АНАЛІЗ ПІДХОДІВ ДО РОЗВ'ЯЗАННЯ ЗАДАЧ РОЗПIЗНАВАННЯ ОБРАЗІВ З ВИКОРИСТАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.26906/SUNZ.2023.1.096Ключові слова:
нейронна мережа, перцептрон, парадигма ваг, cnn, rnn, adaptive resonance theoryАнотація
Актуальність. Розпізнавання тексту на зображеннях (оптичне розпізнавання символів) — один із напрямків розпізнавання образів, завдання якого полягає у переведенні зображень рукописного, машинного або друкованого тексту в текстові дані, які використовуються для представлення символів на комп'ютері (наприклад, у текстовому редакторі). Розпізнавання тексту на зображеннях є важливим завданням машинного навчання, оскільки це дозволяє організувати зручну взаємодію з даними: редагування, аналіз, пошук слів чи фраз тощо. Тим не менш, створення додатку в цій галузі залишається творчим завданням і вимагає додаткових досліджень у зв'язку зі специфічними вимогами щодо вирішення, швидкодії, надійності розпізнавання та обсягу пам'яті, якими характеризується кожна конкретна задача. Метою даної роботи є надання рекомендацій що до вибору типів нейронних мереж, методів їх навчання в задачах розпізнавання зображень. Об’єктом дослідження є процеси розпізнавання зображень. Предметом дослідження є методи розпізнавання зображень тексту або символів на основі штучного інтелекту. Результати. В роботі були проаналізовані типи нейронних мереж та види їх навчання що притаманні для розв’язання задач розпізнавання рукописних символів. Висновок. В даний час на ринку існує досить велика кількість інноваційних компаній, які займаються розпізнаванням зображень із використанням нейромережевих технологій навчання системи. Достеменно відомо, що вони досягли точності розпізнавання зображень в районі 95% при використанні бази даних 10 000 зображень. Проте всі досягнення відносяться до статичних зображень, з динамічними зображеннями ситуація не однозначна. Тому дослідження в галузі розпізнавання зображень за допомогою нейронної мережі ще досліджуються, вона є актуальною зараз.Завантаження
Посилання
Нейронні мережі: їх застосування, робота [Electronic resource] – URL: https://www.poznavayka.org/
Neural Networks Modeling and Control: Applications for Unknown Nonlinear Delayed Systems in Discrete Time Authors: Jorge Rios, Alma Alanis, Nancy Arana-Daniel, Carlos Lopez-Franco -2020. – 158 p.
Згорткова нейронна мережа – просте пояснення CNN та її застосування [Electronic resource] – URL: https://evergreens.com.ua/ua/articles/cnn.html
Рекурентні нейронні мережі [Electronic resource] – URL: https://studfile.net/preview/7653871/page:9/
Навчання з підкріпленням у машинному навчанні [Electronic resource] – URL: https://goo.su/i0gLlz9
Y. LeCun, L. Bottou, G. Orr and K. Muller: Efficient BackProp, in Orr, G. and Muller K. (Eds) // Neural Networks: Tricks of the trade. – 2008. – 200 p.
Y. LeCun and Y. Bengio: Convolutional Networks for Images, Speech, and Time-Series, in Arbib, M. A. (Eds) // The Handbook of Brain Theory and Neural Networks. – 2005. – 150 p.
Neural Networks and Deep Learning: A Textbook by Charu C. Aggarwal – 2018. - 520 p.
