ترجمه فارسی مقاله شبکه‌های توجه چند کانالی با آموزش انتقال ترکیبی برای تشخیص کاراکتر دست‌نویس Bangla

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Multichannel Attention Networks with Ensembled Transfer Learning to Recognize Bangla Handwritten Charecter
عنوان مقاله به فارسی شبکه‌های توجه چند کانالی با آموزش انتقال ترکیبی برای تشخیص کاراکتر دست‌نویس Bangla
نویسندگان Farhanul Haque, Md. Al-Hasan, Sumaiya Tabssum Mou, Abu Saleh Musa Miah, Jungpil Shin, Md Abdur Rahim
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 20 August, 2024; originally announced August 2024.
توضیحات به فارسی 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The Bengali language is the 5th most spoken native and 7th most spoken language in the world, and Bengali handwritten character recognition has attracted researchers for decades. However, other languages such as English, Arabic, Turkey, and Chinese character recognition have contributed significantly to developing handwriting recognition systems. Still, little research has been done on Bengali character recognition because of the similarity of the character, curvature and other complexities. However, many researchers have used traditional machine learning and deep learning models to conduct Bengali hand-written recognition. The study employed a convolutional neural network (CNN) with ensemble transfer learning and a multichannel attention network. We generated the feature from the two branches of the CNN, including Inception Net and ResNet and then produced an ensemble feature fusion by concatenating them. After that, we applied the attention module to produce the contextual information from the ensemble features. Finally, we applied a classification module to refine the features and classification. We evaluated the proposed model using the CAMTERdb 3.1.2 data set and achieved 92\% accuracy for the raw dataset and 98.00\% for the preprocessed dataset. We believe that our contribution to the Bengali handwritten character recognition domain will be considered a great development.

چکیده به فارسی (ترجمه ماشینی)

زبان بنگالی پنجمین زبان بومی و هفتمین زبان گفتاری در جهان است و به رسمیت شناختن شخصیت دست نوشته بنگالی برای ده ها سال محققان را به خود جلب کرده است.با این حال ، زبانهای دیگری مانند به رسمیت شناختن شخصیت های انگلیسی ، عربی ، ترکیه و چینی به طور قابل توجهی در توسعه سیستم های تشخیص دست نویس نقش داشته اند.با این وجود ، تحقیقات کمی در مورد شناخت شخصیت بنگالی به دلیل شباهت شخصیت ، انحنای و سایر پیچیدگی ها انجام شده است.با این حال ، بسیاری از محققان از یادگیری ماشین های سنتی و مدل های یادگیری عمیق برای انجام شناخت دست نوشته بنگالی استفاده کرده اند.در این مطالعه از یک شبکه عصبی حلقوی (CNN) با یادگیری انتقال گروه و یک شبکه توجه چند کاناله استفاده شده است.ما این ویژگی را از دو شاخه CNN تولید کردیم ، از جمله Inception NET و RESNET و سپس با هماهنگی آنها ، فیوژن ویژگی گروهی را تولید کردیم.پس از آن ، ما از ماژول توجه برای تولید اطلاعات متنی از ویژگی های گروه استفاده کردیم.سرانجام ، ما از یک ماژول طبقه بندی برای اصلاح ویژگی ها و طبقه بندی استفاده کردیم.ما مدل پیشنهادی را با استفاده از مجموعه داده CamterDB 3.1.2 ارزیابی کردیم و به دقت 92 \ ٪ برای مجموعه داده های خام و 98.00 \ ٪ برای مجموعه داده های از پیش پردازش شده رسیدیم.ما معتقدیم که سهم ما در حوزه تشخیص شخصیت دست نویس بنگالی یک پیشرفت عالی در نظر گرفته خواهد شد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.