شماره کتابشناسی ملی
شماره
T27458
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
انگلیسی
عنوان و نام پديدآور
عنوان اصلي
Recognition of Arabic Handwritten Digits Using Hybrid Deep Neural Network Architecture
نام عام مواد
Dissertation
نام نخستين پديدآور
Hayder Al-Obaidi
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
Electrical and Computer Engineering
تاریخ نشرو بخش و غیره
1401
مشخصات ظاهری
نام خاص و کميت اثر
68p.
ساير جزييات
cd
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
M.S.
نظم درجات
Computer Engineering
زمان اعطا مدرک
1401/06/21
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
Handwriting recognition is still a challenge in the field of machine vision and has many applications. In this work, our main goal is to identify handwritten figures in Arabic with high accuracy. Many machine learning methods have been proposed so far to identify handwritten digits, however, it is still a challenge to achieve a high accuracy for identifying Arabic handwritten digits. In this thesis, we used hybrid deep networks along with a mathematical method for feature selection. Our idea in this work is based on the combination of pre-trained deep networks such as AlexNet for feature extraction and LSTM deep network for feature classification. MRMR algorithm is also used to select optimal features. Based on the numerical results of the simulations, the accuracy of our proposed method in identifying Arabic handwritten digits is 99.37%, which is very suitable.
متن يادداشت
تشخیص دست نوشته¬ها همچنان یک چالش در زمینه بینایی ماشین است و کاربردهای زیادی دارد. در این کار هدف اصلی ما شناسایی اشکال دست نویس به زبان عربی با دقت بالا است. بسیاری از روش‌های یادگیری ماشینی تاکنون برای شناسایی ارقام دست‌نویس پیشنهاد شده‌اند، با این حال، دستیابی به دقت بالا برای شناسایی ارقام دست‌نویس عربی هنوز یک چالش است. در این پایان نامه از شبکه های عمیق ترکیبی به همراه روشی ریاضی برای انتخاب ویژگی استفاده کردیم. ایده ما در این کار بر اساس ترکیبی از شبکه های عمیق از پیش آموزش دیده مانند AlexNet برای استخراج ویژگی و شبکه عمیق LSTM برای طبقه بندی ویژگی ها است. الگوریتم MRMR نیز برای انتخاب ویژگی های بهینه استفاده می شود. بر اساس نتایج عددی شبیه‌سازی‌ها، دقت روش پیشنهادی ما در شناسایی ارقام دست‌نویس عربی 99.37 درصد است که بسیار مناسب است.
عنوانهای گونه گون دیگر
عنوان گونه گون
تشخیص ارقام دست نویس عربی به کمک معماری ترکیبی شبکه-های عصبی عمیق
اصطلاحهای موضوعی کنترل نشده
اصطلاح موضوعی
recognition of Arabic numerals; machine vision; deep learning; Pre-trained networks
اصطلاح موضوعی
تشخیص اعداد عربی، بینایی ماشین، یادگیری عمیق، شبکه های از پیش آموزش دیده
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
عنصر شناسه اي
Al-Obaidi,
ساير عناصر نام
Hayder
کد نقش
Producer
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
Salehpoor,
ساير عناصر نام
Pedram
کد نقش
Thesis advisor
شناسه افزوده (تنالگان)
عنصر شناسه اي
Tabriz
مبدا اصلی
کشور
ایران
سازمان
Central Library of Tabriz University
تاريخ عمليات
20221031
شماره دستیابی
شماره بازیابی
ارشد پایاننامه QA76.A4 1401
دسترسی و محل الکترونیکی
نام الکترونيکي
Hayder Al-Obaidi
ارتباط براي تسهيلات دسترسي
عبادی
وضعیت انتشار
فرمت انتشار
e
اطلاعات رکورد کتابشناسی
نوع ماده
TL
کد کاربرگه
276903
اطلاعات دسترسی رکورد
سطح دسترسي
a
تكميل شده
Y
