Исследование методов глубокого обучения для распознавания рукописного текста
DOI:
https://doi.org/10.5281/zenodo.15585989Ключевые слова:
распознавание рукописного текста, глубокое обучение, CNN, LSTM, Transformer, MLP, MNIST, EMNIST, IAM, RIMESЛицензия
Аннотация
Проведен сравнительный анализ четырёх методов глубокого обучения (CNN, LSTM, Transformer, MLP) для распознавания рукописного текста. Проведено обучение и оценка моделей на наборах данных MNIST, EMNIST, IAM и RIMES. Результаты показывают, что CNN достигает наивысшей точности (99.04% на MNIST) и минимальных потерь, делая её наиболее эффективной для данной задачи. Предлагаются рекомендации по дальнейшему развитию моделей распознавания.
Скачивания
Библиографические ссылки
1. Wang, Y. Offline Handwritten Text Recognition Using Deep Learning: A Review / Y. Wang, W. Xiao, S. Li // Journal of Physics: Conference Series. – 2021. – 7 p. – DOI 10.1088/1742-6596/1848/1/012015.
2. Mishra, A. Handwritten Text Recognition Using Convolutional Neural Network / A. Mishra, S. Ram, C. Kavyashree // Computer Vision and Pattern Recognition. – 2023. – 6 p. – DOI 10.17148/IARJSET.2021.86148.
3. Перевышин, В. Г. Сравнение точности распознавания рукописных цифр методом k-ближайших соседей (KNN) и сверточной нейронной сетью (CNN) / В. Г. Перевышин, Р. В. Ковальчик // Вестник Донецкого национального университета. Серия Г: Технические науки. – 2023. – № 4. – С. 20-28. – EDN GOXWRE.
4. Sang, D. V. Improving CRNN with EfficientNet-like feature extractor and multi-head attention for text recognition / D. V. Sang, L. T. B. Cuong // Conference: The Tenth International Symposium. – 2019. – P. 285-290. – DOI 10.1145/3368926.3369689.
5. Attention Is All You Need / A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit // 31st Conference on Neural Information Processing Systems. – 2017. – 15 p. – DOI 10.35940/ijrte.D7811.118419.
6. Asha, K. Handwriting Recognition using Deep Learning based Convolutional Neural Network / K. Asha, H. K. Krishnappa // International Journal of Recent Technology and Engineering (IJRTE). – 2019. – V. 8. – № 4. – P. 4826-4828. – DOI 10.35940/ijrte.D7811.118419.
7. Pricope, T. V. A contextual analysis of multi-layer perceptronmodels in classifying hand-written digits and letters:limited resources / T. V. Pricope // Computer Vision and Pattern Recognition. – 2021. – 25 p. – DOI 10.48550/arXiv.2107.01782.
8. Liman, M. Handwritten Character Recognition Using Deep Learning Algorithm with Machine Learning Classifier / M. Liman, A. Josef, G. Kusuma // JOIV International Journal on Informatics Visualization. – 2024. – P. 150-157. – DOI 10.62527/joiv.8.1.1707.
9. Handwritten Digit Recognition with Python & CNN [Электронный ресурс] / TechVidvan: [Сайт]. – https://techvidvan.com/tutorials/handwritten-digit-recognition-with-python-cnn/ (дата обращения 07.09.2024).
REFERENCES LIST
1. Wang, Y. Offline Handwritten Text Recognition Using Deep Learning: A Review / Y. Wang, W. Xiao, S. Li // Journal of Physics: Conference Series. – 2021. – 7 p. – DOI 10.1088/1742-6596/1848/1/012015.
2. Mishra, A. Handwritten Text Recognition Using Convolutional Neural Network / A. Mishra, S. Ram, C. Kavyashree // Computer Vision and Pattern Recognition. – 2023. – 6 p. – DOI 10.17148/IARJSET.2021.86148.
3. Перевышин, В. Г. Сравнение точности распознавания рукописных цифр методом k-ближайших соседей (KNN) и сверточной нейронной сетью (CNN) / В. Г. Перевышин, Р. В. Ковальчик // Вестник Донецкого национального университета. Серия Г: Технические науки. – 2023. – № 4. – С. 20-28. – EDN GOXWRE.
4. Sang, D. V. Improving CRNN with EfficientNet-like feature extractor and multi-head attention for text recognition / D. V. Sang, L. T. B. Cuong // Conference: The Tenth International Symposium. – 2019. – P. 285-290. – DOI 10.1145/3368926.3369689.
5. Attention Is All You Need / A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit // 31st Conference on Neural Information Processing Systems. – 2017. – 15 p. – DOI 10.35940/ijrte.D7811.118419.
6. Asha, K. Handwriting Recognition using Deep Learning based Convolutional Neural Network / K. Asha, H. K. Krishnappa // International Journal of Recent Technology and Engineering (IJRTE). – 2019. – V. 8. – № 4. – P. 4826-4828. – DOI 10.35940/ijrte.D7811.118419.
7. Pricope, T. V. A contextual analysis of multi-layer perceptronmodels in classifying hand-written digits and letters:limited resources / T. V. Pricope // Computer Vision and Pattern Recognition. – 2021. – 25 p. – DOI 10.48550/arXiv.2107.01782.
8. Liman, M. Handwritten Character Recognition Using Deep Learning Algorithm with Machine Learning Classifier / M. Liman, A. Josef, G. Kusuma // JOIV International Journal on Informatics Visualization. – 2024. – P. 150-157. – DOI 10.62527/joiv.8.1.1707.
9. Handwritten Digit Recognition with Python & CNN [Электронный ресурс] / TechVidvan: [Сайт]. – https://techvidvan.com/tutorials/handwritten-digit-recognition-with-python-cnn/ (дата обращения 07.09.2024).
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
