Um estudo comparativo para o reconhecimento de dígitosEduardo MazzaIvanildo AquinoMilton BurgosRicardo Scholz

AgendaIntroduçãoPré-processamentoRBFClassificador Ingênuo de BayesResultadosConclusãoDemonstraçãoReferências

IntroduçãoReconhecimento de dígitoÚtil para reconhecimento de CEPs nos CORREIOS, placa de carros, CENSO, entre outros.

Pré-processamentoEnquadra o númeroUso de máscarasTirar as linhas “grossas”

RBF

RBF

Classificador Ingênuo de Bayes

Se baseia do Teorema da Probabilidade Total e Distribuição de BayesCalcula a classificação de maior probabilidade relativa em relação a base de teste

Classificador Ingênuo de Bayes

1

)()()(i

ni xCPxPxf

Resultados

Dígito RBF (% acertos) Bayes (% de acertos) 0 98,0 97,6 1 99,1 97,0 2 36,9 78,1 3 79,1 84,4 4 76,4 87,2 5 48,7 68,0 6 87,2 69,7 7 85,9 73,4 8 49,5 55,0 9 77,4 77,7

ConclusãoRBF se mostrou com uma taxa de acerto muito pior em certos casos.Classificador de Bayes apesar de ter maior taxa de acerto tem um desempenho inferior.RBF depois de treinamento (~ 20 min) tem melhor desempenho.

Demonstração

ReferênciasH. Baltzakis, N. Papamarkos(2000). A new signature verification techinique based on a two-stage neural network classifier.Bob Fisher, Simon Perkins, Ashley Walker and Erik Wolfart - Department of Artificial Intelligence, University of Edinburgh UK. The Hypermedia Image Processing Reference. http://www.cee.hw.ac.uk/hipr/html/hipr_top.html, visitado em 28.07.06.S. haykin. Neural Networks: A compreensive foundation.THE MNIST DATABASE of handwrittendigits. ttp://yann.lecun.com/exdb/mnist/ , visitado em 12.08.06.Andrew McCallumzy, Kamal Nigamy, Naive Bayes Classifier Wikipedia. Naive Bayes Classifier.

PERGUNTAS???