Transcript Binary tree construction

Neural Network Recognition and Analysis of Hand-printed Characters
Present By
น.ส.สุ ชาดา อัคควัสกุล รหัส 44640159
Feature Extraction
Binary tree construction
Structural information
Primitives
Binary tree construction
เราใช้ Binary tree สาหรับ เก็บ path โครงร่ างของตัวอักษร ซึ่ งเราจะแบ่ง Image
ออกเป็ นสามส่ วนตามแนวนอนเพื่อทาการหา Junction point และ end point ของตัวอักษร
สาหรับตัวอักษรบางตัวที่ไม่สามารถหาจุดใดๆได้ เช่นตัวอักษร O เราจะถือว่า ซ้ายมือสุ ด
คือจุดเริ่ มของตัวอักษรนั้น
Structural information
Freeman Code : 8-directional code สาหรับอธิบาย การ Tracing of the path
Positional : co-ordinates ซึ่ งอธิ บาย จุดเริ่ มต้นและจุดจบของ path เพื่อกาหนด
ตาแหน่งที่สัมพันธ์กนั ระหว่าง Loop เช่น “b”=Left touching path
“d”=right touching path
Loop : ตัวบ่งชี้ path ที่เชื่อมต่อกัน เช่น “e”,”6”
Primitives
Breakpoint (Separator) :
แบ่ง path ออกเป็ น path ย่อยเพื่อง่ายต่อการเปรี ยบเทียบกับแบบพื้นฐาน
Inflection point : จุดเปลี่ยนของเส้นโค้ง
Cusp point : จุดเปลี่ยนทิศทางที่ชดั เจน คือทามุมกันในช่วง <=90
Straight line : เส้นตรง
Curve : เส้นโค้ง
Open : มี 4 แบบที่เราใช้อธิบาย Latin Character
Close (Loop) : เส้นโค้งแบบปิ ด เช่น O
Experimental results
Data pre-processing and feature selection
Pattern recognition with cross-validation
System performance in the presence of noise
Data pre-processing and feature selection
เราใช้วิธีการสารวจ Image โดยอาศัย Window ขนาดคงที่ เมื่อพบลักษณะ primitives
ณ ตาแหน่งที่ Window เลื่อนไปเราจะเก็บข้อมูลลงใน Stack หาก เลื่อน Window ไปแต่ไม่พบ
ลักษณะใดๆเลยจะเก็บค่า empty code สาหรับการทดลองนี้เราเลื่อน Window ไป 7 ตาแหน
สาหรับแต่ละตัวอักษร
Input Vector = {x1,x2,……x7}
Target Output = {t1,t2,……t52}
Pattern recognition with cross-validation
การวิเคราะห์ขอ้ มูลโดยใช้ neural network จะถูกแบ่งเป็ น 2 ส่ วนคือ ส่ วน Training
และส่ วนของการ Test data โดยจะแบ่ง Training Process เป็ น Fold ทุกๆ 10 Fold ของการ
Train ข้อมูลทั้งหมดจะถูกทดสอบ ผลจากการวัดที่ได้ จะได้ผลลัพธ์ของ ค่าเฉลี่ยของ
Recognition rate of training data in percentage และค่าเฉลี่ยของ recognition rate of the
Test data in percentage
System performance in the presence of noise
การวิเคราะห์ประสิ ทธิ ภาพโดยมีการ เพิ่ม noise ให้กบั การจาแนกลักษณะ primitives
ของแต่ละ Windows .Noise เช่น ความสว่าง ความชัดเจนของภาพ ฯลฯ สาหรับการทดลอง
นี้เราใช้หลักการ Gaussian noise of increasing amplitude
ซึ่ งจะได้ผลสรุ ปจากการทดลองดังนี้
- Noise amplitude มีผลกระทบที่สาคัญของประสิ ทธิภาพการรู้จา
- อัตราการรู้จาจะเปลี่ยนแปรไปตาม Windows ที่เปลี่ยนไป
- บาง Windows เช่น I3 ได้รับ effects จาก Noise มากกว่าเมื่อเปรี ยบเทียบกับ I1
- ส่ วนเบี่ยงเบนมาตรฐานเป็ น Factor สาคัญสาหรับการแสดงความเสถียรของการวัด
- การเพิ่ม noise amplitude บางครั้งก็ช่วยในประสิ ทธิ ภาพการรู ้จา
The End.