A Novel Swarm-Based Hybridization of Puma Optimizer and Crested Porcupine Algorithm for Complex Handwriting Recognition in Writer Identification
Notice bibliographique
Résumé
Accurate handwriting recognition is a challenging problem, owing to variability in handwriting styles, distortions in writing patterns, and noise in handwritten documents.These challenges are even more severe in scripts like Devanagari and Arabic, which have complex character forms and high visual similarity among classes, requiring strong feature extraction and semantic knowledge.To address these challenges, we have developed a novel deep-learning-based handwriting recognition system that preserves the intrinsic writing dynamics and recognizes hierarchical spatial cues through multilevel abstraction and attention-driven encoding.Our framework synergistically integrates a Residual Abstraction Block, Spatial Context Encoder, Spatial Attention Generator, and Hierarchical Capsule Encoding Block to capture fine-grained spatial dependencies and contextual semantics efficiently.To further improve efficiency, we propose a hybrid puma-crested porcupine optimizer for Feature Reduction (FR), which significantly reduces the model's complexity without compromising accuracy.Extensive experiments on the Devanagari and KHATT datasets prove the effectiveness of our method.Our proposed model achieves superior recognition accuracy of 98.94% (with FR) and 93.28% (without FR) on Devanagari, and 97.36% (with FR) and 91.91% (without FR) on KHATT, outperforming various baseline methods.These findings demonstrate the robustness of our architecture in achieving high accuracy, compactness, and resilience.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».