1. Repositório Institucional da Universidade Tecnológica Federal do Paraná (RIUT)
  2. GRAD - Cursos de Graduação
  3. TCC - Trabalhos de Conclusão de Curso de Graduação
  4. Campo Mourão
  5. CM - Ciência da Computação
Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/6026
Registro completo de metadados
Campo DCValorIdioma
dc.creatorSouza, Marcos Roberto e
dc.date.accessioned2020-11-09T19:10:32Z-
dc.date.available2020-11-09T19:10:32Z-
dc.date.issued2015-12-02
dc.identifier.citationSOUZA, Marcos Roberto e. Uma análise de diferentes abordagens para o reconhecimento off-line de estilos de escrita em documentos manuscritos. 2015. 37 f. Trabalho de Conclusão de Curso (Graduação) – Universidade Tecnológica Federal do Paraná, Campo Mourão, 2015.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/6026-
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.subjectEscrita - Identificaçãopt_BR
dc.subjectSistemas de reconhecimento de padrõespt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectWriting - Identificationpt_BR
dc.subjectPattern recognition systemspt_BR
dc.subjectMachine learningpt_BR
dc.subjectArtificial intelligencept_BR
dc.titleUma análise de diferentes abordagens para o reconhecimento off-line de estilos de escrita em documentos manuscritospt_BR
dc.typebachelorThesispt_BR
dc.description.resumoO reconhecimento de estilos de escrita é uma etapa necessária para automatizar o reconhecimento fim de um sistema multi-estilos. A tarefa de reconhecimento de estilos de escrita é desafiadora devido a similaridade entre alguns estilos. Desta forma, o principal objetivo deste trabalho é realizar uma análise do reconhecimento de estilos de escrita em documentos manuscritos considerando técnicas robustas indiferente do estilo de escrita considerado. Comparamos duas abordagens para o reconhecimento de estilos de escrita, sendo que a primeira consiste na utilização dos descritores de textura GLCM, LBP, LPQ e SURF em conjunto com o classificador SVM, enquanto na segunda abordagem utilizaremos uma técnica de aprendizagem profunda descrita como Rede Neural Convolucional (CNN). Além da comparação, analisamos o impacto da quantidade de informação presente nos documentos manuscritos, a relação existente entre o número de classes (estilos de escrita) e a taxa de reconhecimento e o desempenho dos descritores de textura para esta abordagem. Avaliaremos ainda a importância do processo de compactação de escrita para esta aplicação. Experimentos foram realizados em uma base de dados com cinco classes, nos quais conseguimos taxas de acerto similares as apresentadas na literatura em ambas abordagens, a melhor taxa média de acerto foi de 98,48% utilizando o descritor de textura SURF a partir do documento original. Por meio dos experimentos realizados na primeira abordagem, concluímos que o ganho da compactação de escrita e divisão em blocos está estritamente relacionado ao descritor utilizado. Enquanto que para a segunda, na qual obtemos a melhor taxa média de 91,43%, chegamos a conclusão de que a utilização da compactação de escrita não possui grande impacto, desde que uma quantidade de informação suficiente seja fornecida. Mesmo que a segunda abordagem atingido taxas inferiores, ambas abordagens conseguem taxas de acerto relevantes para o problema.pt_BR
dc.degree.localCampo Mourãopt_BR
dc.publisher.localCampo Mouraopt_BR
dc.contributor.advisor1Gonçalves, Diego Bertolini
dc.contributor.referee1Gonçalves, Diego Bertolini
dc.contributor.referee2Borsato, Frank Helbert
dc.contributor.referee3Valentin, Lucio Geronimo
dc.contributor.referee4Alencar, Aretha Barbosa
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentDepartamento Acadêmico de Computaçãopt_BR
dc.publisher.programCiência da Computaçãopt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
Aparece nas coleções:CM - Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
CM_COCIC_2015_2_01.pdf1,6 MBAdobe PDFThumbnail
Visualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.