[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_nh%E1%BA%ADn%20d%E1%BA%A1ng%20ch%E1%BB%AF%20vi%E1%BA%BFt%20tay{\"limit\":5}":3,"_public_topic_byId_nh%E1%BA%ADn%20d%E1%BA%A1ng%20ch%E1%BB%AF%20vi%E1%BA%BFt%20tay":141},{"code":4,"data":5,"meta":18},"SUCCESS",{"latest":6,"mostCited":57,"vietnamFeatured":114,"vietnamLatest":140},[7,22,33,45],{"publicationId":8,"title":9,"originalTitle":10,"authorNames":11,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":18,"totalCitation":18,"url":19,"doi":20,"summary":21},"f794a2e0-2a41-4de4-9c59-5f2f1d342ae4","Phân tích độ ổn định trong chữ ký động viết tay","Analysis of stability in hand-written dynamic signatures",[12,13,14],"G. Dimauro","S. Impedovo","R. Modugno",5,"Proceedings Eighth International Workshop on Frontiers in Handwriting Recognition",false,null,"https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030919\u002F","10.1109\u002FIWFHR.2002.1030919","\u003Cp>Phân tích tính ổn định không gian - thời gian cục bộ của quỹ đạo nét ký trong hệ thống xác thực sinh trắc học và \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb> động. Giải thuật \u003Cb>so khớp mẫu động lực học chữ ký\u003C\u002Fb> giúp phân biệt chính xác chữ ký thật của chủ thể với các mẫu chữ ký giả mạo có chủ đích.\u003C\u002Fp>",{"publicationId":23,"title":24,"originalTitle":25,"authorNames":26,"authorCount":29,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":18,"totalCitation":18,"url":30,"doi":31,"summary":32},"7a579eab-fd09-459e-81ee-812e6bd18369","Tối ưu hóa độ dài mô hình Hidden Markov cho các hệ thống nhận dạng chữ viết tay","Hidden Markov model length optimization for handwriting recognition systems",[27,28],"M. Zimmermann","H. Bunke",2,"https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030938\u002F","10.1109\u002FIWFHR.2002.1030938","\u003Cp>Khảo sát ba chiến lược tối ưu hóa số lượng trạng thái ẩn trong mô hình Markov ẩn (\u003Ci>HMM\u003C\u002Fi>) áp dụng cho hệ thống \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb> từ ngữ liên tục. Đánh giá \u003Cb>hiệu năng mô hình học máy chuỗi thời gian\u003C\u002Fb> chỉ ra cấu hình trạng thái thích ứng giúp cân bằng hoàn hảo giữa độ chính xác và chi phí tính toán.\u003C\u002Fp>",{"publicationId":34,"title":35,"originalTitle":36,"authorNames":37,"authorCount":41,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":18,"totalCitation":18,"url":42,"doi":43,"summary":44},"d4ca7042-9ec4-448e-91d7-1a6dd757fd9a","Phân đoạn và nhận dạng ngày tháng viết tay","Segmentation and recognition of handwritten dates",[38,39,40],"M. Morita","R. Sabourin","F. Bortolozzi",4,"https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030894\u002F","10.1109\u002FIWFHR.2002.1030894","\u003Cp>Thiết kế hệ thống lai kết hợp mạng nơ-ron truyền thẳng đa tầng \u003Ci>MLP\u003C\u002Fi> và mô hình \u003Ci>HMM\u003C\u002Fi> nhằm phân đoạn và tự động \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb> trường ngày tháng trên séc ngân hàng. Giải pháp \u003Cb>nhận dạng tài liệu tài chính tự động hóa\u003C\u002Fb> đạt độ chính xác cao trong nhận diện các định dạng ngày viết tắt phức tạp.\u003C\u002Fp>",{"publicationId":46,"title":47,"originalTitle":48,"authorNames":49,"authorCount":53,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":18,"totalCitation":18,"url":54,"doi":55,"summary":56},"06d390e3-715f-45d3-a02d-4a78653d6e7d","Một phương pháp kết hợp hai bộ phân loại dựa trên thông tin của ma trận nhầm lẫn","A combination method of two classifiers based on the information of confusion matrix",[50,51,52],"S.H. Jeong","K.T. Lim","Y.S. Nam",3,"https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030963\u002F","10.1109\u002FIWFHR.2002.1030963","\u003Cp>Đề xuất phương pháp kết hợp hai bộ phân loại thống kê dựa trên ma trận nhầm lẫn nhằm nâng cao độ chính xác hệ thống \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb> địa chỉ tiếng Hàn. Thử nghiệm trên tập dữ liệu chuẩn cho thấy kiến trúc kết hợp đa mô hình giúp giảm thiểu tỷ lệ phân loại sai giữa các ký tự có cấu trúc nét tương đồng.