Derin öğrenme yöntemiyle el yazısı metin tanıma

Son on yılda özellikle tarihi belgelerin tanınmasında olduğu gibi, çevrimdışı elle yazı tanıma geniş bir şekilde kullanılmıştır. Derin öğrenme, geleneksel yazının dijitalleştirilmesi sorununu çözebilme gücüne sahiptir. Derin öğrenmedeki her bir algoritma belirli bir görevi veya özel bir problemi çözebilir. Bu tezde, giriş kelimelerindeki karakterlerin belirgin özelliklerini çıkarmak için bir evrişimli sinir ağı kullanıyoruz. Karakterlerin birleştirilmesi, çoklu karakterin belirli bir kelime oluşturabilmesi nedeniyle bir sinir ağı gerektirir. Bu işi yapabilen bir tekrarlayan sinir ağı kullanılabilir. Uzun diziler, kombinasyonu hatırlamak için bir sinir ağında hafızaya ihtiyaç duyar. Bu, giriş görüntüsünü karakterlerin her görüntü konumunda olasılık matrisi vererek kodlamak için uç katmanlı evrişimli sinir ağı (CNN) ardından çift yönlü uzun-kısa süreli bellek (BLSTM) içeren bir hibrit derin sinir ağı inşa eden uzun-kısa süreli bellek (LSTM) görevine aittir. Bağlantıcı Zamansal Sınıflandırma (CTC) işlemi, bu matrisi, kayıp fonksiyonunu hesaplamak için tahmin edilen ve hedef çıktı arasında en uygun eşleşmeyi bulmak için kullanır.. En iyi sonuçları elde etmek için modele farklı parametre değerleri denedik. Modelimizi IAM veri kümesi üzerinde değerlendirdik ve makul bir hata oranı elde ettik.