Αναγνώριση γλώσσας εικόνας εγγράφου = Language identification from document images : πτυχιακή εργασία
Σε αυτή τη διπλωματική παρουσιάζουμε μια νέα μέθοδο αναγνώρισης γλώσσας για χειρόγραφα και εκτυπωμένα κείμενα εικόνας, και θα την συγκρίνουμε με μια άλλη εδραιωμένη μέθοδο στο χώρο, γνωστή και ως Bag Of Visual Features. Η αναγνώριση γλώσσας είναι η διαδικασία κατά την οποία προσπαθούμε να αναγνωρίσο...
Αποθηκεύτηκε σε:
| Κύριος συγγραφέας: | |
|---|---|
| Συγγραφή απο Οργανισμό/Αρχή: | |
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis Βιβλίο |
| Γλώσσα: | English |
| Δημοσίευση: |
2015.
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/11610/8876 |
| Ετικέτες: |
Προσθήκη ετικέτας
Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!
|
MARC
| LEADER | 00000cam a2200000 a 4500 | ||
|---|---|---|---|
| 001 | 1/109494 | ||
| 008 | 151216s2015####gr | ||| |||| ||eng|| | ||
| 040 | |a GR-MyUa |b gre |c GR-MyUa |e AACR2 | ||
| 041 | 0 | |a eng | |
| 082 | 7 | |a 006.4 |2 (23) | |
| 100 | 1 | |a Ταταράκης, Νικόλαος Σ. | |
| 245 | 1 | 0 | |a Αναγνώριση γλώσσας εικόνας εγγράφου = Language identification from document images : |b πτυχιακή εργασία / |c Νικόλαος Ταταράκης ; επιβλέπουσα καθηγήτρια Εργίνα Καβαλλιεράτου. |
| 246 | 1 | |i Παράλληλος τίτλος : |a Language identification from document images. | |
| 260 | |c 2015. | ||
| 300 | |a 63 σ. : |b σχέδια, πιν. ; |c 30 εκ. | ||
| 502 | |a Πτυχιακή εργασία - Πανεπιστήμιο Αιγαίου, Σάμος, 2015. | ||
| 504 | |a Βιβλιογραφία: σ. 61-63. | ||
| 506 | 1 | |a Διάθεση πλήρους κειμένου ; |d Ενδοπανεπιστημιακή δημοσίευση. | |
| 520 | 8 | |a Σε αυτή τη διπλωματική παρουσιάζουμε μια νέα μέθοδο αναγνώρισης γλώσσας για χειρόγραφα και εκτυπωμένα κείμενα εικόνας, και θα την συγκρίνουμε με μια άλλη εδραιωμένη μέθοδο στο χώρο, γνωστή και ως Bag Of Visual Features. Η αναγνώριση γλώσσας είναι η διαδικασία κατά την οποία προσπαθούμε να αναγνωρίσουμε την γλώσσα ενός δοσμένου κειμένου μέσα από μια μεγάλη στοίβα κειμένων και τελικά να του δώσουμε την αντίστοιχη ταμπέλα. Για να το καταφέρουμε αυτό, προσπαθούμε να καταλάβουμε την δομή της γλώσσας των κειμένων χρησιμοποιώντας τεχνικές από το χώρο της Υπολογιστικής Όρασης και της Επεξεργασίας Εικόνων Κειμένου.Στην παρούσα προσέγγιση αρχικά βρίσκουμε το μέγεθος του κυρίου σώματος των γραμμάτων κάθε κειμένου και στην συνέχεια με βάση αυτό το μέγεθος φτιάχνουμε παράθυρο με το οποίο εξάγουμε τοπικά χαρακτηριστικά για κάθε εικόνα. Αφού βγάλουμε ένα μεγάλο αριθμό χαρακτηριστικών από το training set, στη συνέχεια κάνουμε clustering ώστε να δημιουργήσουμε ένα εικονικό λεξικό. Το clustering γίνεται χρησιμοποιώντας Gaussian Mixture Models και τον αλγόριθμο Expectation - Maximization. Αναπαριστούμε κάθε εικόνα κειμένου σαν ένα διάνυσμα Fisher χρησιμοποιώντας το εικονικό λεξικό και τα τοπικά χαρακτηριστικά που έχουμε ήδη εξάγει από την εικόνα. Για να δούμε πόσο αποτελεσματικό είναι το σύστημα, χρησιμοποιούμε ταξινομητή Support Vector Machine πολλών κλάσεων. | |
| 520 | 8 | |a In this Thesis we present a new method for language recognition for both machine printed and hand written document images and we will compare it with another established method, namely, Bag Of Visual Features. Language recognition is the procedure where we are trying to identify the language of a given document from a big document corpus and eventually give that document the appropriate language label. In order to achieve this, we try to understand the local language structure of the document images by using a combination of methods from the area of Computer Vision and Document Image Processing.In the presented approach we firstly determine the main body size of the letters for each document image and accordingly we use a sliding window of that size in order to extract local features. Once we have extracted a large number of features from the training set, we learn a visual vocabulary by clustering the feature space. Data clustering is performed using Gaussian Mixture Models and the Expectation - Maximization algorithm. For each document image, we construct a Fisher Vector representation of it, using the visual vocabulary and the extracted features of the document image. We form a multi class Support Vector Machine classification scheme to score the system. | |
| 540 | |a Κλειδωμένη η δυνατότητα αντιγραφής (copy) του κειμένου. | ||
| 650 | 0 | |a Pattern recognition systems. | |
| 650 | 0 | |a Dissertations, Academic |z Greece. | |
| 700 | 1 | |a Καβαλλιεράτου, Εργίνα, |e dgsf | |
| 710 | 2 | |a Πανεπιστήμιο Αιγαίου. |b Σχολή Θετικών Επιστημών. |b Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συστημάτων. | |
| 852 | |a INST |b SAMOS |c DIATR |e 20151216 |h 006.4 ΤΑΤ |p 005300043163 |q 005300043163 |t DIE |y 23 | ||
| 856 | |u http://hdl.handle.net/11610/8876 | ||
| 924 | |a Ταταράκης |b Νικόλαος |y Σάμος |z 2015-03 | ||
| 970 | |a Κοσιέρης |b Χρήστος |z 16-12-2015 | ||