\u003C\u002Fp>",[58,71,81,91,103],{"publicationId":59,"title":60,"originalTitle":61,"authorNames":62,"authorCount":53,"journalName":18,"vietnamJournal":17,"publishDate":66,"publishYear":67,"totalCitation":18,"url":68,"doi":69,"summary":70},"a91e16f8-885a-4998-a866-c3255de843af","Phương pháp phục hồi hình ảnh ký tự cho nhận dạng chữ Hán viết tay không bị ràng buộc","A character image restoration method for unconstrained handwritten Chinese character recognition",[63,64,65],"Shao, Yunxue","Wang, Chunheng","Xiao, Baihua","2015-03-01",2015,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10032-014-0232-9","10.1007\u002Fs10032-014-0232-9","\u003Cp>Đề xuất phương pháp tiền xử lý phục hồi hình thái ảnh dựa trên đặc trưng \u003Ci>gradient\u003C\u002Fi> nhằm nâng cao độ chính xác bài toán \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb> chữ Hán tự do. Kỹ thuật ước lượng và tái tạo nét chữ giúp khắc phục hiện tượng nét dính liền hoặc đứt đoạn do tốc độ viết nhanh của người dùng.\u003C\u002Fp>",{"publicationId":72,"title":73,"originalTitle":74,"authorNames":75,"authorCount":29,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":18,"totalCitation":18,"url":78,"doi":79,"summary":80},"78319a71-cfb3-4e60-9749-0d2a5e2644f5","Nghiên cứu về việc sử dụng CDHMM cho nhận dạng chữ Hán viết tay với từ vựng lớn","A study on the use of CDHMM for large vocabulary off-line recognition of handwritten Chinese characters",[76,77],"Yong Ge","Qinah Huo","https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030932\u002F","10.1109\u002FIWFHR.2002.1030932","\u003Cp>Ứng dụng mô hình Markov ẩn liên tục kết hợp hỗn hợp Gaussian (\u003Ci>CDHMM\u003C\u002Fi>) trong bài toán \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb> chữ Hán với tập từ vựng mở rộng quy mô lớn. Kết quả \u003Cb>trích xuất đặc trưng hình thái chữ viết\u003C\u002Fb> cho thấy giải thuật tối ưu hóa tham số giúp xử lý hiệu quả sự biến thiên nét chữ tự do giữa các cá nhân.\u003C\u002Fp>",{"publicationId":82,"title":83,"originalTitle":84,"authorNames":85,"authorCount":29,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":18,"totalCitation":18,"url":88,"doi":89,"summary":90},"3a6bcc85-df55-4b66-bbd0-7d5e384eb3e0","Tách biệt các từ chạm và chồng lấn trong các dòng văn bản viết tay liền kề","Separation of touching and overlapping words in adjacent lines of handwritten text",[86,87],"K. Takru","G. Leedham","https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030959\u002F","10.1109\u002FIWFHR.2002.1030959","\u003Cp>Phát triển kỹ thuật phân đoạn hình ảnh mới để tách biệt các từ và ký tự bị dính chạm chồng lấn giữa các dòng văn bản liền kề trong \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb>. Giải thuật \u003Cb>xử lý ảnh nhị phân hình thái học\u003C\u002Fb> phân tách chính xác các nét kéo dài vượt ranh giới dòng mà không làm đứt gãy cấu trúc nét ký tự.