Uma análise de diferentes abordagens para o reconhecimento off-line de estilos de escrita em documentos manuscritos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorGonçalves, Diego Bertolini-
Autor(es): dc.contributorGonçalves, Diego Bertolini-
Autor(es): dc.contributorBorsato, Frank Helbert-
Autor(es): dc.contributorValentin, Lucio Geronimo-
Autor(es): dc.contributorAlencar, Aretha Barbosa-
Autor(es): dc.creatorSouza, Marcos Roberto e-
Data de aceite: dc.date.accessioned2022-02-21T22:21:43Z-
Data de disponibilização: dc.date.available2022-02-21T22:21:43Z-
Data de envio: dc.date.issued2020-11-08-
Data de envio: dc.date.issued2020-11-08-
Data de envio: dc.date.issued2015-12-02-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/6026-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/673447-
Descrição: dc.descriptionO reconhecimento de estilos de escrita é uma etapa necessária para automatizar o reconhecimento fim de um sistema multi-estilos. A tarefa de reconhecimento de estilos de escrita é desafiadora devido a similaridade entre alguns estilos. Desta forma, o principal objetivo deste trabalho é realizar uma análise do reconhecimento de estilos de escrita em documentos manuscritos considerando técnicas robustas indiferente do estilo de escrita considerado. Comparamos duas abordagens para o reconhecimento de estilos de escrita, sendo que a primeira consiste na utilização dos descritores de textura GLCM, LBP, LPQ e SURF em conjunto com o classificador SVM, enquanto na segunda abordagem utilizaremos uma técnica de aprendizagem profunda descrita como Rede Neural Convolucional (CNN). Além da comparação, analisamos o impacto da quantidade de informação presente nos documentos manuscritos, a relação existente entre o número de classes (estilos de escrita) e a taxa de reconhecimento e o desempenho dos descritores de textura para esta abordagem. Avaliaremos ainda a importância do processo de compactação de escrita para esta aplicação. Experimentos foram realizados em uma base de dados com cinco classes, nos quais conseguimos taxas de acerto similares as apresentadas na literatura em ambas abordagens, a melhor taxa média de acerto foi de 98,48% utilizando o descritor de textura SURF a partir do documento original. Por meio dos experimentos realizados na primeira abordagem, concluímos que o ganho da compactação de escrita e divisão em blocos está estritamente relacionado ao descritor utilizado. Enquanto que para a segunda, na qual obtemos a melhor taxa média de 91,43%, chegamos a conclusão de que a utilização da compactação de escrita não possui grande impacto, desde que uma quantidade de informação suficiente seja fornecida. Mesmo que a segunda abordagem atingido taxas inferiores, ambas abordagens conseguem taxas de acerto relevantes para o problema.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCampo Mourao-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Computação-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectEscrita - Identificação-
Palavras-chave: dc.subjectSistemas de reconhecimento de padrões-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectWriting - Identification-
Palavras-chave: dc.subjectPattern recognition systems-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleUma análise de diferentes abordagens para o reconhecimento off-line de estilos de escrita em documentos manuscritos-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.