手写体数字
手写体数字的相关文献在1990年到2022年内共计65篇,主要集中在自动化技术、计算机技术、信息与知识传播、无线电电子学、电信技术
等领域,其中期刊论文60篇、会议论文1篇、专利文献1305488篇;相关期刊38种,包括情报杂志、科学技术与工程、计算机工程与科学等;
相关会议1种,包括1999年青岛-香港国际计算机会议等;手写体数字的相关文献由135位作者贡献,包括刘平兰、富煜清、崔志强等。
手写体数字—发文量
专利文献>
论文:1305488篇
占比:100.00%
总计:1305549篇
手写体数字
-研究学者
- 刘平兰
- 富煜清
- 崔志强
- 施鹏飞
- 李天牧
- 赵仲秋
- 邓丽华
- 陆佶人
- 陈保恩
- 高鹏
- 黄德双
- 黄心晔
- Chi.Z
- Cho.SB
- JinH.Kim
- LV Hong
- Lee.S
- LeeS
- Sung-JungCho
- Weid.WE
- 任一帆
- 何书萍
- 何振亚
- 余乐
- 傅德胜
- 冯运亮
- 冷亦琴
- 刘伟权
- 刘印华
- 刘同怀
- 刘志敏
- 刘来元
- 刘永生
- 刘韧
- 史青宣
- 叶青
- 向华
- 吕红1
- 吴平东
- 吴超
- 周建鹏
- 唐可洪
- 唐春艳
- 唐磊
- 夏佩佩
- 夏国恩
- 孔梦荣
- 宋丹
- 庄严
- 廖群丽
-
-
张玉娇
-
-
摘要:
阐述卷积神经网络因其在图像识别领域的优良表现,它被广泛应用于车牌识别、自动银行支票处理等领域,但卷积神经网络的参数量大、运算量大,且随着网络层数的加深运算量成倍增加,使其运算速度较慢,影响了模型落地及应用部署。模型轻量化部署及加速研究显得尤为重要,模型压缩、算子优化、硬件加速成为发展方向。以手写体数字识别的卷积神经网络为例,探讨卷积神经的结构特点、实施加速的方向和基于FPGA的硬件加速应用。
-
-
蒋正锋;
廖群丽
-
-
摘要:
针对特定业务分类的需求,无从下手设计深度神经网络模型的问题,提出一种基于多参数融合逐步优化深度神经网络的设计方法.先通过分析样本和类别确定初始的无隐层神经网络模型,然后在初始神经网络的基础上逐步增加隐层,构建多参数融合优化的深度神经网络.基于TensorFlow框架,以手写体数字识别为例,逐步设计一个深度神经网络模型,整个实验过程中不断调整网络结构、激活函数、损失函数、优化器、学习率和样本批次大小,最终设计出多参数融合优化的具有较高准确率的深度神经网络模型,为构建神经网络提供了一种有效的思路.
-
-
沈荣;
黄晨
-
-
摘要:
传统笔迹鉴定起源于"经验性"累积,科学基础尚需证实与加强,在司法实践中经常出现争议.对此,引入基于深度学习的目标检测算法,提出一种应用深度学习技术实现对笔迹识别的设计方案.实现过程中,建立并优化了全连接神经网络模型,并将模型移植到ROS(Robot Operating System)机器人系统上,实现了对手写体数字的识别应用.以MNIST数据集作为模拟检材,对手写体数字的识别正确率可达98.32%.证明深度学习技术可以有效挖掘图像信息,是替代传统"经验性"文件鉴定的手段,对拓宽法医学、鉴定科学研究方法具有启发意义和应用参考价值.
-
-
LV Hong
-
-
摘要:
当前卷积神经网络应用于手写数字的识别已成为研究的热点之一.本文在Matlab环境下输入手写数字图片,然后对图片进行灰度化、二值化、反色、去噪、分割和大小归一化预处理,通过卷积神经网络经典模型LeNet-5,对比3种数据集:MNIST数据集、MNIST数据集训练+自建数据集调精和自建数据集训练卷积神经网络的实际识别效果,选择自建的数据集进行卷积神经网络训练,在训练好的卷积神经网络中手写体数字图片取得了较好的识别效果.
