این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۱۳، شماره ۴، صفحات ۱۱۵-۱۳۴
عنوان فارسی شناسایی آفلاین (غیر برخط) نویسنده با استفاده از داده‌های نامتجانس دستخط بر پایه یادگیری عمیق
چکیده فارسی مقاله تشخیص دستخط همواره مسئله چالش‌برانگیزی بوده است؛ ازاین‌رو، توجه محققان زیادی را به خود جلب کرده است. مطالعه حاضر یک سیستم آفلاین (غیر برخط) تشخیص خودکار دست‌نوشته‌های انسان را در شرایط آزمایشی مختلف ارائه می‌دهد. این سیستم شامل داده‌های ورودی، واحد پردازش تصویر و واحد خروجی است. در این مطالعه، یک مجموعه داده راست به چپ بر پایه استانداردهای آمریکایی (ASTM) طراحی شده است. یک مدل شبکۀ عصبی کانولوشن عمیق (DCNN) بهبودیافته بر پایه شبکه از پیش آموزش‌دیده، برای استخراج ویژگی‌ها به‌صورت سلسله‌مراتبی از داده‌های خام دستخط طراحی شده است. یک مزیت درخور توجه در این مطالعه استفاده از داده‌های نامتجانس است. یکی دیگر از جنبه‌های شایان توجه مطالعه حاضر این است که مدل پیشنهادی DCNN مستقل از هر زبان خاصی است و می‌تواند برای زبان‌های مختلف استفاده شود. نتایج نشان می‌دهند مدل پیشنهادی DCNN، عملکرد بسیار خوبی برای شناسایی نویسنده بر پایه داده‌های نامتجانس دستخط دارد.
کلیدواژه‌های فارسی مقاله شناسایی آفلاین نویسنده، داده نامتجانس، یادگیری ویژگی، شبکۀ عصبی عمیق،
عنوان انگلیسی Offline Identification of the Author using Heterogeneous Data based on Deep Learning
چکیده انگلیسی مقاله Handwriting recognition has always been a challenge; therefore, it has attracted the attention of many researchers. The present study presents an offline system for the automatic detection of human handwriting under different experimental conditions. This system includes input data, image processing unit, and output unit. In this study, a right-to-left dataset is designed based on the standards of the American Society for Experiments and Materials (ASTM). An improved deep convolution neural network (DCNN) model based on a pre-trained network is designed to extract features hierarchically from raw handwritten data. A significant advantage in this study is the use of heterogeneous data. Another significant aspect of the present study is that the proposed DCNN model is independent of any particular language and can be used for different languages. The results show that the proposed DCNN model has a very good performance for identifying the author based on heterogeneous data.
کلیدواژه‌های انگلیسی مقاله شناسایی آفلاین نویسنده, داده نامتجانس, یادگیری ویژگی, شبکۀ عصبی عمیق
نویسندگان مقاله سید نادی محامد خسروشاهی |
دانشجوی دکتری، دانشکده مهندسی کامپیوتر و فناوری اطلاعات – واحد ارومیه - دانشگاه آزاد اسلامی- ارومیه - ایران

سید ناصر رضوی |
استادیار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات – واحد ارومیه - دانشگاه آزاد اسلامی- ارومیه - ایران

امین بابازاده سنگر |
استادیار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات – واحد ارومیه - دانشگاه آزاد اسلامی- ارومیه - ایران

کامبیز مجیدزاده |
استادیار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات – واحد ارومیه - دانشگاه آزاد اسلامی- ارومیه - ایران

نشانی اینترنتی https://isee.ui.ac.ir/article_26185_d66417514d02485668eac72f8cacf65c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات