Multilayer feedforward networks are

Multilayer feedforward networks are commonly used in handwritten character
recognition tasks. However, it has been observed that feature extraction and
feature mapping are common issues which have an important influence in the
results of the classifier. In most cases, a hand-crafted feature extractor is often
designed, specifically adapted to the problem. This is a hard task, which must
be redone for each new problem. Therefore, in this work a type of multilayer
perceptron called Convolutional Network (CNN), firstly described in LeCun et
al.[9], is presented. It is specifically designed to recognize two-dimensional shapes
with a high degree of invariance to translation, scaling, skewing, and other forms
of distortion [5]. This network includes in its structure some forms of constraints:
feature extraction, feature mapping and subsampling. In these experiments, the
network architecture is composed by an input layer, five hidden layers and an
output layer. The topology of a typical CNN contains two types of hidden layers.
Some of them perform convolution, i.e., each layer is composed by some feature
maps which are used for local feature extraction. This is achieved by an operation

ผลลัพธ์ (ไทย) 2:

เครือข่ายหลายคราทมักใช้ตัวอักษรที่เขียนด้วยลายมือในงานได้รับการยอมรับ แต่จะได้รับการตั้งข้อสังเกตว่าการดึงและการทำแผนที่คุณลักษณะเป็นปัญหาทั่วไปที่มีอิทธิพลสำคัญในผลของการลักษณนาม ในกรณีส่วนใหญ่เป็นลักษณะการระบายมือที่สร้างขึ้นมักจะได้รับการออกแบบมาโดยเฉพาะเพื่อปรับตัวปัญหา นี้เป็นงานที่ยากซึ่งจะต้องได้รับการตกแต่งในแต่ละปัญหาใหม่ ดังนั้นในงานนี้ประเภทของหลายตรอนเรียกว่า Convolutional เครือข่าย (ซีเอ็นเอ็น) อธิบายไว้ในตอนแรก LeCun et al. [9] จะนำเสนอ มันถูกออกแบบมาเพื่อรับรู้รูปทรงสองมิติที่มีระดับสูงของการแปรเปลี่ยนแปลการปรับบิดเบือนและรูปแบบอื่น ๆ ของการบิดเบือน [5] เครือข่ายนี้รวมถึงในโครงสร้างของบางรูปแบบของข้อ จำกัด : การดึงการทำแผนที่บาร์และ subsampling ในการทดลองเหล่านี้สถาปัตยกรรมเครือข่ายประกอบด้วยชั้นอินพุตห้าชั้นที่ซ่อนอยู่และชั้นเอาท์พุท โครงสร้างของซีเอ็นเอ็นโดยทั่วไปมีสองประเภทของชั้นซ่อน. บางส่วนของพวกเขาดำเนินการบิดคือแต่ละชั้นประกอบด้วยคุณลักษณะบางแผนที่ที่ใช้สำหรับการดึงท้องถิ่น นี้จะทำได้โดยการดำเนินการ

ผลลัพธ์ (ไทย) 3:

เครือข่ายไปข้างหน้าหลายมักใช้ในการรู้จำตัวอักษรลายมือเขียน
งาน อย่างไรก็ตาม , มันได้รับการตรวจสอบว่า การสกัดคุณลักษณะและคุณสมบัติ เป็นปัญหาที่พบบ่อย
แผนที่ซึ่งมีอิทธิพลสำคัญใน
ผลลักษณนาม ในกรณีส่วนใหญ่ , มือ crafted คุณสมบัติ Extractor มัก
ออกแบบ ดัดแปลงเป็นพิเศษเพื่อแก้ปัญหา นี้เป็นงานที่หนัก ซึ่งต้อง
จะแก้ไขในแต่ละปัญหาใหม่ . ดังนั้น ในงานนี้ประเภทของเพอร์เซปตรอนหลาย
เรียกว่าขดเครือข่าย ( ซีเอ็นเอ็น ) , อธิบายประการแรกใน lecun et
al . [ 9 ] , นำเสนอ มันถูกออกแบบมาโดยเฉพาะเพื่อรับรู้มิติรูปร่าง
กับระดับสูงของแปรเปลี่ยนไปแปล ปรับเอียง และรูปแบบอื่น ๆของการบิดเบือน
[ 5 ]เครือข่ายซึ่งรวมถึง โครงสร้างของบางรูปแบบของปัญหา :
การสกัดคุณลักษณะแผนที่คุณลักษณะและค่า . ในการทดลองเหล่านี้ ,
สถาปัตยกรรมเครือข่ายประกอบไปด้วยอินพุตชั้นห้าชั้นซ่อนและ
ออกชั้น โครงสร้างของซีเอ็นเอ็นโดยทั่วไปมีสองประเภทของชั้นซ่อน
บางส่วนของพวกเขาดำเนินการที่ซับซ้อนมาก เช่น แต่ละชั้นจะประกอบด้วยบางคุณลักษณะ
แผนที่ที่ใช้ในการสกัดคุณลักษณะท้องถิ่น นี้ได้โดยการผ่าตัด