선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 NMF 를 사용한 폰트 식별 방법을 제안한다. 제안한 방법은 이미지 공간에서 각각의 폰트 돌이 차지하고 있는 공간적 지역 성(spatial locality)이 다르다는 것을 폰트를 분류하는 특징으로 간주한 방법으로써, 객체의 부분기반 표현들 을 학습할 수 있는 NMF 알고리즘을 사용하여 폰트 이미지를 부분별로 분리하여 학습한다.
- [그림 6]에서 보여지는 것처럼 베이시스 이미지의 수가 중가 할수록 베이시스 영상들과 이미지 엔코딩들은 더욱 회소해지 고, 반대로 베이시스 영상의 수가 감소할수록 하나의 베이시스 이미지가 한 폰트의 지역적인 특징을 포괄하여야 하기 때문에 베이시스 이미지와 각 폰트 이미지에 상응하는 엔코딩들 의 회소성이 감소함을 볼 수 있다. 이처럼 랭크의 수에 따라 지역적인 특징을 학습한 베이시스의 모양이 달라지며, 본 논문에서는 부분적으로 랭크의 수에 따른 폰트 분류율에 대하여 조사하였다.
- 또한, 단어 단위의 실험을 사용한다면 보다 좋은 분류 결과를 얻을 수 있을 것이라 기대된다. 본 논문의 초점은 NMF 기술이 개별적 글꼴들을 표현하는 특징들을 학습할 수 있다는 것을 검증하는 것이다. 향후 과제로 NMF 공간에서의 랭크의 수와 거리 척도에 대한 연구를 수행하여 좀 더 일반화된 폰트 분류 방법올 만들기 위해 노력할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.