論文の概要: An inclusive review on deep learning techniques and their scope in handwriting recognition
- arxiv url: http://arxiv.org/abs/2404.08011v1
- Date: Wed, 10 Apr 2024 06:30:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-15 16:54:09.357543
- Title: An inclusive review on deep learning techniques and their scope in handwriting recognition
- Title（参考訳）: 筆跡認識におけるディープラーニング技術とその適用範囲に関する包括的考察
- Authors: Sukhdeep Singh, Sudhir Rohilla, Anuj Sharma,
- Abstract要約: ディープラーニングは、生の入力を中間機能層に結合する能力を持つ機械学習アルゴリズムのカテゴリを表現する。
ディープラーニングは、コンピュータビジョンとパターン認識において、多くの領域にわたる人間レベルのパフォーマンスの偉大な達成を特に見てきた。
本稿では,筆跡認識分野におけるディープラーニングの研究について述べる。
- 参考スコア（独自算出の注目度）: 4.318047857743103
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning expresses a category of machine learning algorithms that have the capability to combine raw inputs into intermediate features layers. These deep learning algorithms have demonstrated great results in different fields. Deep learning has particularly witnessed for a great achievement of human level performance across a number of domains in computer vision and pattern recognition. For the achievement of state-of-the-art performances in diverse domains, the deep learning used different architectures and these architectures used activation functions to perform various computations between hidden and output layers of any architecture. This paper presents a survey on the existing studies of deep learning in handwriting recognition field. Even though the recent progress indicates that the deep learning methods has provided valuable means for speeding up or proving accurate results in handwriting recognition, but following from the extensive literature survey, the present study finds that the deep learning has yet to revolutionize more and has to resolve many of the most pressing challenges in this field, but promising advances have been made on the prior state of the art. Additionally, an inadequate availability of labelled data to train presents problems in this domain. Nevertheless, the present handwriting recognition survey foresees deep learning enabling changes at both bench and bedside with the potential to transform several domains as image processing, speech recognition, computer vision, machine translation, robotics and control, medical imaging, medical information processing, bio-informatics, natural language processing, cyber security, and many others.
- Abstract（参考訳）: ディープラーニングは、生の入力を中間機能層に結合する能力を持つ機械学習アルゴリズムのカテゴリを表現する。
これらの深層学習アルゴリズムは様々な分野で大きな成果を上げている。
ディープラーニングは、コンピュータビジョンとパターン認識において、多くの領域にわたる人間レベルのパフォーマンスの偉大な達成を特に見てきた。
様々な領域における最先端のパフォーマンスを達成するために、ディープラーニングは異なるアーキテクチャを使用し、これらのアーキテクチャはアクティベーション関数を使用して、あらゆるアーキテクチャの隠れ層と出力層の間で様々な計算を行った。
本稿では,筆跡認識分野におけるディープラーニングの研究について述べる。
近年の進歩は, 深層学習手法が筆跡認識の精度向上や証明に有用な手段を提供していることを示しているが, 広範な文献調査の結果, 深層学習はいまだに革新的であり, この分野における最も急進的な課題の多くを解決しなければならないが, 先進的な進歩は先進的な技術であることがわかった。
さらに、ラベル付きデータのトレーニングが不十分なため、この領域では問題が発生する。
それにもかかわらず、現在の手書き認識調査は、画像処理、音声認識、コンピュータビジョン、機械翻訳、ロボットと制御、医療画像、医療情報処理、バイオインフォマティクス、自然言語処理、サイバーセキュリティなど、いくつかの領域を変換する可能性を秘めながら、ベンチとベッドサイドの両方で変化を可能にするディープラーニングを予見している。
関連論文リスト
- Deep Learning for Educational Data Science [0.6138671548064356]
ユースケースは、オープンエンドの学生エッセイやコードのスニペットを活用する高度な知識追跡モデルから、自動影響検知や行動検出まで、さまざまです。
この章は、ディープラーニングの簡単な紹介、その利点と限界のいくつかの説明、教育における多くの利用に関する調査、そしてそれが教育データ科学の分野をさらに形成させる可能性について論じている。
論文 参考訳（メタデータ） (2024-04-12T19:17:14Z) - Deepfake Generation and Detection: A Benchmark and Survey [134.19054491600832]
Deepfakeは、特定の条件下で非常にリアルな顔画像やビデオを作成するための技術だ。
この調査は、ディープフェイクの発生と検出の最新の展開を包括的にレビューする。
本研究では, 顔交換, 顔再現, 話し顔生成, 顔属性編集の4つの代表的なディープフェイク分野の研究に焦点をあてる。
論文 参考訳（メタデータ） (2024-03-26T17:12:34Z) - Vision+X: A Survey on Multimodal Learning in the Light of Data [64.03266872103835]
様々なソースからのデータを組み込んだマルチモーダル機械学習が,ますます普及している研究分野となっている。
我々は、視覚、音声、テキスト、動きなど、各データフォーマットの共通点と特異点を分析する。
本稿では,表現学習と下流アプリケーションレベルの両方から,マルチモーダル学習に関する既存の文献を考察する。
論文 参考訳（メタデータ） (2022-10-05T13:14:57Z) - Emotion Recognition In Persian Speech Using Deep Neural Networks [0.0]
音声感情認識(SER)はヒューマン・コンピュータインタラクション(HCI)において非常に重要である
本稿では,SheEMOデータセット上での様々な深層学習手法について検討する。
論文 参考訳（メタデータ） (2022-04-28T16:02:05Z) - Deep Reinforcement Learning in Computer Vision: A Comprehensive Survey [29.309914600633032]
ディープ強化学習は強化学習フレームワークを強化し、ディープニューラルネットワークの強力な表現を活用する。
近年の研究では、ファイナンス、医療、医療、ビデオゲーム、ロボティクス、コンピュータビジョンなど様々な分野で、深い強化学習が顕著に成功している。
論文 参考訳（メタデータ） (2021-08-25T23:01:48Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - A Review on Explainability in Multimodal Deep Neural Nets [2.3204178451683264]
マルチモーダルAI技術は、いくつかのアプリケーションドメインで大きな成功を収めている。
その優れた性能にもかかわらず、深層ニューラルネットワークの複雑で不透明でブラックボックスな性質は、社会的受容と使用性を制限する。
本稿では,マルチモーダル深層ニューラルネットワークにおける説明可能性に関する包括的調査と解説を行うため,本論文を概説する。
論文 参考訳（メタデータ） (2021-05-17T14:17:49Z) - Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units
and a Unified Framework [83.21732533130846]
Aff-Wild と Aff-Wild2 の2つである。
これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。
インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
論文 参考訳（メタデータ） (2021-03-29T17:36:20Z) - Hierarchical Learning Using Deep Optimum-Path Forest [55.60116686945561]
バグオブビジュアルワード(bovw)やディープラーニング技術は、コンピュータ支援医療診断を含むいくつかの領域で広く使われている。
本研究では機械学習とBoVWの概念を用いたパーキンソン病の自動同定ツールの開発に興味を持っている。
論文 参考訳（メタデータ） (2021-02-18T13:02:40Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - Sequential Interpretability: Methods, Applications, and Future Direction
for Understanding Deep Learning Models in the Context of Sequential Data [1.8275108630751837]
本稿では,シーケンシャルデータを含む深層学習手法の解釈技術について概説する。
非逐次的手法との類似性を同定し、逐次的解釈可能性研究の現在の限界と今後の道について論じる。
論文 参考訳（メタデータ） (2020-04-27T00:58:42Z)
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。