Estimación de parámetros para imágenes digitales, usando clasificadores K-NN y Tesseract
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
Introducción: Para este estudio, se tiene una estimación de parámetros de una comparativa entre dos algoritmos de reconocimiento de caracteres numéricos en imágenes digitales: K-NN y Tesseract, con el fin de determinar el de mayor grado de similitud. Metodología: Se utilizó el método inductivo y experimental para adquirir los información y datos como: la precisión, tiempo en el reconocimiento, porcentaje de consumo de memoria RAM y de CPU. Esta investigación es de tipo cuasi experimental por las técnicas escogidas para el reconocimiento de los dígitos aplicadas a imágenes y posteriormente evaluar en K-NN y Tesseract a medidores de energía eléctrica capturados en fotografía para la obtención de una lectura de consumo automática. La investigación es de tipo aplicativa ya que se basó en conocimientos existentes de investigaciones previas con dirección al desarrollo tecnológico de mejora de nuevos procesos. También se puede tomar como experimental por la adquisición de datos mediante pruebas de laboratorio donde se puede apreciar elementos importantes y a simple vista una captación de fenómenos del caso. Conclusión: Mediante las pruebas para determinar un reconocimiento de caracteres mediante el uso de los algoritmos K-NN y Tesseract se obtuvo como resultados de estimación de precisión del 439.3% en el algoritmo K-NN y un 29.34% con Tesseract utilizando un promedio de tiempo de 1.2 y 0.06 segundos respectivos en cada algoritmo.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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