U E D R , A S I H C RSS

논문번역/2012년스터디/김태진

논문 번역


Pattern

  • 앞ë€ë„ì�´ ì „ë€ ë‚ ì•„ê°”ì–´...
3. Corpora
완전한 �어 문장들로 학습/��� 위한 ��터를 제공했는�, ��� Lancaster-Oslo/Bergen corpus� 기초한다. 글쓴�� �관없는 형태와 마찬가지로 다수� 저�� �한 실험� the Institute of Informatics and Applied Mathe- matics (IAM)�서 수집한 �글씨 형태를 사용했다. 전체 ��터는 다양한 �스트 �역들� 가지고 있고,500명보다 많� 글쓴�들� 쓴 1200개보다 많� 글씨를 가지고 있다. 우리는 250명� 글쓴�가 쓴 글쓴�-�립�� 실험�서 만들어진 카테고리들� 형태를 사용하고, 6명� 글쓴�가 쓴 c03 형태로 여러 글쓴� 모드를 �용해본다.
개� 저��서� 우리� 시스템� �가해보기 위해서, 우리는 Senior15로 수�한 ��터로 만들어진 글씨들� 사용한 실험� 한다. � ��터는 한명� 글쓴�가 만든 25페�지� 달하는 �글씨를 사용하였고, 웹�서 공공연하게 �용가능하다.
� �가지 ��터들 모� 300dpi using 256 grey-levels로 스캔해서 사용했고, Fig �서 ��� ��터를 예시로 제시한다.

4. 전처리
주어진 ì†�글씨 문서ì—� 대한 ì�´ë¯¸ì§€ì—� 대해 처ì�Œ ì „ì²´ ì�´ë¯¸ì§€ë¥¼ ì‚�뚤게 ì“´ 것ì�€(?) 글쓰는 것ì—� 대한 ì§€ì†�ì �ì�¸ "drift"(í��름) - ì§€ì†�ì �으로 계ì†�ë�˜ëŠ” 것ì�´ê±°ë‚˜ 스캔하는 ë�™ì•ˆ ë€ì •확하게 놓여진 것(가지런하게 ë‘�ì§€ 않아서..)ì—� ì�˜í•œ 오류들ì�„ 수정하기 위해 고쳤다. 그래서, ê·¸ ì�´ë¯¸ì§€ëŠ” 2ì§„í™”ë�œ ì�´ë¯¸ì§€ë¥¼ 수ì§� 밀집 히스토그램ì—�서 최소한ì�˜ 엔트로피가 ë� ë•Œê¹Œì§€ 반복한다. ì�´ëŸ¬í•œ 전처리는 IAM ë�°ì�´í„°ë² ì�´ìФì—� 대한 ê³µì‹�ì�„ 사용하지 않았는ë�°, 글쓴ì�´ë“¤ì�´ 스캔하는 ë�™í•œ 정확하게 ??????because the writers were asked to use rulers on a second sheet put below the form and the formulars itself are aligned precisely during scanning.
� 많� 문서 작업� 위해, 개�� �글씨 � 줄들� 추출했다. �것� 글씨들� 핵심 위치들 사�로 �미지를 쪼개는 것으로 할 수 있었다. 핵심 위치란, 글씨� 아래위 선사�� �역과 같� 것��, 핵심 위치� 존재하는 줄�서 필요한 전체 픽셀들� 최소 갯수를 �하는 한계�� �용하여(?)찾� 수 있다. �러한 한계�� 2진화� �글씨 �역� 대한 수��� 밀집 히스토그램(the horizontal density histogram of the binarized handwriting-area)� 사용한 Otsu method를 사용하여 ���으로 만들 수 있다. 검�색 픽셀들� 갯수는 수�� 투� 히스토그램� ��� 줄� 합한 갯수�고, 그 �미지는 � 히스토그램� 최소화를 따� 핵심 위치들 사�로 조� 내었다.
다양한 글쓴ì�´ë“¤ì�˜ 글쓰는 스타ì�¼ì—� 대한 ë„í�¬ë•Œë¬¸ì—� ì†�글씨는 ì�¸ì‹�ì�„ 간단히 하기위해 ì�¼ë°˜í™” 해야한다. 특히, 수ì§�ì �ì�¸ 위치, 기울어ì§�, slantì—� 대해서 고치는 것ì�€ 전처리 작업ì—�서 중요한 것ì�´ë‹¤. ë�” ì�¼ë°˜í™” 하는 방법ì�€ gray-levelì�˜ ì§‘ì �ê³¼ ì†�글씨ì�˜ í�¬ê¸°ë¥¼ 고려하는 것ì�´ë‹¤.
글쓰는 스타ì�¼ì�´ 때로 한줄 ë‚´ì—�서 중요하게(?) ë°”ë€�다는 관측ì—� 고무ë�˜ì–´ì„œ, 우리는 ê°� ì†�글씨 줄들ì�„ ê°�ê°� 수ì§�ì �ì�¸ 위치, 기울어ì§�, slantì—�서 수정했다. 그래서 ê°�ê°�ì�˜ 줄ì�€ 문서ì�˜ ë€ë„ 사ì�´ì—� 공백으로 찾아 쪼개었다. 한계ì �ì�€ ì�¼ë°˜í™” 요소들ì�„ 통했ì�„때ì—� 계산하기ì—� 너무 ì§§ì�€ ë€ë„들ì�„ 피하기 위해 사용했다. 반면ì—� 수ì§�ì �ì�¸ 위치와 기울어진 것ì�€ 15ì—�서 묘사ë�œ 방법과 비슷한 선형ì � regresion?ì�„ 사용한 기준선 추정 방법으로 고쳤고, slant ê°�ë�„ì—� 대한 계산ì�€ 모서리ì�˜ ë°©í–¥ì—� 기초하여 고쳤다. 그렇게 ì�´ë¯¸ì§€ë¥¼ ì�´ì§„화했고 수ì§�ì �ì�¸ 변화를 추출하여 consid- ering that only vertical strokes are decisive for slant estima- tion. Canny 모서리 ê°�지는 ê°� 히스토그램ì—�서 계산ë�œ 모서리 ë°©í–¥ ë�°ì�´í„°ë¥¼ 얻기위해 사용했다. ê·¸ 히스토그램ì�˜ ì�˜ë¯¸ëŠ” slant ê°�ë�„를 사용하는 것ì�´ë‹¤.
�글씨 �기를 �반화하기 위해, 우리는 � �글씨 줄들� 극단 값� 수를 세었고 그 줄� 넓�� 관계로 숫�를 넣었다.그 피례 축� � 관계�서 선형���, � 관계가 � 커질수� 글쓰는 스타�� � 협소해진다.

