27、希腊手写字符识别与新冠疫情期间假新闻的探索性分析

希腊手写字符识别与新冠疫情期间假新闻的探索性分析

希腊手写字符识别

在希腊手写字符识别的研究中，采用了Inception V3来训练卷积神经网络（CNN）。其网络结构涉及卷积层、池化层和卷积层，这三层相互连接，后面还跟着一个全连接层。

池化层在目标识别中起着重要作用。它能够使发现的特征对局部变化具有鲁棒性，但也会导致局部表面数据的丢失。不过，有一个池化层在局部变化能力和保留表面信息之间达到了很好的平衡。

为了评估模型的整体性能，将模型的结果和准确性与基准进行了对比。以下是训练和验证过程的准确性和损失情况：
- 准确性和损失图 ：训练和验证过程的准确性和损失分别如图22.7和图22.8所示。从图中可以看出，损失在100个epoch时收敛并趋近于零，训练和验证的准确性在100个epoch时趋近于90并收敛。
- 模型准确性 ：使用Inception - V3训练的CNN模型准确性达到了99%，并且该CNN算法在从单张图像中检测多个人脸方面也很高效。

下面是不同模型的准确性对比表格：
| 标题级别 | 示例 | 字体大小和样式（%） |
| ---- | ---- | ---- |
| 1 | 卷积神经网络（提议方法） | 99.0 |
| 2 | 逻辑回归 | 65.67 |
| 3 | 支持向量机 | 16.27 |
| 4 | 随机森林分类器 | 40.37 |
| 5 | KNN | 20.83 |
| 6 | 多层感知器 | 58.51 |
| 7 | Adaboostin