Адаптивное распознавание и его применение к системе ввода печатного текста
Диссертация
Обучающее и тестовое множество могут не быть даны заранее, а пополняться в процессе работы распознающего алгоритма. Система распознавания должна быть достаточно адаптивна к наличию артефактов различной природы, поскольку на вход распознавания почти всегда попадают объекты, не укладывающиеся в классификацию (в примере с распознаванием текста — кляксы, слипшиеся буквы, картинки и т. п.). Качество… Читать ещё >
Содержание
- 1. АЛГОРИТМЫ РАСПОЗНАВАНИЯ СИМВОЛОВ ПЕЧАТНОГО ТЕКСТА
- 1. 1. Общие методы распознавания образов
- 1. 1. 1. Нейронные сети
- 1. 1. 2. Многослойный перцептрон
- 1. 1. 3. Сети с радиальными базисными функциями
- 1. 1. 4. Обучающееся векторное квантование
- 1. 1. 5. Иерархическое векторное квантование
- 1. 1. 6. Метод опорных векторов
- 1. 1. 7. Алгебраический подход Ю.И.Журавлева
- 1. 2. Методы распознавания одиночных символов
- 1. 2. 1. Исходные данные для распознавания символов
- 1. 2. 2. Шрифтовые алгоритмы
- 1. 2. 3. Шрифтонезависимые алгоритмы
- 1. 3. Выводы по главе
- 1. 1. Общие методы распознавания образов
- 2. РАСПОЗНАВАНИЕ ПЕЧАТНОГО ТЕКСТА
- 2. 1. Характеристики качества распознавания символов
- 2. 2. Комбинирование алгоритмов
- 2. 3. Алгоритмы распознавания строк символов
- 2. 3. 1. Основные понятия сегментации
- 2. 3. 2. Оценки сегментации и критерии оптимальности
- 2. 3. 3. Некоторые подходы для реализации сегментации
- 2. 3. 4. Способы сокращения перебора вариантов сегментации
- 2. 3. 5. Обсуждение алгоритмов сегментации
- 2. 4. Характеристики распознавания строки символов
- 2. 5. Использование базовых линий для распознавания строки символов
- 2. 6. Использование словарных механизмов
- 2. 8. Выводы по главе
- 3. АДАПТИВНОЕ РАСПОЗНАВАНИЕ
- 3. 1. Место адаптивного распознавания в системы ввода текстов
- 3. 2. Формирование обучающей выборки
- 3. 2. 1. Подтверждение надежности распознавания с помощью монотонности
- 3. 2. 2. Подтверждение надежности распознавания с помощью словарей
- 3. 3. Алгоритмы кластеризации и способы формирования эталонов
- 3. 4. Модели образа кластера и формирование эталонов
- 3. 4. 1. Модель оцифровки
- 3. 4. 2. Модель образа кластера
- 3. 5. Исследование влияния сдвигов при сравнении с образом кластера
- 3. 5. 1. Описание задачи
- 3. 5. 2. Описание абстрактной задачи
- 3. 5. 3. Частичное решение задачи
- 3. 5. 4. Случай евклидова пространства
- 3. 5. 5. Следствия найденных оценок
- 3. 5. 6. Качественное объяснение рассматриваемого эффекта
- 3. 6. Модель сжатия бинарного изображения
- 3. 7. Выводы по главе
- 4. МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ОЦИФРОВКИ
- 4. 1. План вычислительных экспериментов
- 4. 2. Эксперименты для исследования симметрики с! о
- 4. 3. Эксперименты для исследования симмстрики d
- 4. 4. Эксперименты для оценки зависимости вариантов укладки от выбора опорного элемента при суммировании с помощью симметрики d
- 4. 5. Эксперименты для оптимизации плотности укладки сумм, подсчитанных с помощью симметрики d
- 4. 6. Эксперименты для оценки зависимости вариантов укладки от выбора опорного элемента при суммировании с помощью симметрики d и использования пороговой модели образа кластера
- 4. 7. Эксперименты по оценке влияния случайных искажений формы на распределения значений точек образов кластеров
