Resumen

Basándonos en algoritmos de aprendizaje profundo y procesamiento digital de imágenes, diseñamos e implementamos un sistema preciso de reconocimiento automático de texto en billetes bancarios y proponemos un método de reconocimiento mejorado basado en ResNet para los problemas de extracción de texto de imágenes difíciles y la insuficiente precisión de reconocimiento. En primer lugar, se utiliza una convolución hiperparametrizada profunda (DO-Conv) en lugar de la convolución tradicional en la red para mejorar la tasa de reconocimiento mientras se reducen los parámetros del modelo. Luego, se fusionan y aplican el modelo de atención espacial (SAM) y el bloque de excitación comprimida (SE-Block) a un ResNet modificado para extraer características detalladas de las imágenes de billetes en los dominios canal y espacial. Finalmente, se utiliza la función de pérdida de entropía cruzada suavizada por etiquetas (LSCE) para entrenar el modelo y calibrar automáticamente la red para evitar errores de clasificación. Los resultados experimentales demuestran que el modelo mejorado no se ve fácilmente

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Aprendizaje profundo; Algoritmos de procesamiento digital de imágenes; Sistema de reconocimiento automático; ResNet; Modelo de atención espacial; Entropía cruzada suavizada por etiquetas.
• Keywords:Deep learning; Digital image processing algorithms; Automatic recognition system; ResNet; Spatial attention model; Label-smoothed cross-entropy