|
|
Rozpoznávání rukou psaného textu
Zouhar, David ; Řezníček, Ivo (oponent) ; Mlích, Jozef (vedoucí práce)
Tato diplomová práce se zabývá rozpoznáváním rukou psaných znaků v reálném čase. Popisuje způsoby, kterými jsou zpracovávány vstupní data a klasi kační metody, které se pro rozpoznávání používají. Zvláště se zaměřuje na skryté Markovovy modely. Zabývá se také hodnocením úspěšnosti rozpoznávání, a to na základě provedených experimentů. V rámci této diplomové práce byla také vytvořena alternativní klávesnice pro systém MeeGo. U vytvořeného systému se podařilo dosáhnout úspěšnosti nad 96%.
|
|
|
Transformer Neural Networks for Handwritten Text Recognition
Vešelíny, Peter ; Beneš, Karel (oponent) ; Kohút, Jan (vedoucí práce)
This Master's thesis aims to design a system using the transformer neural network and perform experiments with this proposed model in the task of handwriting text recognition. In this thesis, a multilingual dataset with predominate Czech texts is used. The experiments examine the influence of basic hyperparameters, such as network size, convolutional encoder type, and the use of different text tokenizers. In this work, I also use text corpora of the Czech language which is used to train the network decoder. Furthermore, I experiment with the usage of additional textual information during the decoding process. This information comes from the previous line of the transcribed image. The transformer achieves a character recognition error rate of 3.41 % on the test data set which is 0.16 % worse performance than the recurrent neural network achieves. To compare this model with other transformer-based models from available articles, the network was trained on the IAM dataset, where it achieved an error of 2.48 % and therefore outperformed other models in handwriting text recognition task.
|
|
|
Transformer Neural Networks for Handwritten Text Recognition
Vešelíny, Peter ; Beneš, Karel (oponent) ; Kohút, Jan (vedoucí práce)
This Master's thesis aims to design a system using the transformer neural network and perform experiments with this proposed model in the task of handwriting text recognition. In this thesis, a multilingual dataset with predominate Czech texts is used. The experiments examine the influence of basic hyperparameters, such as network size, convolutional encoder type, and the use of different text tokenizers. In this work, I also use text corpora of the Czech language which is used to train the network decoder. Furthermore, I experiment with the usage of additional textual information during the decoding process. This information comes from the previous line of the transcribed image. The transformer achieves a character recognition error rate of 3.41 % on the test data set which is 0.16 % worse performance than the recurrent neural network achieves. To compare this model with other transformer-based models from available articles, the network was trained on the IAM dataset, where it achieved an error of 2.48 % and therefore outperformed other models in handwriting text recognition task.
|
|
|
Rozpoznávání rukou psaného textu
Zouhar, David ; Řezníček, Ivo (oponent) ; Mlích, Jozef (vedoucí práce)
Tato diplomová práce se zabývá rozpoznáváním rukou psaných znaků v reálném čase. Popisuje způsoby, kterými jsou zpracovávány vstupní data a klasi kační metody, které se pro rozpoznávání používají. Zvláště se zaměřuje na skryté Markovovy modely. Zabývá se také hodnocením úspěšnosti rozpoznávání, a to na základě provedených experimentů. V rámci této diplomové práce byla také vytvořena alternativní klávesnice pro systém MeeGo. U vytvořeného systému se podařilo dosáhnout úspěšnosti nad 96%.
|
host ::
RSS.