- 4. 9. Комбинирование использования симметрик do и d
- 4. 5. Выводы по главе
- 5. АЛГОРИТМЫ ПОИСКА ШРИФТОВ И РАСПОЗНАВАНИЯ СИМВОЛОВ С ПОМОЩЬЮ КЛАСТЕРОВ
- 5. 1. Определение шрифтов в распознанном тексте
- 5. 2. Поиск шрифтов в наборе кластеров
- 5. 3. Оценка состава найденных шрифтов
- 5. 4. Использование шрифтов при сжатии бинарных изображений
- 5. 5. Алгоритм распознавания образов с помощью набора образов кластеров
- 5. 6. Комбинирование результатов шрифтонезависимого распознавания и сравнения с набором образов кластеров
- 5. 7. Выводы по главе
- 6. РЕАЛИЗАЦИЯ АДАПТИВНОГО РАСПОЗНАВАНИЯ В СИСТЕМЕ ВВОДА ПЕЧАТНЫХ ТЕКСТОВ
- 6. 1. Описания возможностей системы ввода печатных текстов Cuneiform
- 6. 2. Основные понятия
- 6. 2. 1. Представление символа
- 6. 2. 2. Представление строки
- 6. 2. 3. Представление слова
- 6. 2. 4. Результаты распознавания групповых объектов
- 6. 2. 5. Модуль
- 6. 3. Интерфейсные модули
- 6. 3. 1. Контейнер изображения CImage
- 6. 3. 2. Контейнер строки CString
- 6. 3. 3. Контейнер обучения Ctb
- 6. 4. Служебные модули
- 6. 4. 1. Пользовательский отладчик SNAP
- 6. 4. 2. Утилиты работы с контейнером обучения
- 6. 5. Модули алгоритмов распознавания образа символа
- 6. 5. 1. Автономные модули распознавания образа символа
- 6. 5. 2. Комбинирование алгоритмов распознавания символов
- 6. 6. Модули распознавания строки
- 6. 6. 1. Модули поиска характ еристик текста
- 6. 6. 2. Модули критериев
- 6. 6. 3. Модули сегментации границ
- 6. 6. 4. Модуль распознавание атрибутов символов Strattributes
- 6. 6. 5. Модули лингвистической обработки StrLingvo
- 6. 6. 6. Модуль двуязычного распознавания строки Str21ang
- 6. 6. 7. Модуль адаптивного распознавания PageFon
- 6. 7. Схема взаимодействия модулей
- 6. 8. Описание
- приложений с реализациями алгоритмов адаптивного распознавания
- 6. 9. Выводы, но главе
Список литературы
- «Планшетные сканеры» // Scan & Recog. — Совм. издаиие Hewlett-Packard и Cognitive Technologies, № 1, 1994.
- Baudouin С. Elements de cryptographie. — Ed. Pedone A., Paris, 1939.
- Bojadziev G., Bojadziev M. Fuzzy Logic for Business, Finance and Management // Advances in fuzzy systems. 2nd edition. World Scientific Pub Co, 2007.
- Borovikov E., Zavorin L, Mark Turner M A filter based post-OCR accuracy boost system // Proc. of the 1st ACM workshop on Hardcopy document processing. 2004. — P.23−28.
- Boser B.E., Guyon I.M., Vapnik V.N. A training algorithm for optimal margin classifiers// Proc. of the 5th Annual ACM Workshop on Computational Learning Theory. ACM Press, 1992.- P. 144−152.
- Braun E.W. Applying Neural Networks to Character Recognition. http://www.ecs.neu.edu/home/feneric/charrecnn.html.
- Casey R.G. «Text OCR by Solving a Cryptogram» // Proc. Eighth Int’l Conf. Pattern Recognition. 1986. — P. 349−351.
- Cortes C., Vapnik V. Support Vector Networks, Machine Learning 20(3). -1995, № 323. P. 533−536.
- Сип Y Le et al., «Back-Propagation Applied to Handwritten Zip Code Recognition», Neural Computation. 1989. V. 1. — P. 541−551.
- Dong J-X, Krzyzak A., Suen C.Y. Fast SVM Training Algorithm with Decomposition on Very Large Data Sets, IEEE Transactions on Pattern Analysis and Machine Intelligence. 2005, V. 27, №. 4. — P. 603−618.
