論文の概要: Handwritten Digit Recognition Using Improved Bounding Box Recognition
Technique
- arxiv url: http://arxiv.org/abs/2111.05483v1
- Date: Wed, 10 Nov 2021 01:53:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-11 15:02:59.543777
- Title: Handwritten Digit Recognition Using Improved Bounding Box Recognition
Technique
- Title(参考訳): 境界ボックス認識の改良による手書き文字認識
- Authors: Arkaprabha Basu, M. Sathya
- Abstract要約: このプロジェクトにはOCR(Optical Character Recognition)の技術が組み込まれており、コンピュータ科学の様々な研究分野が含まれている。
このプロジェクトの目的は、キャラクターの写真を撮って処理して、人間の脳がさまざまな数字を認識するように、そのキャラクターのイメージを認識することだ。
このプロジェクトには、画像処理技術と機械学習の大きな研究領域と、ニューラルネットワークと呼ばれる機械学習のビルディングブロックの深いアイデアが含まれている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The project comes with the technique of OCR (Optical Character Recognition)
which includes various research sides of computer science. The project is to
take a picture of a character and process it up to recognize the image of that
character like a human brain recognize the various digits. The project contains
the deep idea of the Image Processing techniques and the big research area of
machine learning and the building block of the machine learning called Neural
Network. There are two different parts of the project. Training part comes with
the idea of to train a child by giving various sets of similar characters but
not the totally same and to say them the output of this is this. Like this idea
one has to train the newly built neural network with so many characters. This
part contains some new algorithm which is self-created and upgraded as the
project need. The testing part contains the testing of a new dataset .This part
always comes after the part of the training .At first one has to teach the
child how to recognize the character .Then one has to take the test whether he
has given right answer or not. If not, one has to train him harder by giving
new dataset and new entries. Just like that one has to test the algorithm also.
There are many parts of statistical modeling and optimization techniques which
come into the project requiring a lot of modeling concept of statistics like
optimizer technique and filtering process, that how the mathematics and
prediction behind that filtering or the algorithms comes after or which result
one actually needs to and ultimately for the prediction of a predictive model
creation. Machine learning algorithm is built by concepts of prediction and
programming.
- Abstract(参考訳): このプロジェクトにはOCR(Optical Character Recognition)の技術が組み込まれており、コンピュータ科学の様々な研究分野が含まれている。
プロジェクトは、キャラクタの写真を撮り、それを処理して、人間の脳がさまざまな数字を認識するようにキャラクタのイメージを認識する。
このプロジェクトには、画像処理技術と機械学習の大きな研究領域の深いアイデアと、ニューラルネットワークと呼ばれる機械学習の構築ブロックが含まれている。
プロジェクトには2つの異なる部分がある。
訓練部は、様々な類似の文字セットを与えるが、全く同じではない子供に教育を施すことからなり、その成果がこれである。
このアイデアのように、多くの文字で新しく構築されたニューラルネットワークをトレーニングする必要があります。
この部分には、プロジェクトのニーズに応じて自己生成およびアップグレードされた新しいアルゴリズムが含まれている。
テスト部は、新しいデータセットのテストを含んでいる。
この部分は常にトレーニングの後に現れます。
最初は、子供にキャラクターの認識の仕方を教えなければならない。
そして、正しい答えを得たかどうかをテストしなければなりません。
そうでなければ、新しいデータセットと新しいエントリを提供することで、彼をもっと訓練する必要があります。
同じように、アルゴリズムもテストしなければならない。
