Определение достоверности результатов распознавания символа в системе Cognitive Forms
Скачать 175.42 Kb.
|
Комплексный подход к правилам определения достоверностиДля построения комплексных правил определения достоверности необходимо сначала, определить пространство параметров, в которых будут оперировать такие правила. Для этого разобьем все параметры на три группы:
Все эти параметры образуют параметрическое пространство  , в котором каждому вектору альтернатив  соответствует точка в этом пространстве с координатами  , где  - размерность пространства. Таким образом, задача определения достоверности заключается в построении решающего правила  , что эквивалентно решению обычной задачи распознавания с двумя возможными классами, и решать эту задачу можно методами, которые уже применяются для распознавания других объектов.Для решения этой задачи можно использовать нейронную сеть, которая на выходе будет выдавать вычисленные оценки апостериорных вероятностей классов, что очень важно для построения правила выбора оптимального решения. Примером таких сетей могут служить сети, описанные в работах [PKPD95, LR91]. После того как сеть обучена на размеченном обучающем множестве, на выходе она выдает апостериорные вероятности  - вероятность достоверного ответа распознающей схемы и  - вероятность ошибки. А так как у нас имеется только два класса ( ), вероятность вычислима через :  , таким образом, для принятия решения имеется только один независимый параметр.Теоретически, для проблемы распознавания двух классов, Байесов принцип выбора можно записать следующим образом: объект  принадлежит к классу  , если выполняется условие ,в противном случае к классу  . Коэффициенты  - означают цену ошибок первого и второго рода. Прияв во внимание, что  , правило выбора можно преобразовать к виду [DH73]: .Теперь видно, что решение зависит от одного параметра – отношения цен ошибок первого и второго рода, что хорошо согласуется со сделанными выше выводами о зависимости эффективности от того же соотношения. Каждое значение этого порога определяет конкретное соотношение числа ошибок первого и второго рода – точку на ER кривой. Изменяя этот параметр, мы меняем число правильно обработанных объектов и регулируем порог допустимого числа ошибок второго рода. На практике нейронная сеть  выдает  - оценку вероятности . Определим порог  , все образцы с вероятностью достоверности  будем считать достоверными, а все образцы с вероятностью  будем считать недостоверными и забракуем. Число ошибок первого и второго родов будет задаваться соотношениями:  Кроме нейронных сетей, возможно применение и других методов, используемых в распознавании образов, для решения поставленной задачи. К преимуществам вышеописанного подхода можно отнести:
К недостаткам этого подхода следует отнести высокую зависимость от применения, за счет параметров области, и, соответственно, некоторую неустойчивость к изменению внешней среды – изменение числа или природы внешних параметров ведут как минимум к переобучению, а могут приводить и к серьезному изменению всего метода. Кроме того, для обучения таких методов необходимо сформировать довольно специфическое обучающее множество, содержащие как достоверные результаты, так и большое число недостоверных результатов распознавания, причем недостоверные результаты должны максимально покрывать множество внешних параметров. Построение таких множеств достаточно трудоемкая и сложная задача – современные системы распознавания работают с достаточно высоким качеством, и ошибки составляют 1-3% символов. В следующих частях этой статьи будет показана практическая реализация части вышеперечисленных методов, будет экспериментально изучено поведение различных критериев и подходов на практике и проанализирована их применимость и устойчивость. Особое внимание будет уделено комплексному подходу и его сравнению с остальными. |
, 
, 
, 
и другие. 
- цена ошибки распознавания второго рода, 
- цена отбраковки и 
- цена правильного распознавания в правиле Чу.Похожие:
 | Приводится обзор системы массового ввода форм документов Cognitive Forms. Рассматриваются основные этапы технологии ввода структурированных... | | Рассматриваются алгоритмы комбинирования нескольких методов распознавания, оптимизированные к различным деформациям образов символов.... |
 | Целью данной процедуры является обеспечение достоверности результатов проводимых в ил испытаний и подтверждение их соответствия установленным... | | Цель работы: определение уровня сформированности предметных результатов при переходе обучающихся в следующий класс |
| Оценка результатов деятельности коллектива работников мдоу №111 «Сказка» за 2015-2016 учебный год, разработка целей и перспектив... | | Федеральный государственный образовательный стандарт содержит чёткие требования к системе оценки достижения планируемых результатов... |
| Работа с растровыми и векторными изображениями с использованием классов Image, Bitmap и Metafile 35 | | Российской Федерации государственной услуги по проведению государственной экспертизы проектной документации, результатов инженерных... |
| Российской Федерации государственной услуги по проведению государственной экспертизы проектной документации, результатов инженерных... | | В случае отсутствия у участника егэ указанных ручек и использования, вопреки настоящим правилам, шариковой ручки, контур каждого... |