- Xi.Duda R., Stock D., Hart P. Pattern Classification. Wiley, John & sons, December 1999.
- Duda R.O. and Hart P.E., Pattern Classification and Scene Analysis. New York: John Wiley and Sons, 1973.216
- Everett B., Landau S., Leese M. Cluster Analysis. Oxford University press, May 2001.
- Faarborg A.J. Using Neural Networks to create an Adaptive Character Recognition System. Cornell University, New York, 2002.
- Feng S., Manmatha, R. A Hierarchical, HMM-Based Automatic Evaluationthof OCR Accuracy for a Digital Library of Books. Proc. of the 6 ACM/IEEECS Joint Conference on Digital Libraries, 2006. — P. 109−118.
- Flake G.W., Lawrence S. Efficient SVM Regression Training with SMO. -Machine Learning, 2002, V. 46, № 1−3. P. 271−290.
- Fumera G., Roli F. Error Rejection in Linearly Combined Multiple Classifi-ers // Int. Report n. 2001−113, Dept. of Electrical and Electronic Eng. Univ. of Cagliari, 2001.
- Gordon A.D. Classification. CRC Press, June 1999.
- Hubert L., De Soete G., Hubert Lawrence J., Arabbie P. Clustering and Classification. World Sceintific Publishing Company, 1996.
- Keysers D., Deselaers T., Gollcm C., Ney Ii. Deformation Models for Image Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2007, V. 29, №. 8, P. 1422−1435.
- Kohonen T. Self-Organizing Maps. Springer, Berlin, Heidelberg, 1995.
- Krishnamoorthy M, Nagy G., Seth S., Viswanathan M. «Syntactic segmentation and labeling of digitized pages from technical journals» IEEE Journal on Pattern Analysis and Machine Intelligence. 1993, V. 15, №.7. — P.737−747.
- Lam L., Lee S.W., Snen C.Y. Thinning Methodologies: A Comprehensive Survey. IEEE Trans. Pattern Analysis and Machine Intelligence. 1992, V. 14. — P. 869−885.
- Lam L., Suen C.Y. An Evaluation of Parallel Thinning Algorithms for Character Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1995, V. 17, № 9. — P. 914−919.
- Yaeger L. S., Webb B. J., Lyon R. F. Combining Neural Networks and Context-Driven Search for Online, Printed Handwriting Recognition in the NEWTON, AI Magazine. Spring 1998, № 19(1). — P. 73−90.
- Li Y., Lopresti D., Nagy G., Tomkins A. Validation of Image Defect Models for Optical Character Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1996, V. 18, № 2. -P. 99−108.
- Lippmann R.P. «An Introduction to Computing with Neural Nets», IEEE ASSP Magazine. Apr. 1987, V.4, № 2. — P. 4−22.
- McCulloch IV.S. and Pitts W. A logical Calculus of Ideas Immanent in Nervous Activity. Bull. Mathematical Biophysics, 1943, V. 5-P. 115−133.
- Mohiuddin K., Mao J. «A Comparative Study of Different Classifiers for Handprinted Character Recognition», in Pattern Recognition in Practice IV, E.S. Gelsema and L.N. Kanal. eds. Elsevier Science, 1994.- P. 437−448.
- Nabney I.T. Netlab: Algorithms for Pattern Recognition. SpringerVerlag New York. December 2001. — P. 440.
- Nagy G. Twenty Years of Document Image Analysis in PAMI, IEEE Trans. Pattern Analysis and Machine Intelligence. 2000, V. 22, №. 1. — P. 38−62.
- Nagy G., Xu Y. Automatic prototype extraction for Adaptive OCR// Proceedings of the 4th ICDAR. 1997. — P. 278−282.
- Nagy G., Xu Y. Priming the Recognizer. -Proc. DAS-96, Malvern, PA, 1996.- P. 263−281.
- Niblack W. An Introduction to Digital Image Processing, Prentice Hall. 1986, — P. 115−116.
- Pao Y-H. Adaptive pattern recognition and neural network. -«Addison-Wesley», 1989.
