Arabic writer identification for children using optimized adversarial-attention and dynamic hybrid classification

• Najem, Worood ^[1] ; Muhanad, Tahrir ^[2]
  1. [1] Institute of Informatics for Postgraduate Studies, Iraqi Commission for Computers & Informatics, Baghdad, Iraq
  2. [2] Mustansiriyah University, College of science , Department of Computer Science ,Baghdad, Iraq
• Localización: Revista científica de sistemas e informática, ISSN-e 2709-992X, Vol. 4, Nº. 2, 2024 (Ejemplar dedicado a: Revista Científica de Sistemas e Informática; e745)
• Idioma: inglés
• Títulos paralelos:
  • Identificación de escritores árabes para niños utilizando atención adversarial optimizada y clasificación híbrida dinámica
• Enlaces
  • Texto completo
• Resumen
  • español

    El reconocimiento de escritura árabe es un dominio esencial en la investigación de visión por computadora. Sin embargo, su complejidad, la naturaleza intrincada, las variadas técnicas de escritura y el vocabulario superpuesto de los textos han resultado en una escasez de estudios publicados en este ámbito. Este artículo propone un modelo que aborda la identificación de escritores árabes para niños, en el cual se utiliza un modelo de Autoencoder Variacional con Atención Adversarial para la extracción de características y el Algoritmo de Optimización de Pelícano Binario para la reducción de características. Además, el artículo sugiere un nuevo modelo de clasificación mediante un Clasificador Híbrido de Enrutamiento Dinámico (ResNet + DenseNet). Para analizar el rendimiento del modelo propuesto, se utilizaron los conjuntos de datos QUWI y Khat. Los resultados demuestran que, para ambos conjuntos de datos, se alcanza una alta precisión del 98,8%, el resultado más alto entre todos los trabajos relevantes que describimos en el artículo. Esto sugiere que el sistema logra una alta precisión y ofrece una forma novedosa de mejorar la identificación de escritores mediante el uso de algoritmos de optimización y técnicas avanzadas de aprendizaje automático.

  • English

    Arabic handwriting recognition is an essential domain in computer vision research. However, its complexity, the intricate nature, varied writing techniques, and overlapping vocabulary of texts have resulted in a scarcity of published studies in this field. This paper proposes a model that addresses Arabic writer identification for children, in which an Adversarial Attention Variational Autoencoder is used for feature extraction and the Binary Pelican Optimization Algorithm is utilized for feature reduction. Additionally, the paper suggests a new classification model through a Dynamically Routed Hybrid Classifier (ResNet + DenseNet). To analyze the performance of the proposed model, the QUWI and Khat datasets were used. The results demonstrate that, for both datasets, a high accuracy of 98.8% is achieved, the highest result among all relevant work described in the paper. This suggests that the system achieves high accuracy and offers a novel way to improve writer identification through the use of optimization algorithms and advanced machine learning techniques.