Invarianceness for Character Recognition Using Geo-Discretization Features
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<span style="font-size: 10pt; font-family: 'Times New Roman','serif'; mso-bidi-font-size: 11.0pt; mso-fareast-font-family: 宋体; mso-font-kerning: 1.0pt; mso-ansi-language: EN-US; mso-fareast-language: ZH-CN; mso-bidi-language: AR-SA;" lang="EN-US">Recognition rate of characters in the handwritten is still a big challenge for the research because of a shape variation, scale and format in a given handwritten character. A more complicated handwritten character recognition system needs a better feature extraction technique that deal with such variation of hand writing. In other hand, to obtain efficient and accurate recognition rely on off-line English handwriting character, the similarity in the character traits is an important issue to be differentiated in an off-line English handwriting to. In recognizing a character, character handwriting format could be implicitly analyzed to make the representation of the unique hidden features of the individual's character is allowable. Unique features can be used in recognizing characters which can be considerable when the similarity between two characters is high. However, the problem of the similarity in off-line English character handwritten was not taken into account thus, leaving a high possibility of degrading the similarity error for intra-class [same character] with the decrease of the similarity error for inter-class [different character]. Therefore, in order to achieve better performance, this paper proposes a discretization feature algorithm to reduce the similarity error for intra-class [same character]. The mean absolute error is used as a parameter to calculate the similarity between inter and/or intra class characters. Test results show that the identification rate give a better result with the proposed hybrid Geo-Discretization method.</span>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,019 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle