כתבה
arXiv cs.LG ·
בסיסל-גרדיאנט MLP להכרה של תווים כתובים
A Sobel-Gradient MLP Baseline for Handwritten Character Recognition
במאמר זה, נבדק כמה מידע על תווים כתובים נשמר על ידי דגם MLP פשוט, שבו כל תמונה עוברת תחילה על פעולת Sobel-Feldman, ואז נכנסת ל-MLP. הדגם הזה מבודד את הפיענוח של גבולות מהפיענוח הלמוד, ומספק בסיס ניטרלי לבדיקת הספיקיות של גרדיאנטים ראשוניים.
תקציר מקורי באנגליתarXiv:2508.11902v4 Announce Type: replace-cross Abstract: This study examines how much handwritten-character information is retained by a deliberately simple first-order edge representation. Instead of learning spatial filters, each input image is transformed by the fixed Sobel-Feldman operator into signed horizontal and vertical derivative maps, which are independently normalized, flattened, and classified by a multilayer perceptron (MLP). The resulting model therefore separates fixed edge extraction from learned classification and provides a controlled baseline for evaluating the sufficiency of first-order image gradients. In the executed experiments, the Sobel-gradient MLP achieves 98.54 percent test accuracy on MNIST and 92.50 percent on the TensorFlow Datasets (TFDS) EMNIST Letters co
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית