Abstract
Мета: представлені результати досліджень спрямовані на краще розуміння методів комп’ютерного зору та їхніх можливостей. Статистичний класифікатор та штучна нейронна мережа дозволяють обробляти типові об’єкти з простими дескрипторами. Методи дослідження: розглянуті методи базуються на теорії ймовірності, теорії оптимізації, ядерній оцінці щільності ймовірності та комп'ютерному моделюванні як засобі апробації. Результати: розглянута архітектура штучної нейронної мережі має перевагу у порівнянні зі статистичним методом завдяки кращій здатності до класифікації. Представлені результати експериментальної перевірки доводять цю перевагу і у випадку одиничного спостереження, і при послідовному сценарії. Обговорення: підхід може бути реалізований у багатьох системах комп’ютерного зору, що оглядають друкований текст в складних шумових умовах.
Highlights
Character recognition is a part to the problem of classifying input data into some categories. [1]
In order to find a compromise between small networks that cannot learn the training set, and large networks that can be overloaded with lots of parameters, there were introduced specialized network architectures that are designed to recognize two-dimensional shapes such as characters, while eliminating irrelevant distortions and variability
Such Artificial Neural Networks (ANN) are called as convolutional networks (CNN)
Summary
Character recognition (generally, pattern recognition) is a part to the problem of classifying input data into some categories. [1]. One of its subdomain is optical character recognition (OCR) It has been an active research field for a long time, because this technology is widely applied in many areas where is necessity to process text information produced as or transformed to a graphic image. For example it is used for books and documents digitization, automatic sorting of postal letters, the car license plate recognition, etc. The accurate recognition printed text with Latin letters is considered nowadays mostly as a solved problem when clear imaging is available, for example, with printed documents [3]. The most of existing OCR methods are not able to recognize characters with different fonts rather than in the training samples and need to adapt
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
