СИСТЕМА КЛАСИФІКАЦІЇ ШРИФТІВ ЗА ДОПОМОГОЮ НЕЙРОННИХ МЕРЕЖ

Катерина Володимирівна Меркулова, Еліна Євгенівна Зайцева, Артем Юрійович Ковальчук

Анотація


Актуальність та мета статті. Метою даної статті є дослідження та розробка системи візуальної класифікації шрифтів, що дасть змогу користувачам ефективніше працювати з шрифтами, а саме: обирати необхідні шрифти використовуючи попередній перегляд, застосовувати різноманітні фільтри та засоби організації шрифтів. Завдяки системі класифікації користувачі зможуть шукати шрифти за нахилом, базовим стилем і вагою, відповідно до їх дійсного відображення, цим самим уникаючи проблему некоректно вказаних стилів.

Методи дослідження. В даній статті розглянуто основні підходи класифікації шрифтів, їх переваги та недоліки. Зваживши розглянуті підходи, було вирішено застосувати нейронну мережу, на вхід якої надходять зображення з символами шрифтів. Нейронна мережа підбирає патерни (фільтри, карти ознак), на які слід звертати увагу при класифікації, зважаючи на правильні відповіді вчителя. Запропоновано можливе використання альтернативних методів класифікації шрифтів з описом їх проблемних місць.

Результати. Створено систему класифікації комп’ютерних шрифтів на основі згорткових нейронних мереж, що дозволяє класифікувати шрифти за нахилом, базовим стилем і вагою, відповідно до їх графічного відображення. Відсоток коректно класифікованих шрифтів системи: в визначенні нахилу – 96%; в визначенні базового стилю – 92%, в визначенні ваги – 91%. Розроблена система може застосовуватись для вирішення задач класифікації шрифтів як допоміжний інструмент визначення структури оцифрованих документів, а також у якості системи підбору шрифтів для створення дизайну. Виходячи з результату, можна судити про успішне застосування нейронних мереж для вирішення задач класифікації шрифтів.

Наукова новизна та практична значимість. В роботі були дослідженні основні підходи до класифікації шрифтів, проаналізовані їх недоліки та переваги. Була перевірена ефективність застосування багатошарових перцептронів та згорткових нейронних мереж. Експериментальним шляхом виявлені найбільш оптимальні параметри моделей нейронних мереж. Була розроблена та інтегрована в органайзер система візуальної класифікації шрифтів, що працює на згорткових нейронних мережах. Проведені контрольні тести, що підвердили високу точність класифікації розроблених моделей нейронних мереж

Ключові слова


машинне навчання; згорткова нейронна мережа; класифікація шрифтів; класифікація зображень

Повний текст:

PDF (English)

Посилання


Matusugu, Masakazu; Katsuhiko Mori; Yusuke Mitari; Yuji Kaneda. Subject independent facial expression recognition with robust face detection using a convolutional neural network. Neural Networks, 2013, №16 (5), p. 555–559.

Cameron Сhapman. Understanding the nuances of typeface classification. URL: https://www.toptal.com/designers/typography/typeface-classification.

Alex Krizhevsky. ImageNet Classification with Deep Convolutional Neural Networks. URL:http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf .

Tao, Dapeng & Lin, Xu & Jin, Lianwen & Li, Xuelong. Principal Component 2-D Long Short-Term Memory for Font Recognition on Single Chinese Characters. IEEE transactions on cybernetics, 2015, Vol 46. 10, p.110-118.

Zhu, Yong & Tan, Tieniu & Wang, Yunhong. Font Recognition Based on Global Texture Analysis. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2010, Vol. 23, P. 1192-1200.

Xavier Glorot, Yoshua Bengio. Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, PMLR, 2010, p. 249-256.

Devin Soni. Dealing with Imbalanced Classes in Machine. URL: https://towardsdatascience.com/dealing-with-imbalanced-classes-in-machine-learning-d43d6fa19d2.

Königsberg Z.R. A mixed lyapunov-max-plus algebra approach to the stability problem for discrete event dynamical systems modeled with timed petri nets / Z.R. Königsberg // Neural Parallel & Scientific Computations, 2011, vol. 19, no. 1-2., p. 35-50.

Aumasson, J.-P., Çalık, Ç., Meier, W., Özen, O., Phan, R. C.-W., Varıcı, K. Improved Cryptanalysis of Skein. Tokyo, Japan: International Conference on the Theory and Application of Cryptology and Information Security ASIACRYPT ,2009, p. 542-559.

Sebastian Ruder. An overview of gradient descent optimization algorithms. URL http://ruder.io/optimizing-gradient-descent/index.html.


Посилання

  • Поки немає зовнішніх посилань.