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, RIMESАннотация
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.
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.
