Integrated multi-layer perceptron neural network and novel feature extraction for handwritten Arabic recognition
Notice bibliographique
Résumé
Arabic handwritten script recognition presents an energetic area of study. These types of recognitions face several obstacles, such as vast open databases, boundless diversity in individuals' penmanship, and freestyle writing. Thus, Arabic handwriting requires effective techniques to achieve better recognition results. On the other hand, Multilayer Perceptron (MLP) is one of the most common Artificial Neural Networks (ANNs) which deals with various problems efficiently. Therefore, this study introduces a new technique called Block Density and Location Feature (BDLF) with MLP, namely BDLF-MLP, which aims to extract novel features from letter images and estimate the letter's pixel density and its location for each equal-sized block in the image. In other words, BDLF-MLP can deal with various styles of Arabic handwritten, such as overlapping letters. The BDLF-MLP starts with the Block Feature Extraction (BFE) of the image by dividing the image into sixteen parts. After that, it calculates the density and location of each block (i.e., BDLF) by finding the sum of all values inside blocks. Finally, it determines the position of the greatest pixel density to obtain better recognition accuracy. The dataset containing 720 images is used to evaluate the efficiency of the proposed technique. Also, 1440 letters are used for training and testing divided evenly between them. The experiment results illustrate that BDLF-MLP outperformed the other algorithms in the literature with an accuracy of 97.26 %.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».