- Portegys T.E. A Search Technique for pattern Recognition Using Relative Distances // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1995, V. 17, № 9. — P. 910−912.
- Richard M.D., Lippman R.P. Neural Network Classifiers estimate Bayesian a posteriori probabilities // Neural Computation. 1991, № 3.- P. 461−483.
- Rosenblatt F. The perceptron: a probabilistic model for information storage and organization of the brain. Psychological Review. -1959, № 65.- P. 386−408.
- Rosha J., Pavlidis T. Character Recognition Without Segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1995, V. 17, № 9. — P. 903−909.
- Roy B. Methodologie Multycritere d’Aide a la Decision. Paris: Economoica, 1985.
- Rummelhart D.E., Hinton G.E., Williams R.J. Learning Representations by Backpropagation Errors. Nature, 1986, № 323.- P. 533−536.
- Saieki H. Allocation of Importance. An axiom system // Journal of Mathematical Psychology. 1972, № 9. — P. 55−65.
- Sarkar P, Nagy G. Style Consistent Classification of Isogenous Patterns // IEEE Transactions on Pattern Analysis and Machine Intelligence. January 2005, V. 27, № 1. — P. 88−98.
- Sarkar P. and Nagy G. Style Consistency in Isogenous Patterns // Proc. Sixth Int’l Conf. Document Analysis and Recognition. Sept. 2001.-P. 1169−1174.61. Schumann J. Pattern Classification. John Wiley&Sons, Inc., 1996.
- SchVrmann J. Polynomklassifikatoren. Miinchen, Oldenbourg, 1977.
- Sebastian T. B., Klein P. N., Kimia B. B. Recognition of Shapes by Editing Their Shock Graphs // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2004, V. 26, №. 5, P. 550 571.
- Shi H., Pavlidis T. Font Recognition and Contextual Processing for More Accurate Text Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997, V 17, № 9. — P. 39−44.
- Sholomov D.L. Syntactical Approach to Post-Processing of Fuzzy Recognized Text // Proc. of The International Conference on Machine Learning, Technologies and Applications. CSREA Press, June 2003.-P. 115−121.
- Sneath P.H.A., Sokal R.R. Numerical Taxonomy. San Francisco: W.H. Freeman, 1973.
- Sokal R., Sneat P. Principles of Numerical Taxonomy. San Francisco: W.H. Freeman, 1963.
- Stubberud P., Kanai J. and Kalluri V. Adaptive Image Restoration of Text Images That Contain Touching or Broken Characters // Third International Conference on Document Analysis and Recognition. August 1995.-P. 778 — 781.
- Stubberud P., Kanai J. and Kalluri V. Improving OCR Accuracy using Adaptive Image Restoration // SPIE Journal of Electronic Imaging. January 1996, V. 5, № 3. — P. 379−387.
- Szmurlo M. Boundary normalization for recognition of non-touching non-degraded characters // The 4th International Conference on Document Analysis and Recognition (ICDAR 97). -August 1997, Ulra, Germany. P. 463−466.
- Takasu A., Aihara K. Quality Enhancement in Information Extraction from Scanned Documents // ACM Symposium on Document Engineering (DocEng 2006). 2006, Amsterdam. -P.122−124.
- Tang Y.Y., You X. Skeletonization of Ribbon-Like Shapes Based on a New Wavelet Function // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2003, V. 25, №. 9. — P. 1118−1133.
- Theodoridis S., Koutroumbas K. Pattern Recognition. Academic Press, October 1998.
- Trier ?. D., Taxt T. Evaluation of Binarization Methods for Document Images // IEEE Transactions on pattern analysis and machine intelligence. March 1995, V. 17, No 3. — P. 312−315
- Tryon R.C. Cluster Analysis. Ann. Arb.: Edw. Brathers, 1939.
- Vapnik V. An Overview of Statistical Learning Theory // IEEE Transactions on Neural Networks. September 1999. № 10(5). -P. 988−999.
- Vapnik V. Statistical Learning Theory. Wiley, 1998.
- Veeramachaneni S. and Nagy G. Adaptive Classifiers for Multisource OCR // Int’l J. Document Analysis and Recognition. -Aug. 2004, V. 6, № 3. P. 154−166.