Linear Algebra and its applications


1.7 Linear Independence 선형 �립성

Section 1.5ì—�서 ë�™ì�¼í•œ 등ì‹�ì�€ 등ì‹�ì�„ 벡터 ë°©ì •ì‹�으로 쓰는 것으로 다른 ê´€ì �으로 ê³µë€í•  수 있었다. ì�´ ë°©ì‹�으로, ì´ˆì �ì�„ Ax=0ì—� 대한 알 수 없는 해답ë€í„° 벡터 ë°©ì •ì‹�ì—�서 나타나는 벡터들까지 바꿔보ìž�.
예를들어, (1)� 등���고 하�.
� 방정�� 물론 x1=x2=x3=0��는 �명한 해를 가지고 있다. Section 1.5�서와 같�, 주요 논�� �명한 해가 오� 하나�지(아닌지)�다.
Definition
만약 벡터 방정� ...가 오� �명한 해를 가진다면 Rn� 있는 ��싱� 벡터들� 집합� 선형�으로 �립�(linearly independent)��고 �한다. 만약 (2)와 같� 0� 아닌 가중치가 존재한다면 그 집합� 선형 �립전�다고 한다.

등ì‹� (2)는 가중치가 모ë‘� 0ì�´ ì•„ë‹� 때 v1...vp사ì�´ì—�서 linear independence relation(선형 ë�…립 관계)ë�¼ê³  한다. ê·¸ ì�¸ë�±ì‹±ë�œ ì§‘í•©ì�´ 선형 ë�…립 ì§‘í•©ì�´ë©´ ê·¸ ì§‘í•©ì�€ 선형ë�…립임ì�´ í•„ìš”ì¶©ë„ ì¡°ê±´ì�´ë‹¤. 간단히 ë§�하기위해, 우리는 {v1,,,vp}ê°€ 선형ë�…립 ì§‘í•©ì�„ ì�˜ë¯¸í• ë•Œ v1...vpê°€ ë�…립ì�´ë�¼ê³  ë§�í• ì§€ë�„ 모른다. 우리는 선형 ë�…립 ì§‘í•©ì—�게 유사한 용어들ì�„ 사용한다.

