دوره 21، شماره 1 - ( 1-1403 )
جلد 21 شماره 1 صفحات 16-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Afzali P, Rezapour A, Rezaee Jordehi A. An Optimized Deep Learning Model for Handwriting Verification. jor 2024; 21 (1) :1-16
URL: http://jamlu.liau.ac.ir/article-1-2189-fa.html
URL: http://jamlu.liau.ac.ir/article-1-2189-fa.html
افضلی پروانه، رضاپور عبدالرضا، رضایی جوردهی احمد. یک مدل یادگیری عمیق بهینه برای تایید دست خط. تحقیق در عملیات در کاربردهای آن. 1403; 21 (1) :1-16
گروه مهندسی کامپیوتر، واحد آستانه اشرفیه، دانشگاه آزاد اسلامی، آستانه اشرفیه، ایران
چکیده: (292 مشاهده)
دست نوشته، به عنوان راهی متداول برای ارتباط در میان جوامع انسانی و یک زیست‌سنج رفتاری به منظور احراز هویت، شناخته شده است. تایید هویت نویسنده ی یک متن مکتوب از کاربردهای قابل توجه ای در حوزه سیستم های امنیتی، پزشکی قانونی و اسناد تاریخی و ادبی، برخوردار است. در این مقاله، برای نخستین بار، یک معماری عمیق بهینه‌شده با بهره مندی از شبکه سیامی، یادگیری انتقالی و الگوریتم بهینه ساز گرگ خاکستری، به منظور تایید هویت نویسنده به‌صورت برون خط از روی دست خط فارسی ارایه می گردد. به دلیل عدم دسترسی به مجموعه داده مناسب در زبان فارسی، یک مجموعه داده شامل کلمات، جملات و ارقام فارسی جمع آوری شده است. علاوه بر آن، از دو مجموعه داده ی شناخته شده ی IAM و KHATT نیز برای تجزیه و تحلیل روش پیشنهادی استفاده گردید. نتایج آزمایشات و ارزیابی ها بر روی این مجموعه دادهها، بر توانایی رویکرد پیشنهادی برای تایید هویت نویسنده از روی دست خط در زبان های مختلف و سبک‌های گوناگون نگارش، تاکید دارند.
واژه‌های کلیدی: تایید هویت نویسنده، دست خط، شبکه سیامی، یادگیری انتقالی، الگوریتم بهینه ساز گرگ خاکستری
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