- Veeramachaneni S. and Nagy G. Style-Conscious Quadratic Classifier // Proc. 16th Int’l Conf. Pattern Recognition. August 2002. V. II. — P. 72−75.
- Veeramachaneni S., Nagy G., Liu C.-L., and Fujisawa H. Classifying Isogenous Fields // Proc. Eighth Int’l Workshop Frontiers of Handwriting Recognition. August 2002. — P. 41−46.
- Verbeek J., Vlassis N. and KrCse B. Efficient Greedy Learning of Gaussian Mixture Models // Neural Computation. 2003, V. 15, № 2. — P. 469−485.
- Verikas A. A., Bachauskene M. I., Vilunas S. J., Skaisgiris D. R. Adaptive character recognition system // Pattern Recognition Letters. 1992, V. 13, Issue 3. — P. 207−212.
- Wakahaga T., Odaka K. Adaptive Normalization of Handwritten Characters Using Global/Local Affine Transformation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998, V. 20, № 12.- P. 28−33.
- Wang J., Jean J. Segmentation of merged characters by neural networks shortest path // Pattern Recognition. 1994, V. 5, Issue 27.-P. 649−658.
- Ward J. H. Hierarchical grouping to optimize an objective function // Journal of the American Statistical Association. 1963, V. 58. -P. 236−244.
- Wasserman P. D. Neural Computing: Theory and Practice. New York: Van Nostrand Reinhold, 1989.
- Westall J.M., Narasimha M.S. Vertex directed segmentation of handwritten numerals // Pattern Recognition. 1993, V. 26, Issue 10.-P. 1473−1486.
- White H. Learning in artificial networks: A statistical perspective // Neural Computation. 1989, № 1. — P. 425−464.
- Xu J., Lipton R., Essa I., Sung M., Zhu Y. Mandatory Human Participation: A NewAuthentication Scheme for Building Secure Systems // Proc. The 12th International Conference on Computer Communications and Networks. 2003. — P. 547 — 552
- Xu Y, Nagy G. Prototype Extraction and Adaptive OCR // IEEE Trans. Pattern Analysis and Machine Intelligence. Dec. 1999, V. 21, № 12. — P. 1280−1296.
- Yang S. Symbol Recognition via Statistical Integration of PixelLevel Constraint Histograms: A New Descriptor // IEEE Transactions on Pattern Analysis and Machine Intelligence. -2005, V. 27, №. 2. P. 278−281.
- Yang Y., Summers K., Turner M. A Text Image Enhancement System Based on Segmentation and Classification Methods, Proc. of the 1st ACM workshop on Hardcopy document processing -Conference on Information and Knowledge Management. 2004, -P. 33−40.
- Zeyu L., Tang L., Wang H. Fast Recognition of Handwritten Digits Using Pairwise Coupling Support Vector Machine // Proc. Int’l Joint Conf. Neural Networks. 2002, V. 1. — P. 878−883.
- Zheng Y., Li hi., Doermann D. Machine Printed Text and Handwriting Identification in Noisy Document Images // IEEE
- Transactions on Pattern Analysis and Machine Intelligence. -2004, V. 26, №. 3. P. 337−353.
- Арлазаров B.JJ., Астахов А. Д., Троянкер В. В., Котович Н. В. Адаптивное распознавание символов // Сб. трудов ИСА РАН «Интеллектуальные технологии ввода и обработки информации». М.:Эдиториал УРСС, 1998. — С. 39−56.
- Арлазаров В.Л., Корольков Г. В., Славин O.A. Линейный критерий в задачах OCR // Сб. трудов ИСА РАН «Развитие безбумажных технологий в организациях». М.: Эдиториал УРСС, 1999.-С. 17−23'.
- Арлазаров В.Л., Котович Н. В., Славин O.A. Адаптивное распознавание // Информационные технологии и вычислительные системы. 2002, Вып. 4. — С. 11−23.
- Арлазаров В.Л., Куратов П. А., Логинов A.C., Славин О.А Некоторые аспекты сегментации границ печатных символов // Информационные технологии и вычислительные системы. -2004, № 4. С. 59−70.
