شناسایی حروف دستنویس فارسی با بهره گیری از یادگیری انتقال و شبکه های عصبی کانولوشنی عمیق

بازشناسی نوری نویسه ها ۱ برای زبان فارسی به دلیل پیچیدگیهای ساختاری، خط همواره یکی از حوزه های چالش برانگیز در حوزه ی هوش مصنوعی و حوزه بینایی ماشین بوده است. در این پژوهش، یک سامانه جامع برای تشخیص حروف دست نویس فارسی با استفاده از یک معماری مدرن یادگیری عمیق ارائه میدهد. در این راستا ابتدا یک مجموعه داده بزرگ و متنوع شامل ۱۲۴ هزار تصویر از ۱۲۰ کلاس مختلف حروف فارسی، با بهره گیری و ترکیب دو مجموعه داده استاندارد ایجاد گردید. سپس تصاویر با استفاده از یک الگوریتم پیش پردازش ۴ سفارشی نرمال سازی و برای ورود به شبکه آماده شدند ما در این پژوهش معماری اصلی مدل را بر پایه شبکه ی ۳۴-ResNet و با استفاده از تکنیک یادگیری انتقالی بنا کرده ایم که با وزنهای از پیش آموزش دیده روی مجموعه داده ImageNet مقداردهی اولیه شده است. برای افزایش مقاومت مدل در برابر بیش برازش و بهبود قابلیت تعمیم پذیری از تکنیک های پیشرفته ای همچون افزایش داده توقف زودهنگام و تنظیم گر نرخ یادگیری ۱۰ استفاده شد. نتایج ارزیابی نشان میدهد که مدل پیشنهادی توانسته است به دقت ۹۴.۹ داده های اعتبار سنجی دست یابد این عملکرد بالا کارایی بالای رویکرد یادگیری انتقال و معماری های عمیق را در حل مسئله پیچیده بازشناسی حروف فارسی اثبات میکند و راه را برای توسعه سامانه های دقیق تر در آینده بر روی هموار می سازد.

کلیدواژه ها:

بازشناسی نوری ، نویسه ها یادگیری ، عمیق شبکه های عصبی کانولوشنی ، یادگیری انتقال ، حروف فارسی