This dissertation introduces a new system for handwritten text recognition based on an improved neural network design. Most of the existing neural networks treat mean square error function as the standard error function. The system as proposed in this dissertation utilizes the mean quartic error function, where the third and fourth derivatives are non-zero. Consequently, many improvements on the training methods were achieved. The training results are carefully assessed before and after the update. To evaluate the performance of a training system, there are three essential factors to be considered, and they are from high to low importance priority: 1) error rate on testing set, 2) processing time needed to recognize a segmented character and 3) the total training time and subsequently the total testing time. It is observed that bounded training methods accelerate the training process, while semi-third order training methods, next-minimal training methods, and preprocessing operations reduce the error rate on the testing set. Empirical observations suggest that two combinations of training methods are needed for different case character recognition. Since character segmentation is required for word and sentence recognition, this dissertation provides also an effective rule-based segmentation method, which is different from the conventional adaptive segmentation methods. Dictionary-based correction is utilized to correct mistakes resulting from the recognition and segmentation phases. The integration of the segmentation methods with the handwritten character recognition algorithm yielded an accuracy of 92% for lower case characters and 97% for upper case characters. In the testing phase, the database consists of 20,000 handwritten characters, with 10,000 for each case. The testing phase on the recognition 10,000 handwritten characters required 8.5 seconds in processing time.

Syftet med denna litteraturstudie är att undersöka för- och nackdelar mellan att skriva för hand och på dator. Metoden som har använts är en systematisk litteraturstudie där både svensk och utländsk forskning har tillämpats för att få en djupare förståelse. Då jag har läst olika artiklar och avhandlingar kring detta ämne har ett intresse för frågan växt fram. De artiklar som jag har tagit del av har lyft fram fördelarna med att skriva för hand. Detta gjorde att jag ville göra mer efterforskningar för att se om det finns forskning som stärker de olika inriktningarna när det gäller dessa artiklar. De avhandlingar och artiklar som jag har använt mig av i detta arbete lyfter fram både för- och nackdelar med användningen av dator samt att skriva för hand. Jag har begränsat min sökning till texter på svenska, engelska samt norska, texterna är skrivna mellan åren 2000-2017. Resultatet visar att eleverna utvecklar olika förmågor när de skriver för hand. Genom att skriva texter för hand påverkas även inlärningen positivt på sådant sätt att vi lär oss bättre, kommer ihåg bättre men även att vårt fokus blir bättre. Flera av våra minnen utvecklas när vi skriver för hand, som till exempel muskelminnet och arbetsminnet. I studien lyfts då för- och nackdelar som detta kan ha för elevers inlärning. Användningen av datorer ska inte uteslutas, dels för att det står skrivet i styrdokumenten men också för att samhällets utveckling går framåt och digitala hjälpmedel används mer än tidigare. Användning av dator är även ett bra hjälpmedel i klassrummet, inte bara för dem som kan ha inlärningssvårigheter, utan för alla. En dator eller annat digitalt hjälpmedel kan vara ett bra sätt till att inspirera och motivera eleverna i klassrummet. Det är dock viktigt att eleverna lär sig att förhålla sig till användningen av datorer så att inte fokus från inlärningen försvinner. Datorn ska inte heller ses som en kortsiktig lösning då en elev inte vill genomföra en uppgift eller stör andra elever, utan den ska ses som ett komplement till den ordinarie undervisningen. / <p>Svenska</p>

Handwriting recognition systems have achieved remarkable performance over the past several years with the advent of deep neural networks. For high-quality recognition, these models require large amounts of labeled training data, which can be difficult to obtain. Various methods to reduce this effort have been proposed in the realms of active and transfer learning, but not in combination. We propose a framework for fitting new handwriting recognition models that joins active and transfer learning into a unified framework. Empirical results show the superiority of our method compared to traditional active learning, transfer learning, or standard supervised training schemes.

This diploma thesis deals with handwriting recognition in real-time. It describes the ways how the intput data are processed. It is also focused on the classi cation methods, which are used for the recognition. It especially describes hidden Markov models. It also present the evaluation of the success of the recognition based on implemented experiments. The alternative keyboard for MeeGo system was created for this thesis as well. The established system achieved the success above 96%.

Paper forms are a commonly used format for collecting information, including information that ultimately will be added to a digital database. This work focuses on the automatic extraction of information from form images. It examines what can be achieved at parsing forms without any textual information. The resulting model, FUDGE, shows that computer vision alone is reasonably successful at the problem. Drawing from the strengths and weaknesses of FUDGE, this work also introduces a novel model, Dessurt, for end-to-end document understanding. Dessurt performs text recognition implicitly and is capable of outputting arbitrary text, making it a more flexible document processing model than prior methods. Dessurt is capable of parsing the entire contents of a form image into a structured format directly, achieving better performance than FUDGE at this task. Also included is a technique to generate synthetic handwriting, which provides synthetic training data for Dessurt.

