Оптическое распознавание символов с помощью нейронных сетей
DOI:
https://doi.org/10.26577/JMMCS-2018-4-572Ключевые слова:
OCR, нейронные сети, сверточные нейронные сетиАннотация
XXI век – это век глобальной автоматизации и оцифровки данных. В наше время имеется
огромный спрос на системы оптического распознавания, включая системы распознавания
символов. В сфере оптического распознавания используются различные подходы в решении
поставленных задач. Некоторые из них основываются на классических методах выделения
характерных признаков. Некоторые базируются на алгоритмах машинного обучения. В
данной работе рассматриваются исследования в сфере машинного обучения и предложения
для последующих исследований. Данная статья основывается на двух публикациях,
которые описывают основы машинного обучения. Мы поставили несколько аналогичных
экспериментов для ознакомления с методами и техниками данного подхода, а также для
определения основных принципов, которые влияют на процесс оптического распознавания.
Мы проанализировали две основные архитектуры: многослойный перцептрон и сверточные
нейронные сети. В заключении, мы ознакомились с основами алгоритмов машинного
обучения и составили стратегию для дальнейших исследований. Полученный результат
отражает разницу в производительности между разными моделями сверточных нейронных
сетей при одинаковых условиях. Последующие работы будут содержать исследования и
эксперименты различных архитектур. В дополнении, мы рассмотрели различные утилиты,
программное обеспечение и среды для создания оптимального процесса реализации системы.
Библиографические ссылки
2. Behnam Neyshabur et al., ''Exploring Generalization in Deep Learning'', accessed October 14, 2018,https://papers.nips.cc/paper/7176-exploring-generalization-in-deep-learning.pdf.
3. Warren S. McCulloch and Walter H. Pitts, ''A logical calculus of the ideas immanent in nervous activity'', Bulletin of Mathematical Biophysics (Springer US, 1943): 115–133.
4. Vidushi Sharma, Sachin Rai and Anurag Dev, ''A Comprehensive Study of Artificial Neural Networks'', International Journal of Advanced Research in Computer Science and Software Engineering 10 (2012): 278-284.
5. Jayesh B. Ahire, ''Real world Applications of Artificial Neural Networks'', accessed October 14, 2018, https://medium.com/@jayeshbahire/real-world-applications-of-artificial-neural-networks-a6a6bc17ad6a
6. Sumit Das et al., ''Applications of Artificial Intelligence in Machine Learning: Review and Prospect'', International Journal of Computer Applications 115 (2015): 31-41.
7. Sonali B. Maind and Wankar Priyanka, ''Research Paper on Basic of Artificial Neural Network'', International Journal on Recent and Innovation Trends in Computing and Communication 2 (2014), accessed November 5, 2018, http://www.ijritcc.org/download/Research\%20Paper\%20on\%20Basic\%20of\%20Artificial\%20Neural\%20Network.pdf.
8. Alex Krizhevsky, Ilya Sutskever and Geoffery E. Hinton, ''Imagenet classification with deep convolutional neural networks'', Advances in neural information processing systems 25 (2012), accessed November 5, 2018, https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.
9. Christian Szegedy et al., ''Rethinking the inception architecture for computer vision'', Paper presented at the 29th IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, Nevada, June 26 – July 1, 2016.
10. Michael Nielsen, ''Neural network and Deep learning'', accessed October 20, 2018, http://neuralnetworksanddeeplearning.com/index.html.
11. Yann LeCun et al., ''Gradient-based learning applied to document recognition'', Proceedings of the IEEE 86 (1998):2278-2324.
12. Vishnu Sundaresan and Jasper Lin, ''Recognizing Handwritten Digits and Characters'', accessed October 20, 2018, http://cs231n.stanford.edu/reports/2015/pdfs/vishnu\_final.pdf.
13. Michael Nielsen, ''Neural Network and Deep Learning: Learning with gradient descent'', accessed October 21, 2018, http://neuralnetworksanddeeplearning.com/chap1.html.
14. Michael Nielsen, ''Neural Network and Deep Learning: The architecture of neural networks'', accessed October 21, 2018, http://neuralnetworksanddeeplearning.com/chap1.html.
15. Michael Nielsen, ''Neural Network and Deep Learning: Perceptron'', accessed October 21, 2018, http://neuralnetworksanddeeplearning.com/chap1.html.
16. Michael Nielsen, ''Neural Network and Deep Learning: Sigmoid function'', accessed October 21, 2018, http://neuralnetworksanddeeplearning.com/chap1.html.
17. Michael Nielsen, ''Neural Network and Deep Learning: Implementing our network to classify digits'', accessed October 21, 2018, http://neuralnetworksanddeeplearning.com/chap1.html.
18. Michael Nielsen, ''Neural Network and Deep Learning: A simple network to classify handwritten digits'', accessed October 21, 2018, http://neuralnetworksanddeeplearning.com/chap1.html.
19. Saleh Albelwi and Ausif Mahmood, ''A Framework for Designing the Architectures of Deep Convolutional Neural Networks'', Entropy 19(2017): 242-262.
20. Amit Choudhary, ''A Review of Various Character Segmentation Techniques for Cursive Handwritten Words Recognition", International Journal of Information \& Computation Technology 4 (2014): 559-564.
21. Shuang Wu et al., ''L1-Norm Batch Normalization for Efficient Training of Deep Neural Networks", IEEE Transactions on Neural Networks and Learning Systems (2018), accessed November 28, 2018, doi:10.1109/TNNLS.2018.2876179.
22. Sergey Ioffe and Christian Szegedy, ''Batch normalization: Accelerating deep network training by reducing internal covariate shift'', Paper presented at the 32nd International Conference on Machine Learning, Lille, France, July 06 – 11, 2015.
23. Yann LeCun et al., ''Efficient backprop, Neural Networks: Tricks of the Trade'', second edition (Springer US, 1998): 9-48.
24. Yann LeCun et al., ''A handwritten digit recognition: Applications of neural net chips and automatic learning'', Neurocomputing (Springer US, 2005): 303-318.
25. Alex Krizhevsky, Ilya Sutskever and Geoffery E. Hinton, ''ImageNet Classification with Deep Convolutional Neural Networks'', accessed November 20, 2018, https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
