شناسایی آفلاین (غیر برخط) نویسنده با استفاده از داده‌های نامتجانس دستخط بر پایة یادگیری عمیق

تشخیص دستخط همواره مسئله چالش‌برانگیزی بوده است؛ ازاین‌رو، توجه محققان زیادی را به خود جلب کرده است. مطالعه‌ حاضر یک سیستم آفلاین (غیر برخط) تشخیص خودکار دست‌نوشته‌های انسان را در شرایط آزمایشی مختلف ارائه می‌دهد. این سیستم شامل داده‌های ورودی، واحد پردازش تصویر و واحد خروجی است. در این مطالعه، یک مجموعه داده راست به چپ بر پایه‌ استانداردهای آمریکایی (astm) طراحی شده است. یک مدل شبکۀ عصبی کانولوشن عمیق (dcnn) بهبودیافته بر پایه‌ شبکه‌ از پیش آموزش‌دیده، برای استخراج ویژگی‌ها به‌صورت سلسله‌مراتبی از داده‌های خام دستخط طراحی شده است. یک مزیت درخور توجه در این مطالعه استفاده از داده‌های نامتجانس است. یکی دیگر از جنبه‌های شایان توجه مطالعه‌ حاضر این است که مدل پیشنهادی dcnn مستقل از هر زبان خاصی است و می‌تواند برای زبان‌های مختلف استفاده شود. نتایج نشان می‌دهند مدل پیشنهادی dcnn، عملکرد بسیار خوبی برای شناسایی نویسنده بر پایه‌ داده‌های نامتجانس دستخط دارد.

offline identification of the author using heterogeneous data based on deep learning

handwriting recognition has always been a challenge; therefore, it has attracted the attention of many researchers. the present study presents an offline system for the automatic detection of human handwriting under different experimental conditions. this system includes input data, image processing unit, and output unit. in this study, a righttoleft dataset is designed based on the standards of the american society for experiments and materials (astm). an improved deep convolution neural network (dcnn) model based on a pretrained network is designed to extract features hierarchically from raw handwritten data. a significant advantage in this study is the use of heterogeneous data. another significant aspect of the present study is that the proposed dcnn model is independent of any particular language and can be used for different languages. the results show that the proposed dcnn model has a very good performance for identifying the author based on heterogeneous data.