Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Prospects for Truth Valuation in Fuzzy Extended Logic Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

A Hierarchical Approach for Handwritten Digit Recognition Using Sparse Autoencoder

verfasst von : An T. Duong, Hai T. Phan, Nam Do-Hoang Le, Son T. Tran

Erschienen in: Issues and Challenges of Intelligent Systems and Computational Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Higher level features learning algorithms have been applied on handwritten digit recognition and got more promising results than just using raw intensity values with classification algorithms. However, the approaches of these algorithms still not take the advantage of specific characteristics of data. We propose a new method to learn higher level features from specific characteristics of data using sparse autoencoder. The main key of our appoarch is to divide the handwritten digits into subsets corresponding to specific characteristics. The experimental results show that the proposed method achieves lower error rates and time complexity than the original approach of sparse autoencoder. The results also show that the more correlated characteristics we define, the better higher level features we learn.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Exemplary Applications of the Complete Gradient Clustering Algorithm in Bioinformatics, Management and Engineering
Nächstes Kapitel Fuzzy Single-Stroke Character Recognizer with Various Rectangle Fuzzy Grids
Literatur
1.
Bagnell, J.A., Bradley, D.M.: Differentiable sparse coding. In: NIPS. pp. 113–120 (2008)
2.
Dalal, N., Triggs, B.: Histograms of oriented gradients for human detection. In: CVPR. vol. 1, pp. 886–893 (2005)
3.
DeCoste, D., Schölkopf, B.: Training invariant support vector machines. Mach. Learn. 46(1–3), 161–190 (2002)
4.
Grosse, R., Raina, R., Kwong, H., Andrew, Y.Ng.: Shift-invariance sparse coding for audio classification. CoRR, abs/1206.5241, 2012.
5.
6.
Hinton, G.E., Osindero, S., Teh, Y.W.: A fast learning algorithm for deep belief nets. Neural Comput. 18(7), 1527–1554 (2006)CrossRefMATHMathSciNet
7.
Lennig M., Hunt, M., Mermelstein, P.: Experiments in syllable-based recognition of continuous speech. In: Proceedings of International Conference on Acoustics, Speech and, Signal Processing, pp. 880–883 (1996)
8.
Huth, A.G., Gallant, J.L., Vu, A.T., Nishimoto, S.: A continuous semantic space describes the representation of thousands of object and action categories across the human brain. Neuron 76(6), 1210–1224 (2012)CrossRef
9.
LeCun, Y., Bottou, L., Bengio, Y., Haffner, H.: Gradient-based learning applied to document recognition. In: Proceedings of the IEEE. vol. 86, pp. 2278–2324 (1998)
10.
Lee, H., Battle, A., Raina, R., Andrew, Y.Ng.: Efficient sparse coding algorithms. In: Advances in Neural Information Processing Systems. vol. 19, pp. 801–808 (2007)
11.
Lee, H., Grosse, R., Ranganath, R., Andrew, Y.Ng.: Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations. In: ICML. p. 77 (2009)
12.
Lowe, D.G.: Distinctive image features from scale-invariant keypoints. Int. J. Comput. Vision 60(2), 91–110 (2004)
13.
Martens, J.: Deep learning via hessian-free optimization. In: Fürnkranz, J., Joachims, T.,(eds.) Proceedings of the 27th International Conference on Machine Learning (ICML-10), Haifa, Israel, pp. 735–742 June 2010
14.
Olshausen, B.A., Field, D.J.: Emergence of simple-cell receptive field properties by learning a sparse code for natural images. Nature 381, 607–609 (1996)CrossRef
15.
Raina, R., Battle, A., Lee, H., Packer, B., Andrew Y.Ng.: Self-taught learning: Transfer learning from unlabeled data. In: ICML ’07: Proceedings of the 24th International Conference on, Machine learning (2007)
16.
Simard, P., Steinkraus, D., Platt, J.C.: Best practices for convolutional neural networks applied to visual document analysis. In: ICDAR, pp. 958–962 (2003)
17.
Socher, R., Eric, H., Pennin, J., Andrew, Y.Ng, Manning, C.D.: Dynamic pooling and unfolding recursive autoencoders for paraphrase detection. In: Shawe-Taylor, J., Zemel, R.S., Bartlett, P., Pereira, F.C.N., Weinberger, K.Q., (eds.) Proceeding of 24th Advances in Neural Information Processing Systems, pp. 801–809 (2011)
18.
Kai. Y., Zhang, T., Gong, Y.: Nonlinear learning using local coordinate coding. In: Bengio, Y., Schuurmans, D., Lafferty, J.D., Williams, C.K.I., Culotta, A. (eds.) Proceeding of 24th Advances in Neural Information Processing Systems, NIPS, pp. 2223–2231 (2009) (Curran Associates Inc.)
Metadaten
Titel
A Hierarchical Approach for Handwritten Digit Recognition Using Sparse Autoencoder
verfasst von
An T. Duong
Hai T. Phan
Nam Do-Hoang Le
Son T. Tran
Copyright-Jahr
2014
Buch
Issues and Challenges of Intelligent Systems and Computational Intelligence

Print ISBN: 978-3-319-03205-4

Electronic ISBN: 978-3-319-03206-1

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-319-03206-1_10