文摘

根据知识普及的现状,学生仅仅依靠在教室里学到的知识,远不适应现代社会的发展;所以,每个学生都需要有自主学习的意识和能力。研究英语自助学习系统的基于偏微分方程方法形成信息网络技术作为生存和发展的基础。现有的基于偏微分方程的识别模型的平均曲率运动都是edge-based和需要使用定义的外力吸引零水平集图像梯度(进化曲线)移动到目标边缘,最后停留在目标边缘。因此,它是很难获得理想的结果提取模糊或离散边界(感知的边界),是非常敏感的选择初始轮廓和噪音。为了解决这个问题,本文提出了一种新的识别模型,基于平均曲率运动的偏微分方程。这克服了现有的一些缺陷边缘模型,因为它是提出和不需要图像梯度作为停止进化的条件。该模型可以避免手工初始曲线选择和允许停止条件集的算法。此外,在偏微分方程的数值解,现有的模型使用逆风差分格式,semi-implicit加性算子分离方法。一些其他层的添加,和一些hyperparameters调整当初始pde的卷积神经网络构造初始pde的堆积结构。 In the contrast experiment with the prototype, the software and hardware environment are the same, and the input is exactly the same. For the handwritten English alphabet data set, the variant structure can obtain more than 90% of the training accuracy and verification accuracy, which is better than the experimental accuracy of the prototype. In addition, because the inception PDE structure contains fewer parameters than the prototype, it is more computationally efficient and takes less training time per batch than the prototype.

1。介绍

英语教师可以很容易地获得最新的教学所需材料和各种教学辅导材料通过互联网(1]。处理和排序后,他们编译成网页,把在英文网站上由自己。学生可以克服时间和空间的限制,利用互联网来获取材料和课堂教学内容相关的信息,根据自己的爱好或浏览。今天,当我们强调素质教育,这是特别重要的构建和使用英语网站创建一个积极、活跃,为学生自主学习环境和气氛2- - - - - -4]。对英语教师来说,构建和使用英语网站不仅方便自己的教学,他们也可以使用英语网站发布信息,交流教学经验,开展合作研究和交流的学术成果在全国乃至世界(5,6]。英语教师可以组织学术讨论活动,举行英语教学研讨会,并促进最新的教学效果在互联网上通过在线讨论组,以便更多的英语同事和英语学习者受益。我们也可以把我们的优秀的教学计划和课程在我们的网站上分享与我们的英语,扩大我们的影响力。

通过学习英语自主学习系统的基于偏微分方程的方法,它可以为英语学习者提供一个学习环境适合学生学习建设性的学习环境(7,8]。在这种环境下,学生的主动性往往可以充分反映,它为学生提供了更多的机会学习和中学到的知识运用在不同的情况下,和学生也可以根据自己的学习情况,反馈以促进更好的解决问题,提高网络教学质量。由于单独建立每个现有的网络教学系统的材料,缺乏共享、安全、教学系统的速度和信息更新,事实上,管理员是主体,现有的英语学习系统不能满足用户。因此,基于偏微分方程方法的英语自主学习系统应充分利用各大高校的校园网络,从而达到集中管理的目的,分散操作,和高的教学信息共享信息9]。与此同时,它还可以促进传统教学管理向数字化的发展,情报,paperlessness和集成10- - - - - -12]。

我们提出一个两届分割隐式基于活动轮廓模型的平均曲率运动。模型只是基于区域和不需要图像梯度作为停止进化的条件。该模型可以避免手工初始曲线的选择。它允许设置算法的停止条件。数值求解偏微分方程而言,现有的模型采用逆风差分格式,也可以有效地利用semi-implicit加性算子分离方法。本文分析和比较了实验数据图,显示为multiangle multibranch结构的可行性和多层次特征提取和合并。在资源有限的情况下证明了在普通的计算设备,分支结构具有更好的结果和更高的精度比线性结构;改进的偏微分方程卷积神经网络结构能保证获得和原《盗梦空间》的偏微分结构。卷积神经网络具有相同的方程和更好的实验精度,因为更少的计算参数,改善结构的初始偏微分方程结构可以减少计算时间,加快培训。然而,只有通过数据增强小数据集不能达到这么好的实验效果为使用大型数据集。