- Арлазаров В.Л., Куратов П. А., Славин O.A. Распознавание строк печатных текстов // Сб. трудов ИСА РАН «Методы и средства работы с документами». М.: Эдиториал УРСС, 2000. — С. 31−51.
- Арлазаров В.Л., Куратов П. А., Славин O.A. Сегментация границ символов, управляемая моделью слова // Сб. трудов ИСА РАН «Организационное управление и искусственный интеллект». -М.: Эдиториал УРСС, 2003. С.176−184.
- Арлазаров В.Л., Логинов A.C., Славин O.A. Характеристики программ оптического распознавания текста. // Программирование. 2002, № 3. — С. 45−63.
- Арлазаров В.Л., Романов А. Н., Котович Н. В., Славин O.A. Устройство для адаптивного распознавания символов текстовых документов // Патент РФ на изобретение № 2 206 918 от 20.06.2003. Бюл. № 17. 2003 (РосПатент).
- Арлазаров В.Л. ', Славин O.A. Алгоритмы распознавания и технологии ввода текстов в ЭВМ // Информационные технологии и вычислительные системы. 1996, № 1. — С. 48−54.
- Арлазаров B.JI., Славин O.A., Хованский А. Г. Оценка расстояния между изображениями при параллельном переносе // Доклады академии наук. 2011, Т. 437, № 3. — С. 313−315.
- Беллман Р. Динамическое программирование. -М.: ИЛ. 1960.
- Беллман Р., Заде Л. Принятие решений в расплывчатых условиях. В кн.: Вопросы анализа и процедуры принятия решений. -М.: Мир. 1976.- С.172−215.
- Бербышев Е.М. Технологии ММХ. Новые возможности процессоров Р5 и Р6. М.: Диалог-Мифи, 1998.
- Болотин П.В., Корольков Г.В, Славин O.A. Методы распознавания грубых объектов // Сб. трудов ИСА РАН «Развитие безбумажных технологий в организациях». М.: Эдиториал УРСС, 1999. — С. 331−355.
- Браверман Э.М., Мучник И. Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983.
- Вапник В.Н., Червоненкис А. Я. О равномерной сходимости относительных частот событий к их вероятностям // Теория вероятностей и приложения. 1971, № 16(2). — С. 264−280.
- Вапник В.Н., Червоненкис А. Я. Теория распознавания образов. -М.: Наука, 1974.
- Васильев В.И. Распознающие системы. Киев: Наукова думка, 1983.
- Гавриков М.Б., Мисюрев A.B., Пестрякова PI.В., Славин O.A. Об одном методе распознавания символов, основанном на полиномиальной регрессии // Автоматика и телемеханика. -2006, № 3. С. 119−134.
- Глумов H.H., Мясников Е. В. Метод отбора информативных признаков на цифровых изображениях // Компьютерная оптика. 2007, Т. 31, № 3. — С. 73−76.
- Гоппа В.Д. Введение в алгебраическую теорию информации. -М.: Наука, 1995.
- Горелик A.JJ., Скрипкин В. А. Методы распознавания, Изд. 2. М.: Высшая школа, 1984.
- Джексон Т. Intel: взгляд изнутри. М.: Лори, 1998.
- Журавлев Ю. И. Корректные алгебры над множествами некорректных (эвристических) алгоритмов I, II, III.— Кибернетика. 1977, № 4. — С. 14 — 21, № 6, С. 21 — 27- № 2, С. 35 — 43.
- Журавлев Ю.И. Непараметрические задачи распознавания образов. М.: Кибернетика. 1976. № 6. — С. 93−103.
- Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы Кибернетики. 1978. № 33. — С. 5−67.
- Журавлев Ю.И. Экстремальные алгоритмы в математических моделях для задач распознавания и классификации // Докл. АН СССР. 1976, Т. 231, № 3. — С. 212 -214.
- Журавлев Ю.И., Камилов М. М., Туляганов Ш. Э. Алгоритмы вычисления оценок и их применения. Ташкент: Фан, 1974.
- Журавлев Ю. И, Никифоров A.B. Алгоритмы распознавания, основанные на вычислении оценок // Кибернетика. 1972. № 3. — С. 1 — 11.
