عنوان

Recognition of Arabic Handwritten Digits Using Hybrid Deep Neural Network Architecture

Number

T27458

.Language of Text, Soundtrack etc

انگلیسی

Title Proper

Recognition of Arabic Handwritten Digits Using Hybrid Deep Neural Network Architecture

General Material Designation

Dissertation

First Statement of Responsibility

Hayder Al-Obaidi

Name of Publisher, Distributor, etc.

Electrical and Computer Engineering

Date of Publication, Distribution, etc.

1401

Specific Material Designation and Extent of Item

68p.

Other Physical Details

cd

Dissertation or thesis details and type of degree

M.S.

Discipline of degree

Computer Engineering

Date of degree

1401/06/21

Text of Note

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.

Text of Note

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.

Variant Title

تشخیص ارقام دست نویس عربی به کمک معماری ترکیبی شبکه-های عصبی عمیق

Subject Term

recognition of Arabic numerals; machine vision; deep learning; Pre-trained networks

Subject Term

تشخیص اعداد عربی، بینایی ماشین، یادگیری عمیق، شبکه های از پیش آموزش دیده

Entry Element

Al-Obaidi,

Part of Name Other than Entry Element

Hayder

Relator Code

Producer

Entry Element

Salehpoor,

Part of Name Other than Entry Element

Pedram

Relator Code

Thesis advisor

Entry Element

Tabriz

Country

ایران

Agency

Central Library of Tabriz University

Date of Transaction

20221031

Call Number

ارشد پایاننامه QA76.A4 1401

Electronic name

Hayder Al-Obaidi

Contact for access assistance

عبادی

e

TL

276903

a

Y