2。相关工作

虽然偏微分方程在许多图像处理领域取得了无与伦比的影响,事实上,仍然很难选择适合具体问题的偏微分方程在图像处理13]。直接设计偏微分方程有着深刻的理解图像变化和物理过程的全面了解;建筑的能量泛函,需要完整的知识和理解的问题。为了应对上述问题,相关学者提出了偏微分方程学习模式,也就是说,学习偏微分方程的形式通过给定的训练数据,已成功地应用于各种任务在图像处理和计算机视觉,并开发了应用程序的偏微分方程在图像14,15]。

通过引入“学习”理念在机器学习领域,微分方程的图像处理,提出了一种理论框架来解决学习特定的偏微分方程在图像处理的问题通过训练数据16]。首先,他们使用旋转和转换的基本微分不变量作为基函数构造一个统一的智能微分方程系统,然后使用微分方程约束的最优控制理论培训来获得特定的偏微分方程的形式。这些基本微分不变量都是从一些图像处理经验和数学。

在研究非线性演化方程,利用微分不变量来研究偏微分方程的性质是一种非常有效的方法(17]。不变量理论是抽象代数的一个分支。这一理论研究代数簇的影响组织的组织功能的影响。微分不变量是标量微分函数作用下保持不变的延续。微分不变量,作为不变量理论的重要范畴,发挥巨大的作用在数学理论和实用功能。这些应用领域包括几何结构等效问题,分类和不变的变分问题,不变的微分方程,微分方程的可积性问题,等效对称的解决方案和建设的特殊的偏微分方程的解决方案18]。

变形文字识别的问题,相关学者提出了一种多目标整流关注网络莫兰弯曲自然场景文本识别,这是由弯曲校正网络的早晨和识别网络ASRN [19]。训练结果表明,尽管该模型可以处理一些变形的照片,图像的识别效果不好太大弯曲角。它只能识别文本是在垂直方向弯曲,和训练是很困难的。为了解决问题时很容易被忽视的标签混淆使用四边形边界框来定位场景文本、相关学者提出的一种新方法(20.]。通过离散化边界框到柯的关键优势,更有效的方法可以提高检测性能。然而,由于大部分的场景文本定位四边形边界框,这种方法可能会导致问题,如太长时间培训时间和太复杂的过程。

相关学者提出的文本识别算法基于注意机制和连接时间分类损失解决英语字母分割和识别精度的问题,取决于自然场景文本识别的字典(21,22]。该算法避免了额外的对齐预处理和随后的语法处理标签和显著提高文本识别率而加速训练收敛速度。实验表明,该算法健壮的文本图像模糊的字体和复杂的背景。仍有改进的空间,比如改善偏微分方程卷积神经网络架构获得较强的特征提取能力和添加一个过度拟合机制来提高网络的泛化能力(23- - - - - -25]。

3所示。英语字母的预处理技术

3.1。消除干扰

在实际图像中,干扰的存在是不可避免的。例如,在收购邮政编码,信封本身的背景颜色和定位红色框架使获得的图像不仅数量本身。虽然干扰通常只有一小部分,他们对规范化构成巨大威胁:这个方法就不能准确地确定这个词的外边界。一旦正常化有很大偏差,识别的结果很可能是错误的。因此,有必要引入干扰消除算法在处理。一般要求图像噪声去除是试图去除噪音不影响英文字母的形象。(1)邻域平滑方法。它使用某一像素的平均灰度值及其邻近的像素为中心像素的灰度值。这种方法简单,但有明显的缺点。它使图像边界模糊(2)边界平滑方法。需要一定的像素为中心的广场附近,然后选择一个模板,计算方差的每个模板中包含的像素的灰度值,并计算出像素的灰度值的平均值模板中包含的最小方差。这个方法不能仅仅达到去噪的目的,但也同时保存边界,但计算的数量是巨大的(3)中值滤波算法。中值滤波算法的思想是首先确定一个以某个像素为中心点,这通常是一种广场附近,然后在附近每个像素的灰度值。新值的中间值作为中心的像素点的灰度。这里的邻居通常可以被称为一个窗口。当窗口移动,下,左,右,中值滤波算法在图像可用于降噪图像,使图像的平滑

