@MASTERSTHESIS{ 2014:958667720,
 	title = {Reconhecimento de d?gitos manuscritos: busca de um classificador com m?xima taxa de acerto},
 	year = {2014},
 	url = "http://tede.ufam.edu.br/handle/handle/4428",
 	abstract = "Sistemas de reconhecimento ?tico de caracteres, tamb?m conhecidos como OCR, permitem identificar e reconhecer caracteres impressos por meio de imagens, uma funcionalidade j? bem difundida em scanners, dispositivos m?veis, entre outros. Existe uma crescente necessidade de reconhecimento de caracteres manuscritos para uso em v?rias situa??es, tais como reconhecimento de valores nominais em cheques de bancos, reconhecimento dos d?gitos manuscritos de endere?o postal para redirecionamento automatizado de cartas nos correios. Reconhecimento de d?gitos manuscritos esbarra na dificuldade de lidar com uma grande varia??o intraclasse, devido a diferentes estilos de escrita, diferentes graus de inclina??o dos
 caracteres. Este trabalho apresenta tr?s estrat?gias utilizando tr?s diferentes m?todos de reconhecimento de padr?es e dois m?todos de extra??o de caracter?sticas. A primeira estrat?gia utilizou Descritores de Fourier e a t?cnica de transi??o de borda para extrair valores representativos do contorno dos caracteres e como camada de classifica??o utilizou uma rede neural MLP em associa??o com um conjunto de classificadores SVM para validar e corrigir eventuais erros da rede MLP. A segunda estrat?gia figurou como base comparativa para as demais estrat?gias por utilizar um algoritmo cl?ssico de redes neurais convolutivas, LeNet5, e como caracter?sticas utilizou as pr?prias imagens dos d?gitos. A terceira estrat?gia fez uso de um conjunto de classificadores SVM em uma ?rvore de decis?o desbalanceada para a
 classifica??o dos d?gitos a partir unicamente de suas imagens. Como resultados dos experimentos, a primeira estrat?gia provou n?o ser totalmente efetiva por obter resultados em torno de 80% de taxa de acerto. A segunda estrat?gia obteve 0,9% de taxa de erro que apesar de ter sido alta, ainda ? muito menor se comparada com os melhores resultados obtidos na literatura. A terceira estrat?gia por sua vez logrou sucesso em reconhecer 100% das amostras de teste da base MNist de d?gitos manuscritos, devido ao sucesso do treinamento de cada um dos classificadores SVM, que apesar de utilizarem uma enorme quantidade de vetores de suporte, atingiram individualmente 0% de taxa de erro.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Engenharia El?trica},
 	note = {Faculdade de Tecnologia}
}