PoliICR Riconoscimento dei Caratteri Daniele Gasperini – William Spinelli

1. PoliICRRiconoscimento dei CaratteriDaniele Gasperini – William Spinelli Riconoscimento dei Segnali: un approccio unitario prof. Sergio Brofferio

2. Sommario • Preprocessing • Struttura della rete neurale (MLP) • Algoritmo di addestramento (RPROP) • Architettura dell’applicazione • Risultati Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

3. A A A Preprocessing • Pre-elaborazione del carattere da identificare per condensare l’informazione presente nei dati • Estrazione di un bounding-box della lettera • Suddivisione della matrice di pixel con una griglia • Calcolo dell’intensità media dei pixel nell’intervallo [0, 1] Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

4. Strato di uscita Strati nascosti Strato di ingresso Struttura della rete • Multi Layer Perceptron (MLP) • Neuroni con funzione di attivazione sigmoidale • Tipologia di rete spesso utilizzata per problemi di classificazione Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

5. Algoritmo di addestramento • Addestramento supervisionato di reti MLP realizzato tipicamente con l’algoritmo di backpropagation • Convergenza lenta per reti neuroni di tipo sigmoidale • Per valori grandi del campo di attivazione locale il cambiamento dei pesi in un passo tende a zero • Algoritmo di Resilient Backpropagation (RPROP) • Velocizza l’addestramento per reti MLP sigmoidali • Utilizza la direzione del gradiente per ottenere la direzione di aggiornamento dei pesi • Utilizza un coefficiente di aggiornamento separato per determinare l’ampiezzadell’aggiornamento dei pesi • Viene effettuato un controllo per evitare di “scavalcare” un minimo locale Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

6. Architettura dell’applicazione • Applicazione sviluppata utilizzando il framework .NET • L’applicazione è composta da due strati • Interfaccia grafica (UI) • Libreria di reti neurali (fann – fast artificial neural network) • Funzionalità principali • Inserimento di caratteri True Type • Inserimento di caratteri a mano • Generazione/Validazione sequenziale sulle 26 lettere • Presentazione di MSE relativi a prima e seconda scelta Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

7. G G G G G Microsoft Sans Serif Times New Roman Arial Bell MT Garamond G G Bodoni MT Modern No. 20 Dati di addestramento e di test • Database dei campionilizzati per l’identificazione: 130 lettere (5 alfabeti x 26 lettere) • Database dei campioni utilizzati per il test: 52 lettere (2 alfabeti x 26 lettere) Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

8. Prove di identificazione (1) • Confronto delle prestazioni di reti MLP di diverso tipo • Dimensione della griglia utilizzata per il preprocessing • griglia grande (5x7) • griglia piccola (10x14) • Numero di strati nascosti • 1 strato nascosto per le reti con griglia 5x7 e 10x14 • 2 strati nascosti per la rete con griglia 5x7 • Numero di neuroni dello strato nascosto • da 25 a 150 per la rete con griglia 5x7 ed 1 strato nascosto • da 175 a 250 per la rete con griglia 5x7 e 2 strati nascosti • da 25 a 400 per la rete con griglia 10x14 ed 1 strato nascosto • Errore quadratico medio durante la fase di addestramento Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

9. Prove di identificazione (2) Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

10. Prove di identificazione (3) Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

11. Prove di identificazione (4) Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

12. Prove di identificazione (5) Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

13. Prove di identificazione (6) Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario

14. Prove di identificazione (7) Daniele Gasperini, William Spinelli – Riconoscimento dei Segnali: un approccio unitario