识别信心分析引入预处理,如图1。

3.2。英语字母分割

英文字母识别主要是英语字母分割的基础上进行。英语字母分割提取后英语字母区域识别和去噪是定位和发现一个英语字母识别和划分每个英文字母识别。被认可的英文字母分割促进个人英文字母的识别。英语字母分割的正确性直接关系到英语字母识别的准确性。然而,由于英语字母书写的随机性,很难进行准确的英语字母分割。

主要的手写英文字母的情况下是很难段英文字母之间的粘连和重叠。所谓的附着力意味着两个英文字母的轮廓碰在一个或几个点。如果附着的位置可以发现,一条直线或直线段可以用来完全独立的两个英文字母。重叠意味着两个英文字母不触摸,属于不同的连接区域,但他们的垂直投影重叠。在这种情况下,两个英文字母不能完全由一条直线。重叠意味着两个相邻英文字母不仅在大纲还共享一个特定部分的像素区域。这种情况更加复杂,但它不是常见的。此外,如果英文字母的左右部分划分过大或中风在英语字母被打破,很容易被分成两个或两个以上的英文字母在分割,导致分割错误。

因为它很难用单一分割方法完美地处理重叠,附着力,和英文字母重叠而分段英文字母,人们现在通常使用多步分割。投影法是最常用的传统英语字母分割方法,具有速度快的优点,简单实现。识别的区域,如果有多个行和多个列英文字母,首先项目行(轴)和列(轴)方向的图像点阵区域,这样可以获得水平和垂直投影图像,分别。投影图像,点阵的英文字母呈现波直方图波峰,而英文字母之间的差距呈现波直方图波谷。在正常情况下,只有个别字符之间的粘连,所以厚度较小的投影方向垂直于字符串,所以可以设置某一阈值,局部最小值投影的位置和厚度小于阈值作为候选分割点。26个大写和小写的英文字母的分割效果如图2。

3.3。倾斜校正

通常是因为图像是倾斜的位置,当扫描图像收集或当人们手写信件通常有不同的倾斜角度,如果倾斜改正不执行相同的图像符号在不同倾斜角度将反映不同的模板。它必然会增加培训负担和降低识别率。为了减少这一因素的影响,采用斜校正对齐的上部和下部水平位置纠正字符。主要有两种类型的图像倾斜:水平倾斜和垂直倾斜。因为倾斜在垂直方向不是很明显,通常在实际系统中,进行几何校正倾斜的英文字母在水平方向。正确的图像,你需要确定图像的水平倾角,大致确定图像的四个顶点的坐标,并找到的四个边缘线英语字母组编号。

3.3.1。重力的中心的方法

这种方法发现每一列的重心的二进制图像,然后使用最小二乘法将所有的重心点连接成一条直线。这条直线的倾角是图像的倾斜角。该方法可以简述如下:(l)目标像素值设置为1和背景像素值;然后,一列的图像由许多连续交替连续1和0,其中连续1 s的目标像素段。考虑每个目标像素段作为一个质点,像素线段的长度作为质点的重量,和像素线段的中点的纵坐标的一维坐标质点;(2)计算每一列的重心;(3)连接每一列的重心在一条直线,和这直线的斜率反映了图像的倾斜。这种方法的缺点是,它更受到噪声的干扰,对一些英文字母,每一列的重心没有反映出英语字母的纵坐标的中心。很容易导致每一列的重心跳上跳下,,很难连接到一条直线。

