Детекція прямих для генерації TikZ коду

Автор(и)

  • Наталія Віталіївна Шаповал Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського» https://orcid.org/0000-0002-8509-6886
  • Денис Артемович Лобанов Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

DOI:

https://doi.org/10.18372/1990-5548.76.17671

Ключові слова:

детекція прямої, згорткові нейронні мережі, перетворення Гафа

Анотація

Статтю присвячено розпізнаванню прямих ліній на намальованих від руки геометричних малюнках за допомогою нейронних мереж. Мова LaTeX зазвичай використовується для оформлення статей, що займає більше часу, особливо при написанні формул або побудові геометричних малюнків, на відміну від виконання тієї ж роботи від руки. Автоматизація побудови малюнків дасть змогу прискорити процес написання статей. У статті розглядається детекція прямих ліній, як найпопулярніших елементів геометричних малюнків. Розглянуто перетворення Гафа для виявлення прямих ліній та його недоліки. Використання згорткових нейронних мереж для цього завдання пропонується так як вони є найкращим інструментом для роботи із зображеннями. Для навчання моделі було створено набір даних із рукописними лініями та лініями, побудованими в графічному редакторі. Наведено результати роботи нейронної мережі.

Біографії авторів

Наталія Віталіївна Шаповал , Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кандидат технічних наук

Денис Артемович Лобанов , Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Студент бакалаврату

Кафедра штучного інтелекту

Інститут прикладного системного аналізу

Посилання

WANG Zelun and LIU Jyh-Charn, “Translating math formula images to LaTeX sequences using deep neural networks with sequence-level training,” International Journal on Document Analysis and Recognition (IJDAR), 2021, 24.1–2: 63–75. https://doi.org/10.1007/s10032-020-00360-2

SPRINGSTEIN Matthias, MÜLLER-BUDACK Eric, and EWERTH Ralph, “Unsupervised training data generation of handwritten formulas using generative adversarial networks with self-attention,” In: Proceedings of the 2021 Workshop on Multi-Modal Pre-Training for Multimedia Understanding, 2021, pp. 46–54. https://doi.org/10.1145/3463945.3469059

BIAN Xiaohang, et al., “Handwritten mathematical expression recognition via attention aggregation based bi-directional mutual learning,” In: Proceedings of the AAAI Conference on Artificial Intelligence, 2022, pp. 113–121. https://doi.org/10.1609/aaai.v36i1.19885

SIDDIQUE Fathma, SAKIB Shadman, and SIDDIQUE Md Abu Bakr, “Recognition of handwritten digit using convolutional neural network in python with tensorflow and comparison of performance for various hidden layers,” In: 2019 5th international conference on advances in electrical engineering (ICAEE), IEEE, 2019, pp. 541–546. https://doi.org/10.1109/ICAEE48663.2019.8975496

ANG Zelun and LIU Jyh-Charn, “Translating math formula images to LaTeX sequences using deep neural networks with sequence-level training,”. International Journal on Document Analysis and Recognition (IJDAR), 2021, 24.1–2: 63–75. https://doi.org/10.1007/s10032-020-00360-2

HEROUT Adam, et al., “Review of Hough transform for line detection,” Real-Time Detection of Lines and Grids: By PClines and Other Approaches, 2013, 3–16. https://doi.org/10.1007/978-1-4471-4414-4_2

ADEM Kemal, “Impact of activation functions and number of layers on detection of exudates using circular Hough transform and convolutional neural networks,” Expert Systems with Applications, 2022, 203: 117583. https://doi.org/10.1016/j.eswa.2022.117583

ZHAO Kai, et al., “Deep hough transform for semantic line detection,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 44.9: 4793–4806.

##submission.downloads##

Опубліковано

2023-06-23

Номер

Том 2 № 76 (2023)

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Ліцензія

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).