Abstrato

Quão bem conseguem os computadores reconhecer a escrita à mão?

Ching Y Suen        

A caligrafia é um dos meios mais importantes para a comunicação humana. Escrevemos e lemos todos os dias. Embora a caligrafia possa variar consideravelmente em termos de modo e precisão, reconhecemos facilmente os materiais manuscritos. Na verdade, os humanos desenvolvem a sua capacidade de escrita na infância e refinam-na gradualmente ao longo da vida. Este artigo examina as formas como os humanos escrevem (desde a escola primária até à escrita para adultos) e as formas de ensinar o computador pessoal a reconhecer (tecnologia de escrita à mão) o que produzem desde a antiguidade (como escritas esculpidas, livros antigos e documentos) até às épocas (como o porto de imigração). Métodos como a aprendizagem automática e as estruturas classificadoras profundas, a extração de espaço e margens, a inclinação e direção da linha, a largura e a estreiteza, as ligações e as desconexões de traços serão analisados ??com grandes quantidades de dados. Serão apresentados procedimentos de formação e princípios de aprendizagem, por exemplo, metodologias para permitir que os computadores forneçam taxas de reconhecimento robustas para aplicações práticas no escritório e em telemóveis. Além disso, a arte e a ciência da grafologia serão revistas e as técnicas de informatização da grafologia serão ilustradas com exemplos interessantes. O reconhecimento de manuscritos (HWR), também conhecido como reconhecimento de texto manuscrito (HTR), é a capacidade de um PC solicitar e decifrar contribuições escritas manualmente de forma compreensível a partir de fontes como registos em papel, fotos, ecrãs de contacto e outros dispositivos . A imagem da tradução também pode ser detetada "desligada" de um toque de papel por exame ótico (reconhecimento ótico de caracteres) ou reconhecimento perspicaz de palavras. Por outro lado, os desenvolvimentos da ponta da caneta também poderiam ser detetados “on-line”, por exemplo, por uma superfície de ecrã de visualização baseada na caneta, uma tarefa geralmente mais simples, uma vez que existem mais sinais acessíveis. Uma estrutura de reconhecimento de escrita manual cuida do design, realiza a divisão correta em caracteres e encontra as principais palavras concebíveis. Decifrar fisicamente muitas informações escritas à mão é um procedimento desafiante que estará certamente repleto de erros. O reconhecimento de escrita robotizada pode prejudicar radicalmente o tempo necessário para interpretar grandes volumes de texto e, além disso, criar uma estrutura para a criação de futuras utilizações de IA. O reconhecimento de caracteres transcritos é um campo contínuo de exame que envolve a IA, a visão de PC e o reconhecimento de exemplos. Um cálculo que realiza o reconhecimento de escrita à mão pode proteger e distinguir qualidades de imagens, tocar em dispositivos de ecrã e convertê-los numa estrutura com significado de máquina. Existem dois tipos fundamentais de estruturas de reconhecimento de escrita à mão – na web e desconectadas.O reconhecimento de escrita manual em linha é estranho entre as tarefas de nomenclatura de sistemas, uma vez que o gerador oculto da informação observada, por exemplo, o desenvolvimento da caneta, é registado diretamente. No entanto, os dados são frequentemente difíceis de decifrar porque cada letra está espalhada por muitas áreas de caneta. Como resultado, é necessária uma pré-preparação moderna para obter inputs apropriados para cálculos regulares de marcação de sucessão, como os HMMs. neste artigo, descrevemos uma estrutura capaz de traduzir legitimamente informações grosseiras de caligrafia online. O framework é composto por um sistema neural intermitente preparado para a nomeação de agrupamentos, aliado a um modelo de linguagem probabilístico. Desligado o reconhecimento da caligrafia, a interpretação de imagens de conteúdos escritos manualmente é uma tarefa animadora, na medida em que consolida a visão do PC com a aprendizagem sucessória. Em muitas estruturas, os 2 componentes são tratados de forma independente, com métodos complexos de pré-processamento que desejam remover os destaques da imagem e modelos sucessivos como HMMs desejam fornecer as traduções. Ao consolidar dois avanços contínuos em sistemas neurais, sistemas neurais repetitivos multidimensionais e ordem mundial conexionista, este artigo apresenta um reconhecedor de caligrafia desconectada preparado e completo que aceita informações brutas de pixels como informação.