{rfName}
Ha

Indexat a

Llicència i ús

Citacions

13

Altmetrics

Grant support

Work partially supported by the Spanish MINECO and FEDER founds under project TIN2017-85854-C4-2-R.

Anàlisi d'autories institucional

Castro-Bleda, MjAutor (correspondència)Espana-Boquera, SAutor o coautor

Compartir

30 d’octubre de 2024
Publicacions
>
Article
No

Handwriting recognition by using deep learning to extract meaningful features

Publicat a:Ai Communications. 32 (2): 101-112 - 2019-01-01 32(2), DOI: 10.3233/AIC-170562

Autors: Pastor-Pellicer, Joan; Jose Castro-Bleda, Maria; Espana-Boquera, Salvador; Zamora-Martinez, Francisco

Afiliacions

Univ Politecn Valencia, Camino Vera S-N - Autor o coautor
Veridas SL, R&D Dept, Pol Ind Talluntxe 2 - Autor o coautor

Resum

Recent improvements in deep learning techniques show that deep models can extract more meaningful data directly from raw signals than conventional parametrization techniques, making it possible to avoid specific feature extraction in the area of pattern recognition, especially for Computer Vision or Speech tasks. In this work, we directly use raw text line images by feeding them to Convolutional Neural Networks and deep Multilayer Perceptrons for feature extraction in a Handwriting Recognition system. The proposed recognition system, based on Hidden Markov Models that are hybridized with Neural Networks, has been tested with the IAM Database, achieving a considerable improvement.

Paraules clau

Character recognitionConvolutionConvolutional neural networkConvolutional neural networksDeep learningExtractionFeature extractionFutureHandwriting recognitionHidden markov modelsLearning techniquesModelsMultilayer neural networksNetworkOnlineParametrizationsRaw signalsRecognition systemsSpeech recognitionText lines

Indicis de qualitat

Impacte bibliomètric. Anàlisi de la contribució i canal de difusió

El treball ha estat publicat a la revista Ai Communications, i encara que la revista està classificada al quartil Q4 (Agencia WoS (JCR)), el seu enfocament regional i la seva especialització en Computer Science, Artificial Intelligence, li atorguen un reconeixement prou significatiu en un nínxol concret del coneixement científic a nivell internacional.

Des d'una perspectiva relativa, i atenent a l'indicador de impacte normalitzat calculat a partir del Field Citation Ratio (FCR) de la font Dimensions, proporciona un valor de: 1.94, el que indica que, comparat amb treballs en la mateixa disciplina i en el mateix any de publicació, el situa com un treball citat per sobre de la mitjana. (font consultada: Dimensions Aug 2025)

Concretament, i atenent a les diferents agències d'indexació, aquest treball ha acumulat, fins a la data 2025-08-09, el següent nombre de cites:

  • WoS: 5
  • Scopus: 8

Impacte i visibilitat social

Des de la dimensió d'influència o adopció social, i prenent com a base les mètriques associades a les mencions i interaccions proporcionades per agències especialitzades en el càlcul de les denominades "Mètriques Alternatives o Socials", podem destacar a data 2025-08-09:

  • L'ús d'aquesta aportació en marcadors, bifurcacions de codi, afegits a llistes de favorits per a una lectura recurrent, així com visualitzacions generals, indica que algú està fent servir la publicació com a base del seu treball actual. Això pot ser un indicador destacat de futures cites més formals i acadèmiques. Aquesta afirmació està avalada pel resultat de l'indicador "Capture", que aporta un total de: 18 (PlumX).

És fonamental presentar evidències que recolzin l'alineació plena amb els principis i directrius institucionals sobre Ciència Oberta i la Conservació i Difusió del Patrimoni Intel·lectual. Un clar exemple d'això és:

Anàlisi del lideratge dels autors institucionals

Hi ha un lideratge significatiu, ja que alguns dels autors pertanyents a la institució apareixen com a primer o últim signant, es pot apreciar en el detall: Primer Autor (Pastor-Pellicer, J) .

l'autor responsable d'establir les tasques de correspondència ha estat Castro Bleda, María José.