ZPR - Gruppe Faigle/Schrader: Forschungstransfer/Projekte/Mustererkennung/Schrifterkennung

Schrifterkennung	Die automatische Erkennung und Digitalisierung von handgeschriebenen Texten mit praktisch verwertbaren Resultaten erfordert die Anwendung hochentwickelter Algorithmen. Sie müssen in einer kohärenten Kette integriert sein, die von der optischen Erfassung über die Segmentierung der Buchstaben und deren Zuordnung zu einem konventionellen Zeichensystem reicht bis hin zur kontextsensitiven Korrektur nicht identifizierter Elemente. Gerade diese Aufgabe, die möglichst selbständige Lösung von Zuordnungsproblemen in lernfähigen Systemen, verbindet die Musterkennung mit den Untersuchungen zur künstlichen Intelligenz. Viele erfolgreiche kommerzielle Systeme stützen sich daher auch auf Programmsysteme nach dem Prinzip neuronaler Netze. Die Verbesserung von Schrifterkennungssystemen und ihrer Lernfähigkeit wird derzeit vorangetrieben auf dem Weg von Multi-Agent-Architekturen, welche verschiedene Musterkennungsmethoden mit unterschiedlichen Leistungsschwerpunkten zu einem gemeinsamen System zusammenfassen. In unserer Arbeitsgruppe setzen unsere Untersuchungen damit an, verschiedene der grundlegenden Klassifikationsmethoden zu verbessern. Hierzu gehören die Vektor-Quantifizierung (Cluster-Methoden), Neuronale Netze/Multi-Layer und Nächste-Nachbarn-Strukturen. Diese Verfahren werden als Module betrachtet, deren unterschiedliche Wirkungs- und Arbeitsweisen in einem neuronalen Netz organisiert und verwaltet werden, so daß ihre spezifischen Stärken in jeweils optimaler Weise in der gegenbenen Aufgabenstellung zum Tragen kommen und im Prozeß einer Schrifterkennung sowohl die Arbeitsgeschwindigkeit verbessern als auch die Zuverlässigkeit.
Anwendungsbericht	Bericht
Kontakt:	Alexander Schliep Tel.: 0221/470-6039 Fax: 0221/470-5160 schliep@zpr.uni-koeln.de