Linear Independence of Matrix Columns 행렬 행� 대한 선형 �립성
우리가 벡터들� 집합 대신� A= 로 시작한다고 하�. 그 행렬 등� Ax=0는 ...으로 쓰여질 수 있다. A� 행들 사�� ��� 선형�립 관계는 Ax=0�서� �명하지 않� 해와 �치한다. 그래서 우리는 그 중요한 사실� 따른다.
---
행렬 Aì�˜ 행들ì�´ 선형ì �으로 ë�…립ì�´ë©´ ë°©ì •ì‹� Ax=0는 오ì§� ìž�명한 í•´ë§Œì�„ 갖는 것ì�´ 필요충ë„ì¡°ê±´ì�´ë‹¤. (3)
---

Set of One or Two Vectors
vë�¼ê³  불리는 오ì§� 한 벡터만ì�„ 가진 ì§‘í•©ì�€ vê°€ 0벡터가 아니면 선형 ë�…립임ì�´ 필요충ë„ì¡°ê±´ì�´ë‹¤. ì�´ëŠ” 벡터방정ì‹� x1v=0ê°€ v=0ì�´ ì•„ë‹� 때 오ì§� ìž�명한 í•´ë§Œì�„ 갖기 때문ì�´ë‹¤. 제로벡터는 x1*0=0는 수많ì�€ ìž�명하지 않ì�€ 해답들ì�„ 가지고 있기 때문ì—� 선형 ì�˜ì¡´ì �ì�´ë‹¤.
다� 예시는 � 벡터들� 선형 �존�� 집합�서� 현�� 설명할 것�다. 예제 3�서� 주장들� � 벡터� 집합� 선형 �존�� 때 우리가 항� 관찰로 결정함� 보여준다. Row operation� 불필요하다. 단순히 벡터들 중 하나�서 다른 scalar times(수치�� 횟수/곱셈?) �다.
---
{v1, v2} � 벡터들� 집합� 벡터들중 하나�� 다른 벡터� 곱�기만 하면 선형 �존��다. 그 집합� 그 벡터들 중 어떤 것� 다른 것� 곱아�때�만 선형 �존��다.
---
기하학ì �ì�¸ 용어로서, ë‘� 벡터들ì�€ ê·¸ ë‘� 벡터가 ì›�ì �ì�„ ë”°ë�¼ ê°™ì�€ ì„ ìƒ�ì—� 놓여있기만하면 선형 ì�˜ì¡´ì �ì�´ë‹¤. Figure 1ì�€ 예제 3번으로ë€í„° 벡터들ì�„ 보여준다.

Set of Two or More Vectors
�개거나 다중 벡터들� 집합
다� �론� �명� 예시 3번� 해답과 비슷하다. �세한 것� � 섹션� 마지막� 다룬다.

Theorem 7
Characterization of Linearly Dependent Sets
선형 �존�� 집합들� 특성
ë‘�개거나 다중 벡터들ì�˜ ì�¸ë�±ì‹± ë�œ ì§‘í•© S={v1...vp}ì�€ Sì—� 있는 벡터들 중 하나ë�¼ë�„ 다른 것ì�˜ 선형결합ì�´ë©´ 선형 ì�˜ì¡´ì �ì�´ë‹¤(필요충ë„). 사실, Sê°€ 선형 ì�˜ì¡´ì �ì�´ê³  v1=0ì�´ 아니면 ì–´ë–¤ vj(j>1)는 앞서 나온 벡터들ì�˜ 선형 ê²°í•©ì�´ë‹¤.

주ì�˜: ì�´ë¡  7ì�€ 선형 ë�…립ì �ì�¸ ì§‘í•©ì—�서 모든 벡터가 앞선 벡터들ì�˜ 선형결합ì�´ë�¼ê³  ë§�하지 않았다. 선형 ë�…립ì �ì�¸ ì§‘í•©ì—� 있는 벡터는 다른 벡터들ì�˜ 선형결합ì�´ ë�˜ëŠ”ë�° 실패할지ë�„ 모른다. 연습문제 3번ì�„ ë´�ë�¼. 예시4는 ì�˜ 선형 ì�˜ì¡´ì �ì�¸ u와v를 R3(3ì°¨ì›�)ì�˜ ì–´ë–¤ ì§‘í•©{u,v,w}로 ì�¼ë°˜í™”한다. ê·¸ ì§‘í•© {u,v,w}는 í�‰ë©´ì—�서 wê°€ u와 v로 span(í�‰ë©´í™”)ë�˜ë©´ 선형 ë�…립ì �ì�´ë‹¤(필요충ë„).
다� � �론들� 한 집합� 대한 선형 �존성� ���� 특별한 경우를 지칭한다. �욱�, �론8� 뒤 단�들�서� �작� 초래하는 핵심� 것�다.

