Recognition of whiteboard notes: online, offline and combination

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Marcus Liwicki. Horst Bunke  
سری: Machine Perception and Artificial Intelligence 
ISBN (شابک) : 9789812814531, 9812814531 
ناشر: World Scientific Publishing Company 
سال نشر: 2008 
تعداد صفحات: 227 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 51,000

این کتاب به وظیفه پردازش یادداشت‌های دست‌نویس آنلاین به‌دست‌آمده از یک تخته سفید الکترونیکی می‌پردازد، که روشی جدید در تحقیقات تشخیص دست‌نویس است. انگیزه اصلی این کتاب اتاق‌های جلسه هوشمند است که هدف آن خودکارسازی وظایف استاندارد است که معمولاً توسط انسان در یک جلسه انجام می‌شود.

کتاب را می توان به صورت زیر خلاصه کرد. یک پایگاه داده دست نویس آنلاین جدید گردآوری شده و چهار سیستم تشخیص دست خط توسعه یافته است. علاوه بر این، استراتژی‌های پیش‌پردازش و عادی‌سازی جدید به‌ویژه برای یادداشت‌های تخته سفید طراحی شده‌اند و یک شناسایی‌کننده مبتنی بر شبکه عصبی جدید اعمال می‌شود. سیستم های تشخیص تجاری در یک سیستم طبقه بندی کننده چندگانه گنجانده شده اند. نتایج تجربی روی مجموعه تست بهبود قابل توجهی را در عملکرد تشخیص به بیش از 86٪ نشان می دهد.

مطالب: روشهای طبقه بندی. منابع زبانی و پایگاه های دست خط. رویکرد آفلاین؛ رویکرد آنلاین؛ ترکیب طبقه بندی کننده چندگانه. تشخیص وابسته به نویسنده.

This book addresses the task of processing online handwritten notes acquired from an electronic whiteboard, which is a new modality in handwriting recognition research. The main motivation of this book is smart meeting rooms, aim to automate standard tasks usually performed by humans in a meeting.

The book can be summarized as follows. A new online handwritten database is compiled, and four handwriting recognition systems are developed. Moreover, novel preprocessing and normalization strategies are designed especially for whiteboard notes and a new neural network based recognizer is applied. Commercial recognition systems are included in a multiple classifier system. The experimental results on the test set show a highly significant improvement of the recognition performance to more than 86%.

Contents: Classification Methods; Linguistic Resources and Handwriting Databases; Off-Line Approach; On-Line Approach; Multiple Classifier Combination; Writer-Dependent Recognition.