رسید چالش های جالبی برای استخراج متن ارائه می دهد. اول ، سند مورد علاقه در کنار برخی از اشیاء پس زمینه (فرمان) ظاهر می شود. ثانیاً ، متن درون سند بسیار بدون ساختار است و بنابراین شناسایی همه بلوک های متن ممکن به طور جداگانه مفید است. خروجی مدل روی تصویر بالا پوشانده شده است-مناطق متن با کادرهای محدود خط نقطه مشخص شده و ما حتی ماسک پیکسل را برای متن تخمین زده ایم. بالای هر کادر ، کلاس پیش بینی شده و نمره اطمینان وجود دارد ، که از آنجا که ما فقط یک کلاس شی مورد علاقه داریم ، در همه موارد شناسایی شده "Text" است. توجه داشته باشید که جعبه های محدودکننده کاملاً محکم هستند و مناطق متن را به طور دقیق محاسبه می کنند. اصلاح مدلی مانند MaskRCNN و آموزش آن با مجموعه داده های مربوط به OCR منجر به یک رویکرد م effectiveثر برای محلی سازی متن می شود. جالب است بدانید که حتی اگر ماسک پیکسل به طور ذاتی برای OCR مورد نیاز نیست ، ما مشاهده کرده ایم که شامل این محدودیت در یادگیری چند وظیفه ای ، محلی سازی (رگرسیون جعبه محدود) را دقیق تر می کند.

اگر تنها کاری که می توانیم انجام دهیم شناسایی RoI های یک تصویر است که با بلوک های متن مطابقت دارد ، بدیهی است که این ابزار برای OCR محدود است. اما آنچه باید در مرحله بعد انجام دهیم این است که متن موجود در هر ناحیه تصویر را بخوانیم. این به عنوان تشخیص متن شناخته می شود. مدلی که در زیر توضیح داده شده است از MaskRCNN فاصله دارد و یک شبکه چند کاره برای حل بومی سازی متن و تشخیص متن است.

شبکه چند کاره برای استخراج متن

با الهام از مدل ها مانند MaskRCNN ، ما شبکه چند کاره خود را برای حل بومی سازی متن و تشخیص متن طراحی کرده ایم. مشابه روشهای قبلی ، مدل ما شامل یک ستون فقرات متحرک برای استخراج ویژگی های تصویر است. ما هر دو ResNet و Densely Connected Convolutional Networks (DenseNet) را ارزیابی کرده ایم ، که برای آنها متوجه می شویم DenseNet به دقت بالاتری منجر می شود. علاوه بر این ، خروجی پشته حرکتی سپس وارد شبکه هرمی ویژگی می شود که به ترکیب اطلاعات وضوح مکانی بالا از اوایل پشته با جزئیات معنایی با وضوح پایین اما غنی از پشته کمک می کند. اینها اساس ستون فقرات انقلاب را تشکیل می دهندسپس به سر مدل ارسال می شود.

مشابه مدلهای اخیر تشخیص شیء ، سر محلی سازی متن شامل یک مکانیزم دو مرحله ای با یک شبکه پیشنهاد منطقه و سپس یک شبکه رگرسیون جعبه محدود می باشد. خروجی جزء اخیر مجموعه ای از جعبه های پیش بینی شده (RoIs) است که ممکن است حاوی متن باشد. سر دوم مدل ، م componentلفه طبقه بندی است که وظیفه آن تخمین کلاس شیء موجود در هر RoI است - در این مورد ، یک طبقه بندی ساده دوتایی (متن در برابر پس زمینه). سرانجام ، ما سر تشخیص متن را داریم که نقشه های ویژگی را از ستون فقرات متحرک و مختصات RoI ایجاد شده از سر محلی سازی متن را به عنوان ورودی دریافت می کند. این سر تشخیص متن باید ، برای هر RoI ، یک دنباله پیش بینی شده متناسب با متن داخل هر کادر تولید کند و از یک ضرر CTC برای آموزش استفاده کند.

شکل 4: معماری ساده شده مدل چند کاره ما. تصاویر ورودی از طریق یک پشته متحرک که شامل ResNet و Feature Pyramid Network است ، منتقل می شوند. سپس نمایهای به دست آمده توسط سرهای متعدد مدل به منظور شناسایی مکان ها و توالی های متن مورد استفاده قرار می گیرد.