Digitaliseringen är ett faktum samtidigt som elever uppvisar en viss skrivproblematik sett utifrån de nationella proven i årskurs 6. Delade meningar råder om hur stor plats digitalt skrivande bör få i undervisningen. Föreliggande studies syfte är därför att undersöka sex mellanstadielärares uppfattningar om elevers skrivande utifrån analogt respektive digitalt skrivande i ämnet svenska. För att besvara studiens syfte samlades material in genom semistrukturerade intervjuer med behöriga mellanstadielärare som undervisar eller har undervisat i ämnet svenska. Det insamlade materialet analyseras efter innehållsanalys och studiens teoretiska utgångspunkt grundar sig i The Simple View of Writing. Resultatet visar att såväl analogt som digitalt skrivande används i undervisningen. Lärarna kan se både likheter och skillnader i elevtexter som skrivs analogt och digitalt. Framförallt karaktäriseras den digitala texten av att vara mer utvecklad, beskrivande och längre. Rättstavningsprogram kan dock medföra en viss problematik då elever begränsas av felmarkeringar eller förhastar sig genom arbetet utan vidare reflektion. Utifrån det analyserade empiriska materialet konstateras att lärares didaktiska kompetens är avgörande och att varken det ena eller andra skrivsättet bör uteslutas i undervisningen. Lärare behöver reflektera kring vilket skrivsätt som fungerar bäst i sammanhanget för att främja elevers skrivutveckling.

Regarding the myriad disputed documents encountered within the science of forensic document examination, questioned handwriting is the most prevalent. This includes the simulation or alteration of and or additions to handwriting and signatures. The current study examined the changes that may occur in writing when given a limited amount of space. Several participants completed a survey wherein writing samples were taken under varying space allowances. These space restrictions were made under differing conditions such as boxed signatures, additions to prewritten material, and alterations to letters and numbers. The results of the study found characteristics of reflex of avoidance in the participants' handwriting. These characteristics included changes in height, width, and letter spacing in accordance to the amount of space provided. The examples of reflex of avoidance defined throughout this study may serve to assist forensic document examiners in the detection of alterations within questioned documents.

An enormous amount of the historical record is currently trapped in non-indexed handwritten format. Even after being scanned into images, only a minute fraction of the existing records can be manually transcribed / indexed with reasonable amounts of time and cost. Although progress continues to be made with automatic handwriting recognition (HR), it is not yet good enough to replace manual transcription or indexing. Much of the recent HR work has focused on incremental improvements to methods based on Hidden Markov Models (HMMs) and other similar probabilistic approaches. In this dissertation we present a fundamentally new approach to HR based on 2-D geometric warping of word images. The results of our experimentation indicate that our approach is significantly more accurate than an existing whole-word approach used for word-spotting, and may also be better than HMM-based HR approaches. Since it is a completely new method, we also believe there is potential for improvement and future work that builds on this approach. In addition, we demonstrate that the approach can be used effectively in the related application domain of signature verification and forgery detection.

We present Intelligent Indexing: a general, scalable, collaborative approach to indexing and transcription of non-machine-readable documents that exploits visual consensus and group labeling while harnessing human recognition and domain expertise. In our system, indexers work directly on the page, and with minimal context switching can navigate the page, enter labels, and interact with the recognition engine. Interaction with the recognition engine occurs through preview windows that allow the indexer to quickly verify and correct recommendations. This interaction is far superior to conventional, tedious, inefficient post-correction and editing. Intelligent Indexing is a trainable system that improves over time and can provide benefit even without prior knowledge. A user study was performed to compare Intelligent Indexing to a basic, manual indexing system. Volunteers report that using Intelligent Indexing is less mentally fatiguing and more enjoyable than the manual indexing system. Their results also show that it reduces significantly (30.2%) the time required to index census records, while maintaining comparable accuracy. A helpful video resource for learning more about this research is available on youtube through this link: https://www.youtube.com/watch?v=gqdVzEPnBEw

Syftet med denna empiriskt kvalitativa studie är att undersöka elevers förmåga att skriva enkla texter med läslig handstil, huruvida detta har förändrats över tid och om det är relevant att bedöma läslig handstil i de nationella proven i årskurs 3. Undersökningen fokuserar på att jämföra 40 elevtexter från Skolverkets nationella prov i ämnet svenska i årskurs 3 från 2011 och 2018. För att veta vad läslig handstil innefattar och hur det tolkas analyserades bedömningen av elevtexterna från 2011 utifrån Skolverkets bedömningsanvisningar. Sedan användes samma kriterier i bedömningen av elevtexterna från 2018, då dessa saknade bedömningsanvisningar från Skolverket. Läslig handstil förefaller vara ett odefinierat begrepp där det ges utrymme för tolkning, vilket ger en otydlig bedömningsgrund som kan medföra att en likvärdig bedömning inte säkerställs. Studien visar varför läslig handstil inte längre bedöms, eller bör bedömas, i nationella prov i svenska i årskurs 3.