3.3.2。霍夫变换

如今,一般的算法检测图像的倾斜角Hough变换,这是一个方法,使用图像特征连接边缘像素区域形成一个封闭的边界。该方法的实现是基于直线在图像区域的存在。由于图像的上下边界是一条平行线,它们通常转化为一个近似直线在二值化的过程。利用霍夫变换来寻找这直线,斜率信息的直线。斜率的大小这直线与水平线的夹角。

使用Hough变换的优势找到倾角是影响较小的噪音和曲线不连续。在计算倾角的同时,提取图像的四个边界的影响。这对下一步的英语字母分割,但是这种方法也有缺点。首先,它是不容易找到的起点霍夫变换,即图像边缘的拐点;其次,算法的复杂性是相对较大的,和检测直线的过程是相对耗时;最后,精度无法保证。由于二值化的影响,不能保证值二值化后的边缘部分都是相同的;因此,直线霍夫变换后的准确性也有问题。信件的特点如表所示1。

4所示。信自动识别模型的偏微分方程图像基于平均曲率运动

4.1。平均曲率运动模型

现有的隐式活动轮廓模型是所有从平均曲率运动获得和利用图像梯度停止进化的过程。在基于水平集曲线演化方法,曲线所代表的是隐式水平集函数 。水平集函数分成两部分相反的迹象 。曲线可以表示为

它是函数的零水平线δ( , , )在时间 。偏微分方程的曲线在法线方向的速度移动可以表示为

其中,初始水平集函数

的符号距离点( , )可以解释为最接近的距离初始曲线 ,标志是扭转内外初始曲线。

为了确保水平集函数 不太平坦或太陡峭的的运动曲线 ,我们必须定期重新启动功能 作为有符号距离函数。这是解决偏微分方程如下:

当方程达到一个稳定状态,ψ将有相同的零水平集行吗δ。这个过程是仅在水平集模型过程。

对于前面提到的速度,依赖于平均曲率运动方程转化为平均曲率运动方程:

上述公式给出了曲线长度收缩流来描述函数的水平运动 。

4.2。隐式活动轮廓模型的基于平均曲率运动的偏微分方程

平均曲率运动方程的基础上,我们提出一个新的隐式活动轮廓模型,它不依赖于图像的梯度进化。在这个模型中,水平集函数的零水平行分离目标背景的图像。

初始和诺伊曼边界条件

对于一个给定的图像 : ,该模型具有以下定义:

曲率的功能项是零水平集的正则化函数δ。它的功能是控制曲线的平滑的边缘复杂的目标区域,避免孤立的小范围(如噪声点)在最后的分割。因为真实图像的图像质量或多或少受到噪声的影响,曲率项必须包含在我们的模型,特别是对噪声图像。第二个函数是推动水平集函数δ迅速采取行动,相反方向的自适应目标和背景部分。我们将表明,当初始轮廓线 选择适当的水平集函数的零水平集行吗 很快就会达到一个稳定状态,可以单独的目标背景。

我们定义第二项右边上面的公式 ,我们让 表示图像的灰度值Ω R2,这是一个变量的函数的图像区域的迹象δ(x, y),我们定义

在

由于适应性 ,它被称为一个自适应的术语。

在大多数基于水平集方法的图像识别模型,是非常重要的初始化Chan-Vese作为符号距离函数。然而,在这一节中提出的模型可以使用一个灵活的初始化水平集函数。确保零水平集函数{ }的模型收敛于一个独特的稳定状态,只要初始水平集函数δ₀满足

