Andere Kunden interessierten sich auch für
![Künstliche Intelligenz kapieren & programmieren]( "Künstliche Intelligenz kapieren & programmieren")
Künstliche Intelligenz kapieren & programmieren24,99 €![Paradigmen des maschinellen Lernens für die Erkennung von Sprache]( "Paradigmen des maschinellen Lernens für die Erkennung von Sprache")
Paradigmen des maschinellen Lernens für die Erkennung von Sprache43,90 €![Iranian Epidemiological Diabetic Statistics Using Data Mining Techniques]( "Iranian Epidemiological Diabetic Statistics Using Data Mining Techniques")
Iranian Epidemiological Diabetic Statistics Using Data Mining Techniques32,99 €![Design von graphischen Benutzeroberflächen]( "Design von graphischen Benutzeroberflächen")
Design von graphischen Benutzeroberflächen17,95 €![Echtzeiterweiterungen in UML 2.0 und UML-RT]( "Echtzeiterweiterungen in UML 2.0 und UML-RT")
Echtzeiterweiterungen in UML 2.0 und UML-RT24,99 €![Entwurf und Implementierung eines Algorithmus zur 3D-Darstellung eines Multi-Resolution-Modells von Wasseroberflächen in Echtzeit]( "Entwurf und Implementierung eines Algorithmus zur 3D-Darstellung eines Multi-Resolution-Modells von Wasseroberflächen in Echtzeit")
Entwurf und Implementierung eines Algorithmus zur 3D-Darstellung eines Multi-Resolution-Modells von Wasseroberflächen in Echtzeit44,99 €![Objektorientierte Softwareentwicklung. Unified Modeling Language (UML) angewendet an einem Praxisbeispiel]( "Objektorientierte Softwareentwicklung. Unified Modeling Language (UML) angewendet an einem Praxisbeispiel")
Objektorientierte Softwareentwicklung. Unified Modeling Language (UML) angewendet an einem Praxisbeispiel17,95 €
Diplomarbeit aus dem Jahr 2007 im Fachbereich Informatik - Programmierung, Note: 1,0, Westfälische Wilhelms-Universität Münster (Institut für Informatik (Computer Vision and Pattern Recognition Group)), 35 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: Ziel dieser Arbeit ist es, die Klassifikationskomponente des am Institut für Informatik entwickelten OCR-Systems zur Erkennung von gerendertem Text durch die Implementierung eines Multi-Classifier-Systems (MCS) weiter zu optimieren.
Diese Arbeit befasst sich mit dem Design und der Implementierung eines Multi-Classifier-Systems, das mehrere verschiedene Klassifikatoren zur Erkennung gerenderter Schriftzeichen kombiniert. Das MCS wird schließlich in das existierende OCR-System integriert, um dessen Effektivität zu verbessern.
Kapitel 2 befasst sich zunächst mit Analyse und Beurteilung des vorliegenden OCR-Systems. Kapitel 2.1 identifiziert hierzu konkrete Eigenschaften gerenderter Texte und die damit einhergehenden
Herausforderungen bei der automatischen Texterkennung. Kapitel 2.2 stellt das bestehende OCR-Systems zur Erkennung von gerendertem Text vor, dessen Komponenten in Kapitel 2.3 analysiert werden, um das weitere Vorgehen im Hinblick auf das Ziel dieser Arbeit zu planen.
Kapitel 3 befasst sich mit der Schaffung der für die Entwicklung des MCS notwendigen Voraussetzungen. Das betrifft insbesondere die dem OCR-System zu Grunde liegenden Trainingsdaten, auf deren Basis es entwickelt und getestet wurde. In Kapitel 3.1 wird dafür zun achst eine Kategorisierung von gerendertem Text vorgenommen, anhand der sich die Zusammensetzung bereits existierender Trainingsdaten untersuchen l asst. Damit die Trainingsdaten in einem sinnvollen Format vorliegen, wurde die Datenhaltung uberarbeitet. Kapitel 3.2 stellt diese überarbeitung vor. Die identifizierten Kategorien werden dann herangezogen, um in Kapitel 3.3 eine strategische Erweiterung der Datenbasis vorzunehmen.
Kapitel 4 leitet zum Kern der Arbeit über: Auf Basis der Trainingsdaten werden verschiedene Klassifikatoren konstruiert. Um qualifizierte Klassifikatoren konstruieren zu können, ist das
Vorhandensein geeigneter Merkmale entscheidend, anhand der sich die Schriftzeichen klassifizieren lassen. Kapitel 4.1 identifiziert solche Merkmale und konstruiert auf deren Grundlage eine Reihe
von Klassifikatoren. Kapitel 5 befasst sich schließlich mit einer gruppenweisen Kombination der konstruierten Klassifikatoren,
um durch Ausnutzung der Vorteile verschiedener Klassifikatoren einen positiven Beitrag zur Erhöhung der Erkennungsgenauigkeit zu erhalten und somit die Effektivität des bestehenden OCR-Systems zu verbessern.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
Diese Arbeit befasst sich mit dem Design und der Implementierung eines Multi-Classifier-Systems, das mehrere verschiedene Klassifikatoren zur Erkennung gerenderter Schriftzeichen kombiniert. Das MCS wird schließlich in das existierende OCR-System integriert, um dessen Effektivität zu verbessern.
Kapitel 2 befasst sich zunächst mit Analyse und Beurteilung des vorliegenden OCR-Systems. Kapitel 2.1 identifiziert hierzu konkrete Eigenschaften gerenderter Texte und die damit einhergehenden
Herausforderungen bei der automatischen Texterkennung. Kapitel 2.2 stellt das bestehende OCR-Systems zur Erkennung von gerendertem Text vor, dessen Komponenten in Kapitel 2.3 analysiert werden, um das weitere Vorgehen im Hinblick auf das Ziel dieser Arbeit zu planen.
Kapitel 3 befasst sich mit der Schaffung der für die Entwicklung des MCS notwendigen Voraussetzungen. Das betrifft insbesondere die dem OCR-System zu Grunde liegenden Trainingsdaten, auf deren Basis es entwickelt und getestet wurde. In Kapitel 3.1 wird dafür zun achst eine Kategorisierung von gerendertem Text vorgenommen, anhand der sich die Zusammensetzung bereits existierender Trainingsdaten untersuchen l asst. Damit die Trainingsdaten in einem sinnvollen Format vorliegen, wurde die Datenhaltung uberarbeitet. Kapitel 3.2 stellt diese überarbeitung vor. Die identifizierten Kategorien werden dann herangezogen, um in Kapitel 3.3 eine strategische Erweiterung der Datenbasis vorzunehmen.
Kapitel 4 leitet zum Kern der Arbeit über: Auf Basis der Trainingsdaten werden verschiedene Klassifikatoren konstruiert. Um qualifizierte Klassifikatoren konstruieren zu können, ist das
Vorhandensein geeigneter Merkmale entscheidend, anhand der sich die Schriftzeichen klassifizieren lassen. Kapitel 4.1 identifiziert solche Merkmale und konstruiert auf deren Grundlage eine Reihe
von Klassifikatoren. Kapitel 5 befasst sich schließlich mit einer gruppenweisen Kombination der konstruierten Klassifikatoren,
um durch Ausnutzung der Vorteile verschiedener Klassifikatoren einen positiven Beitrag zur Erhöhung der Erkennungsgenauigkeit zu erhalten und somit die Effektivität des bestehenden OCR-Systems zu verbessern.
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.