Sieci neuronowe w rozpoznawaniu pisma odręcznego

• Autorzy: Michalik Bernadetta , Miłosz Marek

Identyfikatory

DOI

10.35784/jcsi.2037

• Języki publikacji: PL

Abstrakty

PL

Sztuczne sieci neuronowe składają się z wielu prostych elementów zdolnych do przetwarzania danych. To narzędzia inspirowane budową ludzkiego mózgu, stosowane w uczeniu maszynowym. Celem badań była analiza dokładności odpowiedzi stworzonej sieci neuronowej w procesie rozpoznawania pisma odręcznego. W artykule przedstawiono wy-niki uzyskane podczas nauki i testowania sieci konwolucyjnej o różnej liczbie warstw ukrytych. Każdorazowo uczenie i testowanie sieci realizowane było za pomocą tego samego zbioru obrazów (zaczerpniętych z ogólnodostępnej bazy IAM Handrwiting Database) przedstawiających słowa pisane odręcznie w języku angielskim.

EN

Artificial neural networks consist of many simple elements capable of processing data. These are tools inspired by the construction of the human brain, used in machine learning. The aim of the research was to analyze the occuracy of the created neural network in the process of handwriting recognition. The article presents the results obtained during the learning and testing of a convolution network with a different number of hidden layers. Each time learning and testing the network was carried out using the same set of images (taken from the publicly available IAM database) depicting handwritten words in English.

Słowa kluczowe

PL

sztuczne sieci neuronowe; rozpoznawanie słów

EN

handwriting; artificial neural network; word recognition

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Journal of Computer Sciences Institute
• Rocznik: 2020
• Tom: Vol. 15
• Strony: 109--113
• Opis fizyczny: Bibliogr. 11 poz., rys., tab.

Twórcy

autor

Michalik Bernadetta

• Department of Computer Science, Lublin University of Technology, Nadbystrzycka 36B, 20-618 Lublin, Poland

autor

Miłosz Marek

• Department of Computer Science, Lublin University of Technology, Nadbystrzycka 36B, 20-618 Lublin, Poland

Bibliografia

• [1] R. Tadeusiewicz, M. Szaleniec, Leksykon sieci neuronowych. Wydawnictwo Fundacji "Projekt Nauka" (2015).
• [2] K. Różanowski, Sztuczna inteligencja rozwój, szanse i zagrożenia. Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki (2007).
• [3] R. Mithe, S. Indalkar, N. Divekar, Optical character recognition. International journal of recent technology and engineering (IJRTE), 2 (2013) 72-75.
• [4] H. Li, Z. Lin, X. Shen, J. Brandt, G. Hua, A convolutional neural network cascade for face detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, (2015) 5325-5334.
• [5] Y. LeCun, Y. Bengio, G. Hinton, Deep learning. Nature, 521 (2015) 436-444.
• [6] M. Liang, H. Hu, Recurrent convolutional neural network for object recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, (2015) 3367-3375.
• [7] Y. Ma, Z. Xiang, Q. Du, W. Fan, Effects of user-provided photos on hotel review helpfulness: An analytical approach with deep leaning. International Journal of Hospitality Management, 71 (2018) 120-131.
• [8] Y. Hou, H. Zhao, Handwritten digit recognition based on depth neural network. International Conference on Intelligent Informatics and Biomedical Sciences, Okinawa, 2017.
• [9] S. Albawi, T. A. Mohammed, S. Al-Zawi, Understanding of a convolutional neural network. In 2017 International Conference on Engineering and Technology (ICET), (2017) 1-6 .
• [10] T. N. Sainath, A. R. Mohamed, B. Kingsbury, B. Ramabhadran, Deep convolutional neural networks for LVCSR. In 2013 IEEE international conference on acoustics, speech and signal processing, (2013) 8614-8618.
• [11] http://www.fki.inf.unibe.ch/databases/iam-handwriting-database [05.02.2019]

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).