Abstrato

O reconhecimento de dígitos manuscritos é um problema aberto na visão computacional e no reconhecimento de padrões, e resolver esse problema suscitou crescente interesse. O principal desafio deste problema é o design de um método eficiente que pode reconhecer os dígitos manuscritos enviados pelo usuário através de dispositivos digitais. Numerosos estudos foram propostos no passado e nos últimos anos para melhorar o reconhecimento de dígitos manuscritos em vários idiomas. A pesquisa sobre o reconhecimento de dígitos manuscritos em árabe é limitada. Atualmente, os algoritmos de aprendizagem profunda são extremamente populares na visão computacional e são usados ​​para resolver e resolver problemas importantes, como classificação de imagem, processamento de linguagem natural e reconhecimento de fala, para fornecer aos computadores capacidades sensoriais que atinjam a capacidade dos seres humanos. Neste estudo, propomos uma nova abordagem para o reconhecimento árabe de dígitos manuscritos pelo uso de algoritmos de aprendizado profundo da máquina de Boltzmann (RBM) e da rede neural convolucional (CNN). Em particular, propomos uma abordagem árabe de reconhecimento de dígitos manuscritos que funciona em duas fases. Primeiro, usamos o RBM, que é uma técnica de aprendizado profundo que pode extrair recursos altamente úteis de dados brutos e que tem sido utilizado em vários problemas de classificação como técnica de extração de recursos na fase de extração de recursos. Em seguida, os recursos extraídos são alimentados a uma arquitetura CNN eficiente com uma arquitetura de aprendizagem supervisionada profunda para o processo de treinamento e teste. No experimento, utilizamos o conjunto de dados de dígitos manuscritos árabes CMATERDB 3.3.1 para treinamento e teste do método proposto. Os resultados experimentais mostram que o método proposto melhora significativamente a taxa de precisão, com precisão atingindo 98,59%. Finalmente, a comparação de nossos resultados com os de outros estudos no CMATERDB 3.3.1 Conteúdo de dados em árabe em letras arabes mostra que nossa abordagem atinge a maior taxa de precisão.

Click here for more information