Classificação de caracteres manuscritos da base IRONOFF utilizando deep learning

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMorais, Erikson Freitas de-
Autor(es): dc.contributorAires, Simone Bello Kaminski-
Autor(es): dc.contributorMorais, Erikson Freitas de-
Autor(es): dc.contributorAires, Simone Bello Kaminski-
Autor(es): dc.contributorSiqueira, Hugo Valadares-
Autor(es): dc.contributorSanches, Ionildo José-
Autor(es): dc.creatorBriganó, Othon Alberto da Silva-
Data de aceite: dc.date.accessioned2022-02-21T22:12:11Z-
Data de disponibilização: dc.date.available2022-02-21T22:12:11Z-
Data de envio: dc.date.issued2021-12-15-
Data de envio: dc.date.issued2021-12-15-
Data de envio: dc.date.issued2021-11-24-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/26733-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/669948-
Descrição: dc.descriptionThe handwritten character classification aims to recognize, from visual information, which character is being represented. This technique is used in important applications, such as checks processing in banks and zip code reading, which saves time for such repetitive tasks. The intrinsic characteristics of the handwritten process hampers this recognition, once manuscripts are different for each person, in terms of style, format and size. This research carried out a handwritten character classification using the characters present in the IRONOFF dataset, which has uppercase and lowercase characters. The experiment was made by using Deep Learning and by comparing different neural networks architectures. To do so, a convolutional neural network architecture was built, LeNet-5 was implemented and pre-processing operations were applied. The best results were achieved for the proposed network with the accuracy of 92,61%, 86,65% and 79,67%, for the subsets of uppercase, lowercase and both of them, respectively.-
Descrição: dc.descriptionA classificação de caracteres manuscritos tem como objetivo reconhecer, a partir de informações visuais, qual caractere está sendo representado. Essa técnica é utilizada em importantes aplicações como processamento de cheques em bancos e leitura de códigos postais, economizando tempo em uma tarefa tão repetitiva. Esse reconhecimento é dificultado pelas características intrínsecas ao processo de escrita, pois manuscritos se diferenciam de uma pessoa para outra no estilo de escrita, formato e tamanho. Este trabalho realizou a classificação de caracteres manuscritos presentes na base IRONOFF, maiúsculos e minúsculos, utilizando Deep Learning e comparando diferentes arquiteturas de redes neurais. Para isso, foi utilizada uma rede VGG adaptada, uma rede LeNet-5 e aplicadas operações de pré-processamento. Os melhores resultados foram obtidos para a VGG adaptada com acurácia de 92,61%, 86,65% e 79,67%, para os subconjuntos de maiúsculas, minúsculas e ambas, respectivamente.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Informática-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectManuscritos-
Palavras-chave: dc.subjectEscrita - Identificação-
Palavras-chave: dc.subjectConjunto de caracteres (Processamento de dados)-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectManuscripts-
Palavras-chave: dc.subjectWriting - Identification-
Palavras-chave: dc.subjectCharacter sets (Data processing)-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleClassificação de caracteres manuscritos da base IRONOFF utilizando deep learning-
Título: dc.titleIRONOFF dataset handwritten characters classification using deep learning-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.