换句话说,我们可以任意初始化函数,满足的条件,他们会得到相同的零水平集。

状态显示δ0既包含积极的和消极的价值观,这意味着平均灰度{δ> 0}和{δ< 0}地区可以同时计算。

在应用程序中,我们建议初始轮廓可以选择作为一个简单的闭合曲线或线段在图像区域,以便活动轮廓可以更好地处理内部区域的能力。例如,我们可以选择初始化轮廓作为有符号距离函数。下面,我们给三个不同的初始轮廓选择方法。(1)如果曲线是一个圆,初始曲线 可以定义曲线作为有符号距离函数: (2)初始曲线也可以把图像区域Ω分成两个不同部分Ω1,Ω2(例如,把图像面积分成左右两半)。并满足以下条件 和 ,然后 可以被定义为一个二元函数如下:

其中,常数ρ> 0。(3)上面的两个函数可以作为模型的初始功能,但我们希望定义最初的功能 从图像灰度

特别是,因为这个初始函数法总是满足

这个初始函数法不仅计算效率,而且也很容易实现。不同于前两个最初的方法,我们不需要考虑初始曲线的位置和大小,我们只需要知道图像的灰度值来定义最初的功能。显然,我们的模型不需要手动选择的初始函数以这种方式初始化。

在计算机视觉处理中,必须有效算法;也就是说,当达到理想的分割结果,我们必须停止计算速度很快;所以,设定的终止条件变得极其重要。对我们来说是自然的考虑何时以及如何停止模型的进化。对现有的活动轮廓模型,通常的方法是提前设计一个足够大的迭代次数,这个迭代次数足够把所有目标对象,但在这种方式,无法取得理想的迭代次数和时间,和水平线 将获得唯一的稳定状态。这让我们可以使用这个属性来设置算法的停止条件。停止条件的计算取决于长度的二进制零水平线的曲线 。

5。实验结果和比较

在正式实验的比较,本文在实验中需要解释一些常见的参数。首先,原始图片的大小 如上所述,但是考虑的计算量和有效的信息密度、大小改变了 像素。经过多次实验,在早期阶段,六组实验进行了比较 。最优结果 像素。其次,完整的神经网络结构是由叠加3层的基本结构,这是很多实验的结果使用这个数据在本文的早期阶段。训练阶段(时期)的数量也设置为20,这是本文从许多实验获得经验值。《盗梦空间》的偏微分方程神经网络结构如图3。

5.1。实验结果根据最初的初始结构

像素通道被放置在这个项目,因为项目所需的操作环境包括TensorFlow框架,这个框架需要有这样的格式的输入。摘要偏微分方程卷积神经网络与不同配置的hyperparameters已经尝试了很多次。

它可以清楚地看到从图4小写字母图像的准确性在英语自主学习不是很好,和训练精度和验证准确性相对较近。从概率论的角度,这个时候偏微分方程卷积神经网络模型和等概率只是猜测。本文分析这一结果的原因从神经网络的细节。小写字母的图像仿真网络英语自主学习,有三个初始结构堆叠顺序,每个基本结构和有四个分支,其中三个是偏微分方程卷积计算分支和一个池计算分支。的形状和大小不同的是偏微分方程卷积内核。在每一个基本结构, 偏微分方程卷积所取代 卷积和偏微分方程 偏微分方程卷积依次连接, 偏微分方程卷积所取代 。叠加简单、小型偏微分方程卷积内核简单地提高神经网络的深度和不能带来明显影响神经网络的抽象能力,但可能有副作用。因为偏微分方程卷积内核太小,神经网络提取特征的能力大大受损;所以,最后的实验精度和等概率随机猜测是一样的。因此,本文认为,偏微分方程卷积核的大小太小导致结果如图4。

