| Authors | سیدمحمد رضوی,فاطمه دارائی,سعید مظفری |
|---|---|
| Conference Title | اولین کنفرانس هوش مصنوعی و پردازش هوشمند |
| Holding Date of Conference | ۲۰۲۲-۰۸-۳۱ |
| Event Place | سمنان |
| Page number | ۰-۰ |
| Presentation | SPEECH |
| Conference Level | Internal Conferences |
Abstract
در سالهای گذشته، جستجوی کلمه کلیدی به یک روش جستجوی محبوب در بازیابی اسناد دستنوی س تبدیل شده است. اخیراً شبکههای عصبی کانولوشن عمیق ( CNN (به طور گسترده برای جستجوی کلمه کلیدی مورد استفاده قرار گرفته و به نتایج قابل توجهی دست ی افتهاند. در این مقاله، یک مدل CNN بروناندازی مونت-کارلو برای استخراج ویژگیهای معنایی پیشنهاد شده است. از یک تابع خطای کل، در مدل استفاده شده که هر دو تغییرات بین کلاسی و درون کلاسی را برای استخراج ویژگیهای متمایز در نظر میگیرد. شبکه عصبی کانولوشن مونت-کارلوی پیشنهادی برای جستجوی کلمه کلیدی به روش تصویری (QBE (استفاده شده است. برای این هدف، عدم اطمینانهای تصویر پرس و جو و مجموعه بازیابی، پیش بینی میشود و فاصله کسی نوسی بین آنها برای رتبه بندی تصاویر بازی ابی شده به دست می آید. رویکرد پیشنهادی در این مقاله، بر روی چهار پایگاه داده استاندارد دستنویس ارزیابی شده است. دستیابی به دقت ۶۵.۹۶ ٪در پایگاه داده IAM نشان م یدهد که روش پیشنهادی دقیق تر از تکنیکهای پیشرفته جستجوی کلمه کلیدی است. این بهبود عمدتاً میتواند به در نظر گرفتن عدم اطمینان در فرآیند بازیابی اشاره داشته باشد.
tags: جستجوی کلمه کلیدی، بروناندازی مونت-کارلو، خطای مرکزی، پیشبینی عدماطمینان