KaydedilenlerDerginizi ekleyin

Dergiler / Avrupa Bilim ve Teknoloji Dergisi / 2021 / Sayı: 32

Sentetik Veri Kullanarak Türkçe Çevrimiçi El Yazısı Tanıma

Online Turkish Handwriting Recognition Using Synthetic Data

Esma Fatıma BİLGİN TAŞDEMİR
Sayfa
649–656
Yayın Tarihi
2021-12-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Alınan sonuçlara dayanarak yapay veri kullanmanın Türkçe çevrim içi el yazısı alanında yaşanan veri yetersizliği problemine bir çözüm olabileceğini söyleyebiliriz.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada yapay veri ve öğrenme tranferi kullanan bir çevrimiçi Türkçe el yazısı tanıma sistemi sunuyoruz.
📊
Temel Bulgular & Veri:Bu yapay veri ile ön eğitime tabi tuttuğumuz sistemi gerçek veri ile de eğiterek 2,041 kelimelik gerçek veri üzerinde test ediyoruz.
💡
Sonuç & Katkı:Alınan sonuçlara dayanarak yapay veri kullanmanın Türkçe çevrim içi el yazısı alanında yaşanan veri yetersizliği problemine bir çözüm olabileceğini söyleyebiliriz.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Türkçe El Yazısı Tanıma · Çevrimiçi El Yazısı Tanıma · Derin Öğrenme

Özet

Bu çalışmada yapay veri ve öğrenme tranferi kullanan bir çevrimiçi Türkçe el yazısı tanıma sistemi sunuyoruz. Derin yapay sinir ağlarını eğitmek için çok miktarda veri gerekir. Ancak Türkçe çevrimiçi el yazısı için böylesine büyük bir veri seti bulunmamaktadır. Bu sorunu aşmak için yapay veri üreterek sistemi ön eğitime tabi tutmayı, ardından gerçek veri ile ince ayar yapmayı öneriyoruz. Büyük bir İngilizce çevrimiçi el yazısı veri setindeki ayrık karakter örneklerini kullanarak çevrimiçi el yazısı kelimeler üretiyoruz. Bu yapay veri ile ön eğitime tabi tuttuğumuz sistemi gerçek veri ile de eğiterek 2,041 kelimelik gerçek veri üzerinde test ediyoruz. Öğrenme transferi yöntemi sayesinde Türkçe kelimeler için karakter tanıma oranının %61’den %88’e yükseldiğini gözlemliyoruz. Yapay test verisinde de buna yakın bir sonuç alınması yapay verinin gerçek veriye yeterince benzediğini gösterir. Alınan sonuçlara dayanarak yapay veri kullanmanın Türkçe çevrim içi el yazısı alanında yaşanan veri yetersizliği problemine bir çözüm olabileceğini söyleyebiliriz.

Abstract

We present a recognition system for online Turkish handwriting trained with synthetically generated data and transfer learning. Training deep networks requires large amounts of data. However, a sufficiently large collection of Turkish handwriting samples is not available. Hence we synthesize data to do pretraining before adapting the system to target dataset by fine tuning. We generate words from isolated character collection of a large English handwriting dataset. Then, we train the system first with synthetic data and fine tune it with Turkish handwriting samples from a smaller dataset. Fine tuning increases the character recognition rate of the final system which is evaluated on 2,041 samples of isolated Turkish words from the initial value of 61% to 88%. Performance of the system on synthetic data is quite similar to that on the Turkish test data which shows that the synthetic data resembles the real data quite closely. According to these results, synthetic data generation can be a solution to the data scarcity problem of online Turkish handwriting.

🔖

Bu Makaleye Atıf Yap

TAŞDEMİR, E. F. B. (2021). Sentetik Veri Kullanarak Türkçe Çevrimiçi El Yazısı Tanıma. Avrupa Bilim ve Teknoloji Dergisi, Sayı: 32, 649–656. https://ajindex.com/articles/470173

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Aksan, Y., Aksan, M., Koltuksuz, A., Sezer, T., Mersinli, Ü., Demirhan, U. U., Yilmazer, H., Atasoy, G., Öz, S., Yildiz, I. & Kurtoglu, Ö. (2012). Construction of the Turkish National Corpus (TNC). In N. Calzolari, K. Choukri, T. Declerck, M. U. Dogan, B. Maegaard, J. Mariani, J. Odijk & S. Piperidis (Hrsg.), Proceedings of the Eighth International Conference on Language Resources and Evaluation, LREC2012,
  2. Istanbul, Turkey, May23-25,2012 (S. 3223–3227). European Language Resources Association (ELRA). Al-Helali, B. M. & Mahmoud, S. A. (2017). Arabic Online Handwriting Recognition (AOHR): A Survey. ACM Comput. Surv., 50(3), 33:1–33:35. Ballard, L., Lopresti, D. P. & Monrose, F. (2007). Forgery Quality and Its Implications for Behavioral Biometric Security. IEEE Trans. Syst. Man Cybern. Part B, 37(5), 1107–1118.
  3. Biem, A. (2006). Minimum classification error training for online handwriting Recognition. IEEE Trans. Pattern Anal. Mach. Intell., 28(7), 1041–1051. Caillault, É. & Viard-Gaudin, C. (2007). Mixed Discriminant Training of Hybrid ANN/HMM Systems for Online Handwritten Word Recognition. IJPRAI, 21(1), 117–134.
  4. Boubaker, H., Elbaati, A., Tagougui, N., El Abed, H., Kherallah, M., Märgner, V., & Alimi, A. M. (2021).
  5. ADAB database. IEEE Dataport. Li, Z., Liu, F., Yang, W., Peng, S. & Zhou, J. "A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects," in IEEE Transactions on Neural Networks and Learning Systems Çapar, A., Tasdemir, K., Kilic, Ö. & Gökmen, M. (2003). A Turkish Handprint Character Recognition System. Computer and Information Sciences - ISCIS 2003, 18th International Symposium, Antalya, Turkey, November 3-5, 2003, Proceedings, 447–456.
  6. Carbune, V., Gonnet, P., Deselaers, T., Rowley, H. A., Daryin, A. N., Calvo, M., Wang, L., Keysers, D., Feuz, S. & Gervais, P. (2020). Fast multi-language LSTM-based online handwriting recognition. Int. J. Document Anal. Recognit., 23(2), 89–102.
  7. Do, T. M. T. & Artières, T. (2009). Maximum Margin Training of Gaussian HMMs for Handwriting Recognition. 10th International Conference on Document Analysis and Recognition, ICDAR2009,
  8. Barcelona, Spain, 26-29 July 2009, 976–980.
  9. Doermann, D. S. & Jaeger, S. (Hrsg.). (2008). Arabic and Chinese Handwriting Recognition SACH2006
  10. Summit College Park, MD, USA, September 27-28, 2006 Selected Papers (Bd. 4768). Springer. Dutta, K., Krishnan, P., Mathew, M. & Jawahar, C. V. (2018). Improving CNN-RNN Hybrid Networks for Handwriting Recognition. 16th Inter