شناسایی آفلاین (غیر برخط) نویسنده با استفاده از داده های نامتجانس دستخط بر پایه یادگیری عمیق

تشخیص دستخط همواره مسئله چالش برانگیزی بوده است؛ ازاین رو، توجه محققان زیادی را به خود جلب کرده است. مطالعه حاضر یک سیستم آفلاین (غیر برخط) تشخیص خودکار دست نوشته های انسان را در شرایط آزمایشی مختلف ارائه می دهد. این سیستم شامل داده های 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 شبکه عصبی کانولوشن عمیق (DCNN) بهبودیافته بر پایه شبکه از پیش آموزش دیده، برای استخراج ویژگی ها به صورت سلسله مراتبی از داده های خام دستخط طراحی شده است. یک مزیت درخور توجه در این مطالعه استفاده از داده های نامتجانس است. یکی دیگر از جنبه های شایان توجه مطالعه حاضر این است که مدل پیشنهادی DCNN مستقل از هر زبان خاصی است و می تواند برای زبان های مختلف استفاده شود. نتایج نشان می دهند مدل پیشنهادی DCNN، عملکرد بسیار خوبی برای شناسایی نویسنده بر پایه داده های نامتجانس دستخط دارد.

کلیدواژه ها:

شناسایی آفلاین نویسنده ، داده نامتجانس ، یادگیری ویژگی ، شبکه عصبی عمیق