- Загоруйко Н.Г. Методы распознавания и их применение. -М.: Сов. Радио, 1972.
- Калеватых A.B., Павлов Б. А. Обзор современных методовавтоматизированного анализа изображений // Автоматика и телемеханика. 1995, Вып. 9. — С. 3−21.
- Классификация и кластер. Сборник. М.: Мир, 1980.
- Кляцкин В.М., Котович И. В. Применение методов вычислительной геометрии для поиска линейных объектов // Сб. трудов ИСА РАН В «Управление информационными потоками». М.: Эдиториал УРСС, 2002. — С. 201−210.
- Ковалевский В.А. Методы оптимальных решений в распознавании изображений. — М.: Наука, 1967.
- Козин Н.Е., Фурсов В. А. Снижение размерности векторов признаков по критериям мультиколлинеарности // Компьютерная оптика. 2008. Т. 32, № 3. — С. 307−311.
- Колмогоров А.Н. О представлении непрерывной функции нескольких переменных суперпозицией непрерывных функций одной переменной и сложения // ДАН СССР. 1957, Т. 114(5). -С. 953−956.
- Котович Н.В., Кляцкин В.A4., Славин O.A. Многопроходная схема распознавания документов с обучением // Сб. трудов ИСА РАН «Управление информационными потоками». -М.: Эдиториал-УРСС, 2002. С. 211−222.
- Котович Н.В., Славин O.A. Распознавание скелетных образов // Сб. трудов ИСА РАН «Методы и средства работы с документами». М.: Эдиториал УРСС, 2000. — С. 204−215.
- Кохонен Т. Ассоциативная память. -М.: Мир, 1980.
- Кочин Д.Ю., Хлебутин П. С. Разработка многомодульных программных комплексов // Сб. трудов ИСА РАН ««Развитие безбумажной технологии в организационных системах». -М.:Эднториал УРСС, 1999.- С.110−126.
- Логинов A.C. О некоторой схеме распознавания на основе признакового подобия объектов. Алгоритм построения дерева распознавания // Сб. трудов ИСА РАН «Развитие безбумажных технологий в организациях». М.:Эдиториал УРСС, 1999. — С. 127−136.
- Мандель И.Д. Кластерный анализ. М.: Финансы и статистика. 1988.
- Мерков А.Б. Распознавание образов. Введение в методы статистического обучения. М. Едиториал УРСС, 2011.
- Минский М., Пейперт С. Перцептроны. М.: Мир, 1971.
- Мисюрёв A.B. Использование искусственных нейронных сетей для распознавания рукопечатных символов // Сб. трудов ИСА РАН «Интеллектуальные технологии ввода и обработки информации». М.:Эдиториал УРСС, 1998. — С.122−127.
- Михайлов H.A. Распознавание изображений с помощью метода радиальных окрестностей // Компьютерная оптика. -2010, Т. 34, № 3. С. 399−407.
- Нильсон Н. Обучающиеся машины. М.: Мир, 1967.
- Петровский А.Б. Основные понятия теории мультимножеств. М.:Эдиториал УРСС, 2002.
- Петровский А.Б. Пространства множеств и мультимножеств. М.:Эдиториал УРСС. 2003.
- Пиотровский Р.Г., Бектаев, К.Б., Пиотровская A.A. Математическая лингвистика. -М.: Высшая школа. 1977.
- Постников В. В. Разработка методов наложения формы на графическое изображение документа // Сб. трудов ИСА РАН «Интеллектуальные технологии ввода и обработки информации». М.:Эдиториал УРСС, 1998. — С. 157−163.
- Промахова И.М., Коростелев А. П. Об одном классе вероятностных рекуррентных алгоритмов распознавания. ВНИИСИ, препринт. М.: 1984.
- Розенблатт Ф. Принципы нейродииамики. Перцептроны и теория механизмов мозга. М.: Мир. 1965.
- Романов А.Н., Славин О.А, Титов Ю. В. Система адаптивного распознавания символов // Патент РФ на полезную модель № 63 571 от 27.05.2007. Бюл. № 15 2007 (РосПатент).
- Рутковская Д., Пшинъский М., Рутковский JT. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия — Телком, 2007.