سر تشخیص متن در مقایسه با روش های تشخیص شی ، نقطه اصلی حرکت مدل ما است ، بنابراین برخی موارد اضافی جزئیات ارزشمند است در تشخیص شیء ، نقشه های ویژگی از سطوح متعددی از ستون فقرات متحرک استخراج می شوند و از طریق مکانیزمی که به نام RoIPool (یا RoIAlign) شناخته می شود ، به صورت ثابت جمع می شوند. در OCR ، ما باید اطلاعات وضوح مکانی بالایی داشته باشیم ، بنابراین ویژگی ها را فقط از بلوک های اولیه ستون فقرات پیچشی استخراج می کنیم. علاوه بر این ، ما به یک مکانیسم جمع آوری جدید متکی هستیم که اجازه می دهد اشیاء با نسبت ابعاد مختلف بدون فشرده سازی دنباله های طولانی یا کشیدن دنباله های کوتاه نمایان شوند. سر. یک رویکرد ساده ممکن است برش تصویر ورودی همانطور که توسط RoIs از سر Bound Box Regression مشخص شده و سپس این تصویر بریده شده را از طریق معماری RNN پردازش کند [16]. محدودیت چنین رویکردی این است که ما از نمایش ویژگی های تصویر بین سرها استفاده نمی کنیم ، این امر مستلزم این است که سر تشخیص به تنهایی محاسبات بیشتری انجام دهد. در عوض ، شبکه چند وظیفه ای ما با استفاده از RoI های شناسایی شده و سپس دریافت نمایه های مربوطه برای هر منطقه از ستون فقرات متحرک اقدام می کند. سپس نقشه ویژگی های هر RoI به شکل ثابت تبدیل می شود و توضیحات متن ادامه می یابد.

یک رویکرد معمولی برای طبقه بندی دنباله ها و برچسب گذاری دنباله ها این است که از نوعی RNN استفاده کنیم. به طور متوالی از "چپ به راست" در حدود 200 مرحله فضایی افقی RoI و سعی کنید یک برچسب خروجی برای هر مکان در نقشه ویژگی RoI پیش بینی کنید. با این حال ، ما متوجه می شویم که RNN ها در تشخیص متن در اینجا بسیار ضعیف عمل می کنند. این امر به احتمال زیاد به این دلیل است که ما برای رمزگشایی متن نیازی به در نظر گرفتن همبستگی های طولانی مدت در این دنباله نداریم. در عوض ، ما فقط باید نگاه کنیمچند "ستون ویژگی" در یک زمان به منظور درک اینکه کدام شخصیت در حال نمایش است. به همین دلیل ، ما استفاده از روشهای ساده پیچشی در اینجا با عرض هسته کوتاه برد را بسیار مفید می دانیم. در هر مرحله فضایی ، خروجی پیچیدگی ها برای پیش بینی یک حرف خروجی استفاده می شود و سپس توالی کلی از طریق لایه CTC فرو می ریزد تا دنباله نهایی ROI را نشان دهد.

به منظور آموزش مدل در اینجا توضیح داده شد ، ما به تعداد زیادی تصویر برچسب زده شده نیاز داریم. به جای برچسب گذاری و ایجاد این موارد به صورت دستی ، ما در عوض توسعه اسناد آموزشی مصنوعی خود را انتخاب کردیم. با تنوع کافی در فونت ها ، اندازه ها ، رنگ ها ، اشیاء حواس پرت کننده و غیره ، داده های مصنوعی ما باید به مدلی منجر شود که بتواند بر روی تصاویر دنیای واقعی عملکرد خوبی داشته باشد. ما حدود ده هزار تصویر از این دست ایجاد کردیم که منجر به عملکرد قوی در موارد دنیای واقعی شد که ما در اینجا برجسته می کنیم.

نمونه خروجی های مدل ما در زیر نشان داده شده است. در سمت چپ یکی از تصاویر مربوط به چالش ICDAR DeTEXT و در سمت راست اسکرین شاتی از رسید است. بخش های متن جدا از پیکسل های پس زمینه و سایر اشیاء تصویر مشخص می شوند و با خطوط تیره برجسته می شوند. دنباله متن پیش بینی شده برای هر RoI با رنگ قرمز بالای هر کادر نشان داده شده است. توجه داشته باشید که این مدل می تواند شیء متنی را که با تنوع زیادی نسبت ابعاد ، فونت ها ، اندازه فونت ها و رنگ ها ایجاد می شود ، به طور دقیق تشخیص دهد.

شکل 5: نمونه هایی از مدل ما برای تصاویر مربوط به چالش ICDAR DeTEXT (سمت چپ) و اسکرین شات دریافتی از یک برنامه اشتراک گذاری سوار (راست). بخش متن RoI ها به عنوان خطوط خط کشی مشخص می شوند. توجه داشته باشید که اشیاء متنی جدا از پیکسل های پس زمینه و اشیاء حواس پرتی شناسایی می شوند. خروجی های هد تشخیص در بالای هر RoI نشان داده شده است. در این پست ، موارد مورد استفاده در تجزیه و تحلیل اسناد و تشخیص شخصیت نوری را توضیح داده ایم. با تکیه بر کارهای اخیر در تشخیص شیء ، شبکه چند کاره ما قادر است بطور همزمان بلوک های متن را در اسناد پیچیده دلخواه بومی سازی و تشخیص دهد. این یک رویکرد امیدوار کننده برای افزایش کارآیی خطوط لوله پردازش اسناد است و قدرت یادگیری ماشین را برای تغییر آینده کار روشن می کند.

اظهارنظر افشا شده: این نظرات نظرات نویسنده است. مگر اینکه در این پست به طور دیگری ذکر شده باشد ، Capital One به هیچ یک از شرکت های ذکر شده وابسته نیست و مورد تأیید قرار نمی گیرد. همه علائم تجاری و سایر دارایی های معنوی استفاده شده یا نمایش داده شده مالکیت صاحبان مربوطه است. این مقاله © 2019 Capital One است.