Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.cetys.mx/handle/60000/1465
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorChouza Delgado, Adrian-
dc.contributor.authorHernández, Raúl-
dc.contributor.authorJiménez, José-
dc.contributor.authorOrozco Rosas, Ulises-
dc.contributor.authorPicos, Kenia-
dc.date.accessioned2022-09-12T18:30:56Z-
dc.date.available2022-09-12T18:30:56Z-
dc.date.issued2019-09-
dc.identifier.urihttps://repositorio.cetys.mx/handle/60000/1465-
dc.description.abstractA robust algorithm for Japanese handwritten hiragana character classifier is proposed using a machine learning approach for minimal training data to reduce computational power and time consumption. The proposed algorithm utilizes image recognition techniques to process samples from a data set. Six different models involving convolutional neural networks are implemented using image templates that were previously processed, in order to achieve great results with the least possible amount of training data. Prediction results were evaluated separating the dataset in training and validation data at a ratio of 5:95 respectively, achieving 96.95% as the highest accuracy across different models, competing against state-of-the-art classifiers with 80:20 training ratio. RESUMEN Se propone un algoritmo robusto para el clasificador de caracteres hiragana escritos a mano en japonés utilizando un enfoque de aprendizaje automático para datos de entrenamiento mínimos para reducir la potencia computacional y el consumo de tiempo. El algoritmo propuesto utiliza técnicas de reconocimiento de imágenes para procesar muestras de un conjunto de datos. Se implementan seis modelos diferentes que involucran redes neuronales convolucionales utilizando plantillas de imágenes que se procesaron previamente, para lograr excelentes resultados con la menor cantidad posible de datos de entrenamiento. Los resultados de la predicción se evaluaron separando el conjunto de datos en los datos de entrenamiento y validación en una proporción de 5:95 respectivamente, logrando un 96,95 % como la precisión más alta en diferentes modelos, compitiendo contra clasificadores de última generación con una proporción de entrenamiento de 80:20.es_ES
dc.description.sponsorshipSPIE. DIGITAL LIBRARYes_ES
dc.language.isoen_USes_ES
dc.rightsAtribución-NoComercial-CompartirIgual 2.5 México*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/2.5/mx/*
dc.subjectHandwrittenes_ES
dc.subjectConvolutional neural networkses_ES
dc.titleHandwritten hiragana classifier with minimal training data utilizing convolutional neural networkses_ES
dc.title.alternativeSPIE. DIGITAL LIBRARYes_ES
dc.typeArticlees_ES
dc.description.urlhttps://www.spiedigitallibrary.org/conference-proceedings-of-spie/11136/111360L/Handwritten-hiragana-classifier-with-minimal-training-data-utilizing-convolutional-neural/10.1117/12.2528046.short?SSO=1es_ES
dc.identifier.doihttps://doi.org/10.1117/12.2528046-
dc.identifier.indexacionScopuses_ES
dc.subject.sedeCampus Tijuanaes_ES
Aparece en las colecciones: Ponencias

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Evaluation_Method_of_Deep_Learning-Based_Embedded_Systems_for_Traffic_Sign_Detection.pdf3.83 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está protegido por copyright original



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons