شناسايي آفلاين (غير برخط) نويسنده با استفاده از داده‌هاي نامتجانس دستخط بر پاية يادگيري عميق

Offline Identification of the Author using Heterogeneous Data based on Deep Learning

تشخيص دستخط همواره مسئله چالش‌برانگيزي بوده است؛ ازاين‌رو، توجه محققان زيادي را به خود جلب كرده است. مطالعة حاضر يك سيستم آفلاين (غير برخط) تشخيص خودكار دست‌نوشته‌هاي انسان را در شرايط آزمايشي مختلف ارائه مي‌دهد. اين سيستم شامل داده‌هاي ورودي، واحد پردازش تصوير و واحد خروجي است. در اين مطالعه، يك مجموعه داده راست به چپ بر پاية استانداردهاي آمريكايي (ASTM) طراحي شده است. يك مدل شبكۀ عصبي كانولوشن عميق (DCNN) بهبوديافته بر پاية شبكة از پيش آموزش‌ديده، براي استخراج ويژگي‌ها به‌صورت سلسله‌مراتبي از داده‌هاي خام دستخط طراحي شده است. يك مزيت درخور توجه در اين مطالعه استفاده از داده‌هاي نامتجانس است. يكي ديگر از جنبه‌هاي شايان توجه مطالعة حاضر اين است كه مدل پيشنهادي DCNN مستقل از هر زبان خاصي است و مي‌تواند براي زبان‌هاي مختلف استفاده شود. نتايج نشان مي‌دهند مدل پيشنهادي DCNN، عملكرد بسيار خوبي براي شناسايي نويسنده بر پاية داده‌هاي نامتجانس دستخط دارد.

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 right-to-left 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 pre-trained 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.