为了解决这个问题,本文的方法是使用一个较大的偏微分方程卷积核,这也获得英文大写字母图像自学习的准确性。英文大写字母图像的准确性自学如图5。

从图可以看出5训练精度和验证精度高于0.76。这个结果比图的结果要好得多4和准确性也略有提高。与数据4和5,它有两个不同之处。首先,本文中的神经网络主要利用小批量训练策略;所以,有一个参数batch_size代表样本中包含的每个小批量的数量。在图中的参数batch_size训练过程4设置为64,而图吗5有32在每个小批量样品。第二,神经网络在图5合并不断堆积 偏微分方程卷积内核到一个 偏微分方程卷积内核。之后,本文增加了偏微分方程卷积核的大小,神经网络的识别精度都得到很大的提高。4后时代的训练,训练精度已经达到超过0.76,验证精度相对较高的起点。经过几个世纪,验证准确性稳步攀升,过度拟合的程度很低。

5.2。实验结果在《盗梦空间》偏微分方程的结构

本文改进了基于原始结构,改变形状的偏微分方程卷积内核包含其中,进一步降低偏微分方程的参数的数量卷积内核。的目的是确保偏微分方程的分类精度卷积神经网络,同时减少了偏微分方程卷积神经网络的训练时间。本文将不断栈改进的初始偏微分方程结构形成一个新的、完整的偏微分方程卷积神经网络。

在改进的偏微分方程卷积神经网络中,偏微分方程卷积核的大小三个偏微分方程中包含卷积分行的基本模块 ,分别。与三个模块在原始网络相比,减少了参数的数量。训练精度和验证改进的神经网络精度平均约为0.89。偏微分方程的准确性地图基于平均曲率运动神经网络图所示6。基于这一实验验证,结果表明,本文提出的改进方法是合理的和有实际的效果。

从图可以看出7的训练精度非常高,已经超过0.9。虽然精度是好的,但仍然是一个强大的过度拟合现象。此外,不难看到,验证精度的变化相对曲折,达成高价值从一开始,但也有明显的改善和减少接下来的几个阶段。本文推测主要原因是数据丰富太低,导致神经网络学习一些简单而有效的特性和一些噪声特性开始,最终出现过度拟合。因此,为了验证猜想和解决过度拟合的问题,本文提出的方法是进一步提高数据的强度提高。在本文实验中,偶尔改变了期间核查的数据量,减少了验证过程的阶段,同时减少样本包含在小批量的数量在每个验证来获得其准确性。如图8,验证准确性有时非常高,达到了0.99,但是准确性千差万别。这也从侧面告诉我们,当前的数据量小,神经网络提取功能的能力是充分的,但是因为数据不够丰富,不能提取,有效和更普遍的一些示例类别。

6。结论

随着科学技术的发展和科技的进步,社会越来越要求学生的知识水平和范围。还远不能满足社会发展的需要,为学生仅仅依靠他们在课堂上学习的知识。因此,它是紧迫和必要的培养学生独立学习的能力。英语自主学习系统的设计和实现基于偏微分方程的方法提供了一个平台和动力。提出了一种基于平均曲率运动偏微分方程识别模型。该模型不需要图像梯度条件停止进化,从而克服现有的边缘模型的一些不足之处。数值求解偏微分方程而言,现有的模型采用逆风差分格式,也可以有效地利用semi-implicit加性算子分离方法。使用multibranch初始偏微分方程结构,它可以执行multiangle,多层次特征提取,图像分析和获得更好的实验精度,这是在同一水平实验结果得到原来的初始结构。修改后的变体结构可以达到超过90%的训练精度和准确性验证。偏微分方程卷积核的形状变化的数量可以减少在偏微分方程卷积神经网络参数,减少训练时间,提高训练速度的偏微分方程卷积神经网络。 The advantage of partial differential equation image processing is that the unique analysis theory in its field provides the possibility to study better image processing algorithms and more meaningful theoretical results (such as the existence and uniqueness of solutions). However, the partial differential equation learning model proposed in this paper only provides the establishment of partial differential equations and does not give theoretical derivation and proof of the existence and uniqueness of the solution. There is also a lack of more detailed theoretical research on the convergence of the algorithm and the stability of the numerical solution of partial differential equations.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

执行这项研究的一部分,作者的就业在兰州理工学院。