Vizuální Sudoku solver

Abstract

Problém, kterým se zabýváme, je učení vizuálního Sudoku solveru z příkladů. Na solver se díváme jako na typ klasifikátoru se strukturovaným výstupem, založeném na Markovově Síti (MS). Nedávno navržené rozšířeni algoritmu Maximum Margin Markov Network (M3N) je schopné učit lineární MS klasifikátor s libovolnou sousedskou strukturou s využitím kompletně i částečně anotovaných dat. V této práci navrhneme propojení MS klasifikátoru s neuronovými sítěmi. Ukážeme, jakým způsobem využít M3N algoritmus k souběžnému učení parametrů MS klasifikátoru a neuronové sítě, sloužící k extrakci příznaků klasifikátoru. Experimentálně ukážeme, že vizuální Sudoku solver, naučený navrženou metodou překoná všechny srovnávané metody a dosáhne 97% přesnosti.

We address the problem of learning a visual Sudoku solver from examples. We see the solver as an instance of Markov Network (MN) based structured output classifier. The recently proposed extension of the Maximum Margin Markov Network (M3N) algorithm can learn the linear Markov Network classifier with an arbitrary neighborhood structure using completely annotated and partially annotated training examples. In this thesis, we propose to integrate the MN classifier with neural networks. We show how to use the M3N algorithm to learn the parameters of the MN classifier simultaneously with a neural network to extract the features of the classifier. We show experimentally that the visual Sudoku solver learned by the proposed method outperforms all baselines, achieving a test accuracy of 97%.