1.8 Linear Transformations

행렬 방정� Ax=b와 associated(?) 벡터 방정� x1a1+...+xnan=b는 단지 표기� 문제�다. 그런�, 행렬 방정� Ax=b는 벡터들� 선형 결합으로 �접 연결�지 않� 방법�서 선형 대수학으로 �길 수 있다. �것� 우리가 행렬 A를 Ax�고 불리는 새로운 벡터를 만들기위해 곱셈한 벡터 x로 "�작하는" 것으로 ��할 때 �어난다.
예를들어, 방정� ...� b로 x를 변환하고 제로 벡터로 u를 변환한 A로 곱셈한 것�다. Fig1� ��.
ì�´ 새로운 ê´€ì �으로ë€í„°, ë°©ì •ì‹� Ax=b를 푸는 것ì�€ Aì�˜ 곱으로 "ë�™ìž‘하는" under R2ì—� 있는 벡터 b로 변환시킨 R4ì—� 있는 모든 벡터들 x를 찾는 것ì—� 해당한다.
x와 Ax간� 관련성� 한 벡터들� 집합�서 다른 집합으로 가는 기능�다. � 개�� 함수� 대한 �반�� 개�� 한 실수�서 다른 실수로 변환하는 규칙으로 �반화할 수 있다.
Rn�서 Rm으로 가는 변환 T는 � Rm� 있는 벡터 T(x)를 Rn�서 벡터로 바꾸는 규칙�다. 집합 Rn� T� 정�역�� 불리고, Rm� T� 공역�� 불린다. 표기법 T: Rn -> Rm� T� 정�역� Rn�고 공역� Rm임� �한다. Rn� 있는 � x� 대해, Rm� 있는 벡터 T(x)는 x� ���고 불린다. T(x)� 있는 모든 �미지들� 집합� T� 치역�� 불린다.
� 섹션� 있는 새로운 용어는 행렬-벡터간 곱� 역��� 관�� 선형대수학�서 몇몇 개�들� �해하고 시간� �르면서 발전하는(that evolve over time) 물리�� 시스템들� 대한 수학�� 모�� 만드는 것� 핵심�기 때문� 중요하다. �런 역��� 시스템들� Chapter5와 1.10, 4.8, 4.9 섹션�서 논�할 것�다.

Matrix Transformations 행렬 변환
ì�´ 섹션ì�˜ 나머지 ë€ë„ì�€ 행렬 곱으로 ì—°ê´€ë�œ 대ì�‘시키기(사ìƒ�)ì—� ì´ˆì �ì�„ 둔다. Rnì—�서 ê°�ê°�ì�˜ xì—� 대해, T(x)는 Aê°€ m*n행렬ì�¼ 때 Ax로 게샨ë�œë‹¤. 쉽게ë§�해서 우리는 ì�´ëŸ¬í•œ 행렬 변환ì�„ x->Ax로 나타내기ë�„ 한다. Tì�˜ ì •ì�˜ì—­ì�´ Aê°€ nê°œì�˜ ì—´ì�„ 가지고 있는 Rnì�´ê³ , Tì�˜ 공역ì�´ Aì�˜ ê°�ê°�ì�˜ ì—´ì�´ mê°œì�˜ í–‰ì�„ 가지고 있는 Rmì�¼ë•Œ ìž„ì�„ 관찰해ë�¼. Tì�˜ 범위는 행렬 Aì—� 열들ì—� 대한 모든 선형 ê²°í•©ë�œ 것들ì�˜ ì§‘í•©ì�¸ë�°, ê°� ìƒ� T(x)ê°€ Ax를 형성하기 때문ì�´ë‹¤.

Linear Transformations 선형 변환
섹션 1.4� 있는 �론 5는 A가 m*n�면 x->Ax로� 변형� 모든 스칼�양 c와 Rn� 있는 모든 u,v�서 A(u+v) = Au + Av 와 A(cu)=cAu 임� 보여준다. �러한 성질들� 선형대수학� 있는 변환�서 가장 중요한 성질임� 확�한다.
Definition
변환 (or 사�) T 는 1,2를 만족하면 선형��다.
(i) T� 정�역�서 모든 u,v� 대하여 T(u+v) = T(u) + T(v)
(ii) T� 공역�서 모든 스칼� c와 모든 u� 대하여 T(cu) = cT(u)
모든 행렬 변환� 선형 변환�다. 행렬 변환� 아닌 선형 변환� 대한 좋� 예제들� 4,5장�서 논�할 것�다.
Valid XHTML 1.0! Valid CSS! powered by MoniWiki
last modified 2021-02-07 05:28:54
Processing time 0.0140 sec