Данная квалификационная работа посвящена исследованию алгоритма, применяемого для распознавания рукописного текста. Алгоритм основан на комбинации сверточной нейронной сети совместно с рекуррентной нейронной сетью. В ходе исследования решались следующие задачи: 1.Анализ предметной области и существующих решений для распознавания рукописных символов 2.Выбор подходящего способа оценки производительности системы 3.Выбор алгоритмов оптимизации для обучения нейронной сети 4.Описание архитектуры и обучение нейронной сети 5.Оценка результатов модели. Реализация алгоритма была проведена на языке программирования Python. Для оценки производительности модели была выбрана метрика CER. На основе полученных результатов модели были сделаны выводы об эффективности алгоритма.

This qualifying work is devoted to the study of the algorithm used for handwriting recognition. The algorithm is based on a combination of a convolutional neural network together with a recurrent neural network. During the study, the following tasks were solved: 1. Analysis of the subject area and existing solutions for handwriting recognition 2. Choosing the right way to evaluate system performance 3. Choice of optimization algorithms for neural network training 4. Implementation and training of the neural network 5. Evaluation of the results of the model. The implementation of the algorithm was carried out in the Python programming language. To evaluate the performance of the model, the CER metric was chosen. Based on the results of the model, conclusions were drawn about the effectiveness of the algorithm.

• ВВЕДЕНИЕ
• 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ОБЗОР ДЕЙСТВУЮЩИХ ИНСТРУМЕНТОВ ДЛЯ РАСПОЗНАВАНИЯ РУКОПИСНОГО ТЕКСТА
  • 1.1. Обзор действующих систем для распознавания рукописного текста
    • 1.1.1. ABBYY FineReader
    • 1.1.2. SimpleOCR
    • 1.1.3. PDFelement Pro
  • 1.2. Анализ предметной области
    • 1.2.1. Понятие глубокого обучения и составляющие нейронной сети
    • 1.2.2. Типы нейронных сетей
  • 1.3. Способы оценки производительности модели нейронной сети
  • 1.4. Выводы
• 2. ОБЗОР РАЗНОВИДНОСТЕЙ АЛГОРИТМОВ ОПТИМИЗАЦИИ
  • 2.1. AdaGrad
  • 2.2. RMS-Prop
  • 2.3. AdaDelta
  • 2.4. Adam
  • 2.5. Ускоренный градиент Нестерова
  • 2.6. Nadam
  • 2.7. Выводы
• 3. ОПИСАНИЕ СТРУКТУРЫ СЕТИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ РУКОПИСНОГО ТЕКСТА
  • 3.1. Структура модели нейронной сети
  • 3.2. Обоснование выбора технологий и средств разработки
  • 3.3. Выводы
• 4. ОБУЧЕНИЕ И РЕЗУЛЬТАТЫ МОДЕЛИ
  • 4.1. Детали обучения модели
  • 4.2. Результаты модели
  • 4.3. Выводы
• ЗАКЛЮЧЕНИЕ
• СПИСОК ЛИТЕРАТУРЫ