Holistic Persian Handwritten Word Recognition Using Convolutional Neural Network
محل انتشار: ماهنامه بین المللی مهندسی، دوره: 34، شماره: 8
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 247
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJE-34-8_024
تاریخ نمایه سازی: 12 مرداد 1400
چکیده مقاله:
Due to the cursive-ness and high variability of Persian scripts, the segmentation of handwritten words into sub-words is still a challenging task. These issues could be addressed in a holistic approach by sidestepping segmentation at the character level. In this paper, an end-to-end holistic method based on deep convolutional neural network is proposed to recognize off-line Persian handwritten words. The proposed model uses only five convolutional layers and two fully connected layers for classifying word images effectively, which can lead to a substantial reduction in parameters. The effect of various pooling strategies is also investigated in this paper. The primary goal of this article is to ignore handcrafted feature extraction and attain a generalized and stable word recognition system. The presented model is assessed using two famous handwritten Persian word databases called Sadri and IRANSHAHR. The recognition accuracies were obtained at ۹۸.۶% and ۹۴.۶%, on Sadri and IRANSHAHR datasets respectively, and outperformed the state-of-the-art methods.
کلیدواژه ها:
Persian handwritten word recognition ، convolutional neural network ، End-to-end learning method ، Transfer learning ، Persian handwritten dataset
نویسندگان
A. Zohrevand
Computer Engineering Department, Kosar University of Bojnord, Bojnord, Iran
Z. Imani
Computer Engineering Department, Kosar University of Bojnord, Bojnord, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :