×

手写数字识别的深度单程学习。 (英语) Zbl 1508.68320号

MSC公司:

68吨10 模式识别、语音识别
62H30型 分类和区分;聚类分析(统计方面)
62华氏35 多元分析中的图像分析
68T07型 人工神经网络与深度学习
PDF格式BibTeX公司 XML格式引用
全文: 链接

参考文献:

[1] A.Rehman,S.Naz,M.I.Razzak,I.A.Hameed,《作家识别的自动视觉特征:深度学习方法》,IEEE Access 7(2019)17149-17157。
[2] C.Adak,B.B.Chaudhuri,M.Blumenstein,《基于变量内个人笔迹的作者识别和验证实证研究》,IEEE Access 7(2019)24738-24758。
[3] V.Venugopal,S.Sundaram,《使用稀疏编码描述符识别在线作者》,IEEE Trans。Inf.法医安全。13 (10) (2018) 2538-2552.
[4] D.Impedovo,G.Pirlo,《神经退行性疾病评估的动态手写分析:模式识别视角》,IEEE Rev.Biomed。工程12(2019)209-220。
[5] D.Impedovo,评估帕金森氏症笔迹的基于速度的信号特征,IEEE信号处理。莱特。26 (4) (2019) 632-636.
[6] C.Kahindo,M.A.El-Yacoubi,S.G.Salicetti,A.S.Rigaud,V.C.Lacroix,通过笔迹时空动力学表征早期阿尔茨海默病,IEEE信号处理。莱特。25 (8) (2018) 1136-1140.
[7] D.Dua,C.Graff,加州大学欧文分校机器学习库:加州大学信息与计算机科学学院。
[8] Y.Lecun,L.Bottou,Y.Bengio,P.Haffner,基于梯度的学习应用于文档识别,Proc。IEEE 86(11)(1998)2278-2324。
[9] C.Tianqi,G.Carlos,XGBoost:一个可扩展的树增强系统,第22届ACM SIGKDD国际知识发现和数据挖掘会议论文集(2016)785-794。
[10] M.D.Garris、J.L.Blue、G.T.Candela、D.L.Dimmick、J.Geist、P.J.Grother、S.A.Janet、C.L.Wilson、NIST基于表单的手印识别系统,NISTIR-5469(1994)1-63。
[11] I.Goodfellow,Y.Bengio,A.Courville,《深度学习》,麻省理工学院出版社;剑桥,2016年·Zbl 1373.68009号
[12] D.Stutz,《理解卷积神经网络》,研讨会报告,Fakultät für Mathematik,Informatik und Naturwissenschaften Lehr-und Forschungsgebiet Informatik VIII Computer Vision,2014年。
[13] R.E.Fan,K.W.Chang,C.J.Xieh,X.R.Wang,C.J.Lin,LIBLINEAR:大型线性分类库,J.Mach。学习。第(9)号决议(2008)1871-1874·Zbl 1225.68175号
[14] P.Geurts,D.Ernst,L.Wehenkel,《极端随机树》,机器学习(63)(2006)3-42·Zbl 1470.68111号
[15] J.H.Friedman,《贪婪函数近似:梯度提升机》,安·统计师。29 (5) (2001) 1189-1232. ·兹比尔1043.62034
[16] L.Breiman,随机森林,机器学习(45)(2001)5-32·Zbl 1007.68152号
[17] T.F.Chan,G.H.Golub,R.J.LeVeque,更新公式和计算样本方差的成对算法,COMPSTAT,第五届研讨会,图卢兹(1982),30-41·Zbl 0491.65071号
[18] L.Breiman、J.H.Friedman、R.A.Olshen、C.J.Stone,《分类和回归树》,CRC出版社;Taylor&Francis Group LLC,纽约,1984年·Zbl 0541.62042号
[19] G.E.Hinton,《连接主义学习程序》,《人工智能》40(1989)185-234。
[20] C.C.Chang,C.J Lin,LIBSVM:支持向量机库,ACM Trans。智力。系统。Technol公司。(2011) 1-27
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。