Dua Khety
1.0.0
Мобильное приложение для перевода Hieroglyphics (2018)
?? Мобильное приложение, которое обнаруживает, классифицирует и транслитерирует иероглифы.
Большая часть образа жизни древних египтян была потеряна, поскольку никто не смог расшифровать значение большинства их символов, сэр Алан Гардинер классифицировал каждый иероглифик с кодом, который затем можно использовать для поиска его, чтобы узнать больше о его значении. Этот иероглифический словарь в итоге оказался в тысячах страниц, и все это стало утомительной задачей. Даже с появлением Интернета все еще оставалась проблемой, чтобы не знать код Gardiner иероглифического Gardiner для его поиска.
Чтобы помочь решить эту проблему, Dua-Khety был создан как мобильное приложение, доступное как на устройствах Android (реализовано в Java ), так и на iOS (реализовано в Swift & Objective C ), с целью обнаружения и классификации иероглифов из взятого изображения и предоставления пользователю их кодам Gardiner, а также информации о их трансляции и значении. Весь процесс происходит в автономном режиме, что означает, что сервис удобен, быстрая, прост в использовании, и может быть доступен в любом месте в любое время.
В приложении есть много функций, помимо обнаружения и классификации, оно также включает в себя словарь иероглификов, который позволяет пользователям вводить код Gardiner и получать информацию об иероглифе, его историю поиска для просмотра и повторного анализа предыдущих изображений, для просмотра и анализа изображений других пользователей и поисков с изображениями с изображением USERNAME или ID-кода, а также системой Photo Photo Photos Photos, который позволяет пользователям для отправки разработчиков с изображениями HIERLY-Ple. Описание, чтобы улучшить классификатор и, таким образом, улучшить производительность приложения в будущем. Эти функции полагаются на MySQL databases , хранящиеся на удаленном сервере, и маниаризованные с использованием сценариев PHP. Позже это было перенесено на службу Google's Firebase для решений для хранения и базы данных.
Каждая функция реализована в отдельном представлении, и процессы, которые невидимы для пользователя, такие как классификация, каждый также имеет свое представление. Мобильное приложение может общаться с двумя базами данных на удаленном сервере. Один содержит социальный контент, используемый по историческим и социальным кормам, а другой содержит информацию об иероглифе, сортируемых по кодам Гардинера, используемым в словаре иероглификов, и для предоставления дополнительной информации при классификации.
Для сегментации это достигается с использованием OpenCV путем преобразования растрового изображения, взятого пользователем в объект MAT, превращая его в черно -белый, а затем размывая изображение с радиусом 3. Затем вычисляется среднее. Впоследствии изображение пороговое значение с минимальным валом вычисленного среднего и максимальным составлением 255. Затем применяется хэндси с порогами среднего * 0,66 и среднего * 1,33 и размера апертуры 3, которые, как было установлено, является оптимальным. После этого компоненты извлекаются и используются для рисования ограничивающих ящиков вокруг отдельных иероглифов на исходном изображении. Затем они обрезаются и помещаются в множество меньших изображений. Обрезанные изображения (от исходного изображения) затем превращаются в черно -белый и так же придерживаются, прежде чем подавать в классификатор, чтобы максимизировать точность.
Классификатор использует концепцию сиамских сетей . Такая сеть отличается от обычной, принимая входные пары изображений и метку, представляющую, являются ли они из одного и того же класса или нет (отображаются как 0 или 1). Другими словами, половина того, что подается в сеть, являются парами изображений одного и того же класса с их меткой, как 1, а другая половина - два разных изображения из двух разных классов, с их меткой как 0. Изображения выбираются случайным образом. Недавно доказано, что эта концепция полезна в проблемах, используя большое количество классов с небольшим количеством изображений для каждого класса, что касается классификации фактического тестового изображения, обучающие изображения подаются через сеть, и извлечен вектор функций 640 значений. После этого среднее значение всех векторов изображений в классе вычисляется и хранится в файле запятых значений (CSV). То же самое сделано для всех классов (157). Дожаясь до прогнозирования номера класса для нового тестового изображения, он подается в ту же сеть, и также извлекается вектор функций 640 значений. После этого сравнивается расстояние L1 между его вектором признаков и ранее извлеченными из каждого класса, а на самые маленькие пять расстояний рассматриваются как пять лучших прогнозов. Приложение для iOS использует OpenML в то время как приложение Android использует Tensorflow .
Точность высшего прогноза составляет 66%, в то время как точность для пяти лучших прогнозов составляет 88%.
Скриншоты и видео можно найти здесь: https://malaksadek.wordpress.com/2019/10/15/teeet-the-egyptian-microbus-experience/
Приложение доступно на:
