We rely on the segmentation of the

We rely on the segmentation of the word hypotheses into characters (Sn) and on their labels (Hn) to build a segmental neural network to carry out verification at the character level in an attempt to better discriminate between characters and reduce the ambiguity between similar words. Given the output of the HRS, character alternatives are located within the word hypotheses by using the character boundaries, as shown in Fig. 2. Another module is used to extract new features from such segments and the task of the segmental neural network is to assign a posteriori probabilities to the new feature vectors representing isolated characters, given that their classes are known a priori. Further, the probabilities of the individual characters can be combined to generate confidence scores to the word hypotheses in the N-best word hypothesis list. Then, these confidence scores are combined with the recognition scores provided by HRS through a suitable rule to build a recognition and verification system. Fig. 3 presents an overview of the integration of the modules of the handwriting recognition system, the verification stage, the combination stage, and the decision stage. The following
sections describe the main components of the verification stage and how they are built and integrated into the handwriting recognition system.

ผลลัพธ์ (ไทย) 2:

เราพึ่งพาการแบ่งส่วนของสมมติฐานคำเป็นตัวอักษร (SN) และบนฉลากของพวกเขา (Hn) เพื่อสร้างเครือข่ายประสาทปล้องที่จะดำเนินการตรวจสอบในระดับตัวละครในความพยายามที่จะดีกว่าที่เห็นความแตกต่างระหว่างตัวละครและลดความคลุมเครือระหว่างคำที่คล้ายกัน . ที่ได้รับการส่งออกของ HRS ทางเลือกของตัวละครนี้ตั้งอยู่ภายในสมมติฐานคำโดยใช้ขอบเขตตัวอักษรตามที่แสดงในรูป 2. โมดูลอื่นที่ใช้ในการสกัดคุณลักษณะใหม่ ๆ จากกลุ่มดังกล่าวและการทำงานของเครือข่ายประสาทปล้องคือการกำหนดความน่าจะเป็น posteriori เพื่อเวกเตอร์คุณลักษณะใหม่ที่เป็นตัวแทนของตัวละครที่แยกให้ที่ชั้นเรียนของพวกเขาเป็นที่รู้จักกันเบื้องต้น นอกจากนี้ความน่าจะเป็นของตัวละครแต่ละคนสามารถรวมกันเพื่อสร้างความเชื่อมั่นให้คะแนนสมมติฐานคำในคำว่า N-ที่ดีที่สุดรายการสมมติฐาน จากนั้นคะแนนความเชื่อมั่นเหล่านี้จะรวมกับคะแนนการรับรู้ที่มีให้โดย HRS ผ่านกฎที่เหมาะสมในการสร้างการรับรู้และระบบการตรวจสอบ มะเดื่อ 3 นำเสนอภาพรวมของการรวมกลุ่มของโมดูลของระบบจดจำลายมือ, ขั้นตอนการตรวจสอบขั้นตอนการรวมกันและขั้นตอนการตัดสินใจ ต่อไปนี้
ส่วนที่อธิบายองค์ประกอบหลักของการตรวจสอบขั้นตอนและวิธีการที่พวกเขาสร้างขึ้นและบูรณาการเข้าไปในระบบจดจำลายมือ

ผลลัพธ์ (ไทย) 3:

เราพึ่งพาการแบ่งส่วนของคำว่าสมมติฐานเป็นอักขระ ( SN ) และบนฉลากของพวกเขา ( HN ) เพื่อสร้างเครือข่ายประสาทกลุ่มเพื่อดำเนินการตรวจสอบที่ตัวละครระดับในความพยายามที่จะดีกว่าเลือกปฏิบัติระหว่างตัวละครและลดความคลุมเครือระหว่างคำที่คล้ายกัน ได้รับของน.เลือกตัวละครอยู่ภายในคำสมมติฐานโดยใช้อักขระเขตแดน ดังแสดงในรูปที่ 2 โมดูลอื่น คือ ใช้สารสกัดจากคุณสมบัติใหม่เช่นกลุ่มและงานของโครงข่ายย่อยคือการกำหนดจากผลไปสู่เหตุน่าจะเป็นที่จะคุณลักษณะใหม่เวกเตอร์แทนแยกอักขระให้ที่ชั้นเรียนของพวกเขาเป็นที่รู้จักกันระหว่าง . เพิ่มเติมความน่าจะเป็นของตัวอักษรแต่ละตัวสามารถรวมกันเพื่อสร้างความเชื่อมั่นของคะแนนกับคำว่าสมมติฐานใน n-best คำ 1 รายการ แล้วคะแนนความเชื่อมั่นเหล่านี้จะรวมกับคะแนนการยอมรับโดยชั่วโมงผ่านกฎที่เหมาะสมเพื่อสร้างระบบการรับรู้และการตรวจสอบ ภาพประกอบ3 นำเสนอภาพรวมของการบูรณาการโมดูลของระบบรู้จำลายมือ , การตรวจสอบขั้นตอนการรวมขั้นตอน และการตัดสินใจในขั้นตอน ส่วนต่อไปนี้
อธิบายส่วนประกอบหลักของการตรวจสอบขั้นตอนและวิธีที่พวกเขาจะถูกสร้างขึ้นและบูรณาการเข้าไปในระบบเขียนด้วยลายมือ .