ارائه شبکه عصبی کانولوشن برون اندازی مونت-کارلو برای جستجوی کلمه کلیدی QBE در اسناد دستنویس

در سال های گذشته، جستجوی کلمه کلیدی به یک روش جستجوی محبوب در بازیابی اسناد دست نویس تبدیل شده است. اخیرا شبکه های عصبی کانولوشن عمیق (CNN) به طور گسترده برای جستجوی کلمه کلیدی مورد استفاده قرار گرفته و به نتایج قابل توجهی دست یافته اند. در این مقاله، یک مدل CNN برون اندازی مونت-کارلو برای استخراج ویژگی های معنایی پیشنهاد شده است. از یک تابع خطای کل، در مدل استفاده شده که هر دو تغییرات بین کلاسی و درون کلاسی را برای استخراج ویژگی های متمایز در نظر می گیرد. شبکه عصبی کانولوشن مونت-کارلوی پیشنهادی برای جستجوی کلمه کلیدی به روش تصویری (QBE) استفاده شده است. برای این هدف، عدم اطمینان های تصویر پرس و جو و مجموعه بازیابی، پیش بینی می شود و فاصله کسینوسی بین آنها برای رتبه بندی تصاویر بازیابی شده به دست می آید. رویکرد پیشنهادی در این مقاله، بر روی چهار پایگاه داده استاندارد دست نویس ارزیابی شده است. دستیابی به دقت ۹۶.۶۵٪ در پایگاه داده IAM نشان می دهد که روش پیشنهادی دقیق تر از تکنیک های پیشرفته جستجوی کلمه کلیدی است. این بهبود عمدتا می تواند به در نظر گرفتن عدم اطمینان در فرآیند بازیابی اشاره داشته باشد.

کلیدواژه ها:

جستجوی کلمه کلیدی ، برون اندازی مونت-کارلو ، خطای مرکزی ، پیش بینی عدم اطمینان.