-
-
-
吕红1
-
-
摘要:
当前卷积神经网络应用于手写数字的识别已成为研究的热点之一。本文在Matlab环境下输入手写数字图片,然后对图片进行灰度化、二值化、反色、去噪、分割和大小归一化预处理,通过卷积神经网络经典模型LeNet-5,对比3种数据集:MNIST数据集、MNIST数据集训练+自建数据集调精和自建数据集训练卷积神经网络的实际识别效果,选择自建的数据集进行卷积神经网络训练,在训练好的卷积神经网络中手写体数字图片取得了较好的识别效果。
-
-
胡霖
-
-
摘要:
随着科技的发展,手写体数字的识别这一功能在许多的方面都有很多用途,特别是在我们的日常生活中.支持向量机在机器学习方面最主要的优势是在解决小样本、非线性和高维模式识别问题中具有突出的效果,被广泛用于信息识别中.为了提高手写体数字的识别率,本文提出了一种基于改进的C-支持向量机的手写体数字高识别率方法,实验结果证明基于改进的C-支持向量机的手写体数字高识别率方法有效可行.
-
-
楚浩宇;
高萌;
刘永生
-
-
摘要:
In order to improve the recognition rate and reliability of off-line handwritten digit recognition,considering that traditional sin-gle classifiers have different sensitivity to the differences between digital,we propose a combined classifier of parallel organizational struc-ture combining three machine learning algorithms of K-nearest neighbor,general regression neural network and support vector machine. It uses the improved voting mechanism to determine the recognition result.Using MNIST database as data source,the comparable experi-ment on the performance of classifiers is carried out on MATLAB,whose results(recognition rate,rejection rate,false accept rate,relia-bility) are 97.48%,1.55%,0.97% and 99.02%.The experiments indicate that the parallel combined classifier is superior to the tradi-tional single classifier in terms of robustness,and other combined classifiers in terms of recognition rate,rejection rate and time complexi-ty.With a simple structure,it can achieve fast and efficient off-line handwritten digit recognition.%为了提高脱机手写体数字识别的识别率和可靠性,并且考虑到传统的单一分类器对数字之间差异的敏感性不同,综合K-近邻算法、广义回归神经网络、支持向量机三种机器学习算法,提出了一种并行组织结构的组合分类器.并行组合分类器通过改进的投票机制来判定识别结果.以MNIST数据库为数据来源,在MATLAB平台上开展各种分类器的性能对比实验.组合后的识别率、拒识率、误识率、可靠性分别可达到97.48%、1.55%、0.97%、99.02%.实验结果表明,并行组合分类器在鲁棒性方面优于传统的单一分类器,在识别率、拒识率、算法的时间复杂度上均优于其他组合分类器.并行组合分类器以简易结构实现了脱机手写体数字的快速、高效识别.
-
-
李慧莹;
胡西川
-
-
摘要:
在脱机手写体数字识别项目中,重点研究在结构特征提取阶段,针对于二值字符图像的行列,使用统计该行或该列白线条出现的次数的方法,对比传统的统计该行或该列白像素出现的总量的方法,并且相应地在预处理阶段中采用“纵向拉伸”的字符填充方法,实验结果表明可使识别率提高近10.04%.该方法对手写体数字的结构表达更准确.实验使用MNIST手写数据库作为样本来源,利用概率神经网络进行分类识别,以识别率作为评价指标.
-
-
陈岩;
李洋洋;
余乐;
王瑶;
吴超;
李阳光
-
-
摘要:
近年来,卷积神经网络在图像的分类识别领域取得成功,并逐渐在许多嵌入式终端设备上得到应用.在Linux环境下采用QT开发框架,设计实现了一个基于卷积神经网络的手写体数字识别系统.该系统可以很方便的跨平台移植于各类嵌入式设备上.测试结果表明,该系统对手写体识别具有良好的识别效果.