- Сатин М.С. Фотоэлектрическое устройство, воспринимающее цифровые печатные знаки // Электрон. Вычисл. Машины. 1960, № 1. — С. 110−123.
- Себастиан Г. Процессы принятия решения при распознавании образов. Киев: Техника, 1965.
- Славин O.A. Алгоритмы распознавания структурированных документов с переменным составом // Программирование. 2005, № 4.-С. 1−18
- Славин O.A. Использование мультимножеств в распознавании символов // Сб. трудов ИСА РАН «Системныйподход к управлению информацией». М.: КомКнига, 2006, Том № 23.-С. 155−173
- Славин O.A. Комбинированные методы распознавания печатных и рукопечатных символов // Сб. трудов ИСА РАН «Документооборот. Концепции и инструментарий». -М.: Едиториал УРСС, 2004. С. 151−174
- Славин O.A. Многопроходное распознавание смешанных печатных текстов на примере русско-английского распознавания // Сб. трудов ИСА РАН «Обработка изображений и анализ данных». М.: Едиториал УРСС, 2008, Т.38.-С. 272−277.
- Славин O.A. Об одной реализации системы распознавания факсов // Сб. трудов ИСА РАН «Информационно-аналитические аспекты в задачах управления». -М.: Издательство ЖИ, 2007, Том № 29. С. 320−328.
- Славин O.A. Распознавание атрибутов текстовых символов // Сб. трудов ИСА РАН «Документооборот. Концепции и инструментарий». М.: Эдиториал Едиториал УРСС, 2004.-С. 142−150.
- Славин O.A. Средства управления базами графических образов символов и их место в системе распознавания // Сб. трудов ИСА РАН «Развитие безбумажных технологий в организациях». М.: Эдиториал УРСС, 1999. — С. 277−289.
- Славин O.A., Подрабинович A.A. Древовидное распознавание нормализованных символов // Сб. трудов ИСА РАН «Интеллектуальные технологии ввода и обработки информации». -М.: Эдиториал УРСС, 1998. С. 137−157.
- Славин O.A., Титов Ю. В. Динамическое построение функций сравнения с идеальным образом в задаче адаптивного распознавания текстовых символов // Информационные технологии и вычислительные системы. 2007, № 1. — С. 3−12.
- Славин O.A., Шахвердиев Б. М. Алгоритмы сохранения результатов оптического распознавания // Сб. трудов ИСА РАН «Методы и средства работы с документами». М.: Эдиториал УРСС, 2000.-С. 3−12.
- Террайен Ч.У., Куатьери Т. Ф., Даджон Д. Е. Алгоритмы анализа изображений, основанные на статистических моделях // ТИИЭР. 1986, Т. 74, № 4. — С. 4−25.
- Титов Ю. В. Об искажении символов при сканировании // Сб. трудов ИСА РАН «Системный подход к управлению информацией». М.: КомКнига, 2006, Том № 23. — С. 260−288.
- Фу К. Структурные методы в распознавании образов. -М.: Мир. 1977.
- Хмелев Р.В. Совместное использование структурного анализа и метрики Хаусдорфа при сравнении объекта и эталона // Компьютерная оптика. 2005, Т. 27. — С. 174−176.
- Шеннои К. Работы по теории информации и кибернетике. -М.: ИЛ, 1963.
- Щепин Е.В. Кластерный анализ Электронный ресурс., http://www.mi.ras.ru/~scepin/Q-clust.pdf
- Щепин Е.В., Непомнящий Г. М. К топологическому подходу в анализе изображений. Геометрия, топология и приложения (Межвузовский сборник научных трудов). М.: Московский институт приборостроения, 1990. — С. 13−25.
- Эфрон Б. Нетрадиционные методы многомерного статистического анализа. -М: Финансы и статистика. 1988.
- Яглом А. М., Яглом И. М. Вероятность и информация. -М.: Наука. 1973.
- Ян Д. Е. Исследование, развитие и реализация методов автоматического распознавания рукописных текстов в компьютерных системах // Автореферат диссертации на соискание ученой степени кандидата физико-математических наук.-2003.-С. 153−158.