بازشناسی دست نوشته عربی برخط با شبکه های مبتنی بر مکانیزم خود توجه و تابع CTC

در سالهای اخیر مکانیزم خود-توجه به کارآمد ترین رویکرد در حل مسائل پردازش دنباله ها در حوزه های مختلف نظیر پردازش زبان طبیعی و بازشناسی خودکارگفتار تبدیل شده است. مکانیزم خود-توجه توانایی بالایی در استخراج وابستگی بین نقاط دنباله ورودی، به خصوص نقاط فاصله دار را دارد. همچنین، این مکانیزمامکان پردازش موازی دنباله را فراهم می سازد. در نتیجه، مکانیزم خود-توجه نسبت به روش هایی مانند شبکه های عصبی بازگشتی، توانایی بالاتری در استخراج ویژگی های مناسب از دنباله ورودی با سرعت بالاتر را داراست. با این وجود این برتریها، شبکههای عصبی بازگشتی به همراه استخراج ویژگی دستی از دنباله ورودی، رویکرد مرسوم در مسئله بازشناسی دست نوشته برخط بوده است. در این پژوهش، مدلی انتها-به-انتها مبتنی بر مکانیزم خود-توجه و تابع ضرر CTC، برای بازشناسی دست نوشته برخط معرفی شده است که توانایی بازشناسی دست نوشته از دنباله ورودی را بدون نیاز به استخراج ویژگی به صورت دستی دارد. مدل پیشنهادی بر روی دادگان عربی برخط "خط" ارزیابی شده است. مدل پیشنهادی نرخ خطای نویسه (CER)۷.۶۹٪ و نرخ خطای کلمه (WER)۳۰.۲۲ را بر روی دادگان"خط" بدست آورده است که نسبت نتایج پیشین به میزان قابل توجهی بهبود داشته است