نوع فایل: word
قابل ویرایش 15 صفحه
مقدمه:
مسئله تشخیص آرم از گرایش های بزرگ در حوزه سند خصوصا برای پایگاه داده ها می باشدو مزیت آن امکان بالقوه اش برای تشخیص منابع اسنادوکلی گویی اش برای مسئله تشخیص واطلاعات معنایی در مورد متن است.در زمینه کاربرد سندهای تصویری، تشخیص آرم های مشابه با دو شیوه قابل انجام است.اول- سندی که شامل یک آرم باشد را به عنوان ورودی وارد نموده و سیستم ، آرم را به عنوان یکی از اعضای مجموعه کوچک آرم های شناخته شده یا به عنوان آرمی که در حال حاضر در پایگاه داده موجود نیست ، طبقه بندی می کند.دوم -آرم خاصی را (شناخته شده یا شناخته نشده) در پایگاه داده ای از اسناد اندیس گذاری نموده و اسنادی که شامل آن آرم باشند را استخراج می نماید. نمونه ای از یک سندتصویری در شکل1 نشان داده شده است.مسئله شناسایی آرم را می توان در سه مرحله تقسیم بندی نمود
بخش بندی1: تصویر سند به تصاویرکوچکتری که شامل ارتباطات منطقی بخش هایی از سند می باشد، تقسیم می شود.
تشخیص آرم2: ویژگی هایی از بخش ها استخراج می شوند سپس در دسته بندی بخش ها، بر پایه اینکه احتمالا شامل آرم هستند یا خیر،استفاده می شوند.
3-انطباق آرم3:مجموعه منتخب آرم هادر فاز2 با پایگاه داده شامل کلیه آرم هاانطباق پیدا می کنند تا آرم دقیقا شناسایی و تعیین شود. در اکثر کاربردها هدف نهایی فاز سوم می باشد.
فهرست مطالب:
مقدمه
روش پیشنهادی
2-1- استخراج ویژگی
2-2- شبکه های عصبی
2-3- بهینه سازی وزنی تکاملی
2-4- الگوریتم GA برای معماری شبکه
آزمایش ها
نتیجه‌گیری
5-مراجع
فهرست جداول:
جدول 1- لیست ویژگی های استفاده شده
جدول 2- ماتریس وزن برای شبکه عصبی در شکل 2
جدول3- مقادیر برخی ویژگی های نمونه هایی از اسناد دارای آرم و بدون آرم
منابع ومأخذ:
[1] S. Seiden, M. Dillencourt, S. Irani, R. Borry, T. Murphy, “Logo detection in document images”.
[2] D. S. Doermann, E. Rivlin, I. Weiss, “Logo recognition using geometric invariants,” Proceedings of the second International Conference on Document Analysis and Recognition,1993.p.894-7.
[3] A. Lawrence Spitz, “Logotype Detection in Compressed Images using Alignment Signatures,” Daimler Benz Research and Technology Center, 1510 Page Mil Road, Palo Alto, California 94304 USA.
[4] M. Gori, M. Maggini, S. Marinai, J. Q. Sheng, G. Soda, “Edge-backpropagation for noisy logo recognition,” Dipartimento di Ingegneria dell'Information, Universita di Siena, Italy, Feb 2002.
[5] J. Neumann, H. Samet, A. Soer, “Integration of local and global shape analysis for logo classification,” Pattern Recognition Letters, 23 pp. 1449-1457, 2003.
[6] D. Pham, Jinsong. Yang, “Logo Detection in Document Images with Complex Backgrounds.” Griffith University QLD 4111, Australia.
[7] J. Zhou, D. P. Lopresti, p. Sarkar, “Identification of Logos from Document Images,” Matsushita Electric Industrial o., Ltd., Osaka(JP). Aug.14, 1998.
[8] J. R. Quinlin, M. Kaufmann, “C4.5: Programs for Machine Learning,” San Mateo, California, 1992.
[9] A. W. M. Smeulders, M. Worring, S. Santini, A. Gupta, R. Jain, “Content-based image retrieval at the end of the early years,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(12) pp. 1349-1380, 2000.
[10] CH. Huang , L. Chen, Y. Chen , M. Chang, “Evaluating the process of a genetic algorithm to improve the back-propagation network: A Monte Carlo study,” Expert Systems with Applications xxx (2008) xxx–xxx
[11] Evolutionary Neural Network: The University of Melbourne: Assoc. Proffesor Baikunth Nath
[12] D. S. Doermann, Document Processing Group Log Database, University of Maryland, URL
http://documents.cfar.umd.edu/resources/database/UMDlogo.html
پروژه بهبود شناسایی آرم در سند های تصویری مبتنی بر الگوریتم ژنتیک. doc