5.3. Training DataSince the classif

5.3. Training Data
Since the classifier is able to recognize damaged characters easily, the classifier was not trained on damaged characters. In fact, the classifier was trained on a mere 20 samples of 94 characters from 8 fonts in a
single size, but with 4 attributes (normal, bold, italic, bold italic), making a total of 60160 training samples. This is a significant contrast to other published classifiers, such as the Calera classifier with more than a million samples [9], and Baird’s 100-font classifier [10] with 1175000 training samples.

ผลลัพธ์ (ไทย) 2:

5.3 ข้อมูลการฝึกอบรม
ตั้งแต่ลักษณนามจะสามารถรับรู้อักขระที่เสียหายได้ง่ายลักษณนามที่ไม่ได้รับการฝึกอบรมเกี่ยวกับตัวละครที่ได้รับความเสียหาย ในความเป็นจริงจําแนกได้รับการฝึกฝนในเพียง 20 ตัวอย่างจาก 94 ตัวอักษรจาก 8 ตัวอักษรใน
ขนาดเดียว แต่มี 4 คุณลักษณะ (ปกติ, ตัวหนาตัวเอียงตัวหนาตัวเอียง) ทำให้รวมเป็น 60,160 ตัวอย่างการฝึกอบรม นี่คือความแตกต่างที่สำคัญในการจําแนกการตีพิมพ์อื่น ๆ เช่นลักษณนาม Calera มีมากกว่าล้านตัวอย่าง [9] และบาร์ดลักษณนาม 100 ตัวอักษร [10] 1175000 ตัวอย่างกับการฝึกอบรม

ผลลัพธ์ (ไทย) 3:

5.3 . อบรมข้อมูล
ตั้งแต่ลักษณนามคือจำอักขระที่เสียหายได้ง่าย ตัวไม่ได้ฝึก damaged characters ในความเป็นจริง , ลักษณนามคือการฝึกอบรมเพียง 20 ตัวอย่างของ 94 ตัวละครจาก 8 แบบอักษรใน
ขนาดเดียว แต่มี 4 คุณลักษณะ ( ปกติ , ตัวหนา , ตัวเอียง ตัวหนาตัวเอียง ) , การรวม 60160 ตัวอย่างการฝึกอบรมนี่คือความแตกต่างอย่างมีนัยสำคัญอื่น ๆที่เผยแพร่คำลักษณนามเช่น Calera ที่มีมากกว่าล้านคน [ 9 ] และ Baird 100 ตัวอักษรตัว [ 10 ] กับ 1175000
ตัวอย่างการฝึกอบรม