SavedAdd your journal

Journals / Bilgisayar Bilimleri / 2021 / Cilt: IDAP-2021 : 5th International Artificial Intelligence and Data Processing symposium Sayı: Special Özel Sayı

Classification of Chinese Number Patterns with Convolutional Neural Networks (CNN)

Konvolüsyonel Sinir Ağları (CNN) ile Çin Sayı Örüntülerinin Sınıflandırması

Nihal Zuhal Kayalı(TÜRK-ALMAN ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0002-6545-173X
Sevinç İlhan Omurca(KOCAELİ ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0003-1214-9235
Pages
184–191
Publication Date
2021-10-20
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

As a result, it is thought that the proposed model can be used on Chinese number patterns with high performance.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The MNIST dataset, which has become a standard for Machine Learning and Deep Learning applications, is quite popular.
📊
Key Findings & Data:At the classification stage, a correct classification rate of 96.5% was achieved.
💡
Conclusion & Impact:As a result, it is thought that the proposed model can be used on Chinese number patterns with high performance.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Görüntü İşleme · Sınıflandırma · Konvolüsyonel Sinir Ağları

Abstract

The MNIST dataset, which has become a standard for Machine Learning and Deep Learning applications, is quite popular. In this study, a dataset containing images of handwritten Chinese numbers is introduced as a variation of the MNIST dataset. Convolutional Neural Networks (ConvNN or CNN) model, which is a type of multi-layer artificial neural networks, which is one of the current and challenging research topics of Machine Learning methods, has been applied and a classification study has been made. At the classification stage, a correct classification rate of 96.5% was achieved. As a result, it is thought that the proposed model can be used on Chinese number patterns with high performance.

Özet

Makine Öğrenmesi ve Derin Öğrenme uygulamaları için bir standart haline gelen MNIST veri seti oldukça popülerdir. Bu çalışmada MNIST veri setinin bir varyasyonu olarak el yazısı ile yazılmış Çince sayıların görüntülerini içeren veri kümesi tanıtılmıştır. Makine Öğrenmesi yöntemlerinin güncel ve zorlu araştırma konularından çok katmanlı yapay sinir ağlarının bir türü olan Konvolüsyonel Sinir Ağları (ConvNN ya da CNN) modeli uygulanıp bir sınıflandırma çalışması yapılmıştır. Sınıflandırma aşamasında %97 doğru sınıflandırma oranına ulaşılmıştır. Sonuç olarak, önerilen modelin Çin sayı örüntüleri üzerinde yüksek başarım ile kullanılabileceği düşünülmektedir.

🔖

Cite This Article

Kayalı, N. Z., Omurca, S. İ. (2021). Classification of Chinese Number Patterns with Convolutional Neural Networks (CNN). Bilgisayar Bilimleri, Cilt: IDAP-2021 : 5th International Artificial Intelligence and Data Processing symposium Sayı: Special Özel Sayı, 184–191. https://doi.org/10.53070/bbd.989668

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. McCarthy, J. (2007). What is artificial intelligence? Computer Science Department, Stanford University. Available from: http://www-formal.stanford.edu/jmc/whatisai.pdf
  2. Fyfe, C. (2000). Artificial neural networks and information theory. University of Paisley.
  3. Uğuz, S. (2019). Makine öğrenmesi teorik yönleri ve Python uygulamaları ile bir yapay zekâ ekolü. Nobel Yayıncılık. Ankara.
  4. Deng, L., & Yu, D. (2014). Deep learning: methods and applications. Foundations and trends in signal processing, 7(3–4), 197-387. Tüfekçi, M., & Karpat, F. (2019). Derin Öğrenme Mimarilerinden Konvolüsyonel Sinir Ağları (CNN) Üzerinde Görüntü İşleme-Sınıflandırma Kabiliyetininin Arttırılmasına Yönelik Yapılan Çalışmaların İncelenmesi.
  5. LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., & Jackel, L. D. (1989). Backpropagation applied to handwritten zip code recognition. Neural computation, 1(4), 541-551.
  6. Kurt, F. (2018). Evrişimli Sinir Ağlarında Hiper Parametrelerin Etkisinin İncelenmesi. Dumoulin, V., & Visin, F. (2016). A guide to convolution arithmetic for deep learning. arXiv preprint arXiv:1603.07285.
  7. Mettleq, A. S. A., Dheir, I. M., Elsharif, A. A., & Abu-Naser, S. S. (2020). Mango Classification Using Deep Learning. International Journal of Academic Engineering Research (IJAER), 3(12).
  8. Hansen, O. L., Svenning, J. C., Olsen, K., Dupont, S., Garner, B. H., Iosifidis, A.,. & Høye, T. T. (2020). Species‐level image classification with convolutional neural network enables insect identification from habitus images. Ecology and evolution, 10(2), 737-747.
  9. Qin, J., Pan, W., Xiang, X., Tan, Y., & Hou, G. (2020). A biological image classification method based on improved CNN. Ecological Informatics, 58, 101093.
  10. Gayathri, S., Gopi, V. P., & Palanisamy, P. (2020). A lightweight CNN for Diabetic Retinopathy classification from fundus images. Biomedical Signal Processing and Control, 62, 102115.
  11. Data: https://data.ncl.ac.uk/articles/dataset/Handwritten_Chinese_Numbers/10280831/1
  12. Team, T. T. D., Al-Rfou, R., Alain, G., Almahairi, A., Angermueller, C., Bahdanau, D.,. & van Tulder, G. (2016). Theano: A Python framework for fast computation of mathematical expressions. arXiv preprint arXiv:1605.02688.
  13. Hansen, O. L., Svenning, J. C., Olsen, K., Dupont, S., Garner, B. H., Iosifidis, A.,. & Høye, T. T. (2020). Species‐level image classification with convolutional neural network enables insect identification from habitus images. Ecology and evolution, 10(2), 737-747.
  14. Team, T. T. D., Al-Rfou, R., Alain, G., Almahairi, A., Angermueller, C., Bahdanau, D.,. & van Tulder, G. (2016). Theano: A Python framework for fast computation of mathematical expressions. arXiv preprint arXiv:1605.02688.