Effektive Erkennung handschriftlicher Ziffern mithilfe eines tiefen konvolutionellen neuronalen Netzwerks

In dieser Arbeit wird ein einfacher Ansatz basierend auf neuronalen Netzen zur Erkennung handschriftlicher Ziffern mittels Faltung vorgestellt. Mit maschinellen Lernalgorithmen wie KNN, SVM/SOM gilt die Erkennung von Ziffern als eine bislang unlösbare Aufgabe, bedingt durch die hohe Variabilität der Schreibstile. In dieser Studie werden Faltungsneuronale Netze (Convolutional Neural Networks, CNN) mit dem MNIST-Datensatz, der aus 70.000 Ziffern mit 250 unterschiedlichen Schreibformen besteht, implementiert. Das vorgeschlagene Verfahren erreicht eine Genauigkeit von 98,51 % bei der Vorhersage realweltbezogener handschriftlicher Ziffern, wobei der Trainingsverlust unter 0,1 % liegt, basierend auf 60.000 Trainingsdaten, während 10.000 Daten zur Validierung verwendet werden.