プロジェクトには、オプティマイザテクニックやフィルタリングプロセスのような、統計のモデリング概念を必要とする多くの統計モデリングと最適化技術、フィルタリングやアルゴリズムの背後にある数学と予測がどのようにやって来るか、最終的に予測モデル作成の予測に実際に必要となるか、といったことを必要とする、統計モデリングと最適化のテクニックがあります。
機械学習アルゴリズムは予測とプログラミングの概念によって構築される。
関連論文リスト
- Data Augmentations in Deep Weight Spaces [89.45272760013928]
そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。
既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
論文 参考訳(メタデータ) (2023-11-15T10:43:13Z) - Ticketed Learning-Unlearning Schemes [57.89421552780526]
そこで我々は,学習のためのチケット付きモデルを提案する。
広義のコンセプトクラスに対して,空間効率のよいチケット付き学習スキームを提供する。
論文 参考訳(メタデータ) (2023-06-27T18:54:40Z) - Algorithmic failure as a humanities methodology: machine learning's
mispredictions identify rich cases for qualitative analysis [0.0]
私は単純な機械学習アルゴリズムを訓練し、架空のキャラクターの情報だけを使ってアクションがアクティブか受動的かを予測する。
この結果は、失敗予測は質的分析のリッチケースを特定するために生産的に使用できるという、Munkらの理論を支持する。
さらに、この手法がどのような種類のデータに役立ち、どの種類の機械学習が最も生成性が高いかを理解するために、さらなる研究が必要である。
論文 参考訳(メタデータ) (2023-05-19T13:24:32Z) - EfficientTrain: Exploring Generalized Curriculum Learning for Training
Visual Backbones [80.662250618795]
本稿では視覚バックボーン(例えば視覚変換器)の効率的なトレーニングのための新しいカリキュラム学習手法を提案する。
オフザシェルフ方式として、様々な人気モデルのウォールタイムトレーニングコストを、精度を犠牲にすることなく、ImageNet-1K/22Kで1.5倍に削減する。
論文 参考訳(メタデータ) (2022-11-17T17:38:55Z) - A Neural Network Based Method with Transfer Learning for Genetic Data
Analysis [3.8599966694228667]
我々はトランスファーラーニング手法とニューラルネットワークに基づく手法(外乱ニューラルネットワーク)を組み合わせる。
これまでの学習を活用して、ゼロから始めることを避けて、モデルのパフォーマンスを改善します。
トランスファーラーニングアルゴリズムを用いることで、トランスファーラーニング技術を用いることなく、期待できるニューラルネットワークと比較して、期待できるニューラルネットワークの性能が向上する。
論文 参考訳(メタデータ) (2022-06-20T16:16:05Z) - Refining neural network predictions using background knowledge [68.35246878394702]
学習システムにおける論理的背景知識を用いて,ラベル付きトレーニングデータの不足を補うことができることを示す。
そこで本研究では,修正された予測を元の予測に近い精度で検出する微分可能精細関数を提案する。
このアルゴリズムは、複雑なSATの公式に対して、非常に少ない繰り返しで最適に洗練され、勾配降下ができない解がしばしば見つかる。
論文 参考訳(メタデータ) (2022-06-10T10:17:59Z) - Some thoughts on catastrophic forgetting and how to learn an algorithm [0.0]
我々は,二進数の追加に対して正しいアルゴリズムを復元するためにトレーニング可能な,異なるアーキテクチャを持つニューラルネットワークを提案する。
ニューラルネットワークは破滅的な忘れ物に苦しむだけでなく、トレーニングが進むにつれて、目に見えない数字の予測能力を向上させる。
論文 参考訳(メタデータ) (2021-08-09T11:12:43Z) - Efficient sign language recognition system and dataset creation method
based on deep learning and image processing [0.0]
本研究では,手話データセットを効果的に作成できるデジタル画像処理と機械学習の技術について検討する。
仮説をテストするために異なるデータセットが作成され、毎日14の単語が使われ、rgbカラーシステムで異なるスマートフォンによって記録された。
テストセットでは96.38%,検証セットでは81.36%の精度で,より困難な条件が得られた。
論文 参考訳(メタデータ) (2021-03-22T23:36:49Z) - Application of Facial Recognition using Convolutional Neural Networks
for Entry Access Control [0.0]
本論文は,画像中の人物を入力として捉え,その人物を著者の1人か否かを分類する,教師付き分類問題の解決に焦点をあてる。
提案手法は,(1)WoodNetと呼ばれるニューラルネットワークをスクラッチから構築し,トレーニングすること,(2)ImageNetデータベース上に事前トレーニングされたネットワークを利用することで,転送学習を活用すること,の2つである。
結果は、データセット内の個人を高い精度で分類し、保持されたテストデータに対して99%以上の精度で達成する2つのモデルである。
論文 参考訳(メタデータ) (2020-11-23T07:55:24Z) - A robot that counts like a child: a developmental model of counting and
pointing [69.26619423111092]
実物を数えることができる新しい神経ロボティクスモデルを導入する。
このモデルにより,エンボディメントと数値認識の相互作用を調べることができる。
トレーニングされたモデルは、アイテムのセットをカウントすることができ、同時にそれらを指し示します。
論文 参考訳(メタデータ) (2020-08-05T21:06:27Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳(メタデータ) (2020-03-06T19:00:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。