\u003C\u002Fp>",{"publicationId":92,"title":93,"originalTitle":94,"authorNames":95,"authorCount":53,"journalName":99,"vietnamJournal":17,"publishDate":18,"publishYear":18,"totalCitation":18,"url":100,"doi":101,"summary":102},"f030ab3d-2104-4726-a328-bb66d1ae6f3d","Các phương pháp nhân và máy vector hỗ trợ cho nhận diện chữ viết tay","Kernel methods and support vector machines for handwriting recognition",[96,97,98],"A.R. Ahmad","M. Khalid","R. Yusof","Student Conference on Research and Development","https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1033120\u002F","10.1109\u002FSCORED.2002.1033120","\u003Cp>Tổng quan và đánh giá hiệu năng của các phương pháp hàm nhân kết hợp máy vector hỗ trợ (\u003Ci>SVM\u003C\u002Fi>) trong bài toán \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb> chữ số và ký tự Latinh. Phân tích \u003Cb>lý thuyết học máy thống kê biên độ lớn\u003C\u002Fb> cho thấy khả năng tổng quát hóa vượt trội của nhân RBF trên tập dữ liệu chuẩn MNIST.\u003C\u002Fp>",{"publicationId":104,"title":105,"originalTitle":106,"authorNames":107,"authorCount":41,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":18,"totalCitation":18,"url":111,"doi":112,"summary":113},"0e905f13-b2b0-4225-b58e-bf0290ae012b","Các phương pháp từ chối trong nhận dạng câu viết tay","Rejection measures for handwriting sentence recognition",[108,109,110],"S. Marukatat","T. Artieres","P. Gallinari","https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030879\u002F","10.1109\u002FIWFHR.2002.1030879","\u003Cp>Nghiên cứu cơ chế từ chối mẫu nghi ngờ dựa trên các thước đo độ tin cậy thống kê cho hệ thống \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb> trực tuyến mức câu hoàn chỉnh. Phương pháp \u003Cb>phân tích điểm tin cậy xác suất\u003C\u002Fb> giúp phát hiện và lọc bỏ các chuỗi nét viết nguệch ngoạc không thuộc từ điển, nâng cao độ tin cậy hệ thống.\u003C\u002Fp>",[115,128],{"publicationId":116,"title":117,"originalTitle":18,"authorNames":118,"authorCount":120,"journalName":121,"vietnamJournal":122,"publishDate":123,"publishYear":124,"totalCitation":125,"url":126,"doi":18,"summary":127},"d67cd4d7-024c-46a6-a53d-39086b9f89d4","Thiết kế kiến trúc mạng nơ-ron nhân tạo ứng dụng nhận dạng chữ số viết tay trên FPGA",[119],"Huynh Viet Thang",1,"Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng",true,"2016-11-30",2016,7,"https:\u002F\u002Fjst-ud.vn\u002Fjst-ud\u002Farticle\u002Fview\u002F1854","\u003Cp>Thiết kế và hiện thực hóa kiến trúc phần cứng vi mạch lõi IP mạng nơ-ron nhân tạo đa tầng ứng dụng \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb> chữ số trên chip vi mạch \u003Ci>FPGA\u003C\u002Fi>. Giải pháp \u003Cb>thiết kế hệ thống nhúng tính toán song song\u003C\u002Fb> tối ưu hóa tài nguyên phần cứng và đạt tốc độ xử lý thời gian thực với công suất tiêu thụ thấp.\u003C\u002Fp>",{"publicationId":129,"title":130,"originalTitle":18,"authorNames":131,"authorCount":53,"journalName":135,"vietnamJournal":122,"publishDate":136,"publishYear":137,"totalCitation":18,"url":138,"doi":18,"summary":139},"419a379f-49cd-4556-8b29-4610bf2d16a0","NHẬN DẠNG CHỮ SỐ VIẾT TAY  DỰA TRÊN MẠNG NƠ-RON TÍCH CHẬP SÂU",[132,133,134],"Nguyễn Thị Thanh Hà","Hoàng Thị Lam","Nguyễn Văn Tú","TẠP CHÍ KHOA HỌC - ĐẠI HỌC TÂY BẮC","2019-11-28",2019,"http:\u002F\u002Ftapchi.utb.edu.vn\u002Findex.php\u002Fjournalofscience\u002Farticle\u002Fview\u002F137","\u003Cp>Xây dựng và huấn luyện mô hình mạng nơ-ron tích chập sâu (\u003Ci>CNN\u003C\u002Fi>) phục vụ bài toán phân loại và \u003Cb class=\"publication-topic-keywords\">nhận dạng chữ viết tay\u003C\u002Fb> chữ số tiếng Việt tự do. Kết quả \u003Cb>học sâu thị giác máy tính\u003C\u002Fb> đạt tỷ lệ nhận dạng chính xác vượt trội trên tập dữ liệu thử nghiệm, thích ứng linh hoạt với độ nghiêng và độ dày nét viết.\u003C\u002Fp>",[],{"code":4,"data":142,"meta":18},{"id":143,"title":144,"description":145,"content":146,"term":143,"englishTitle":18,"synonyms":18,"definition":18,"discipline":18,"references":18,"faqs":18,"createUser":147,"publishUser":151,"keywords":154,"keywordCount":18,"enrichTopicLink":17,"status":155,"createTime":156,"updateTime":157,"publishTime":158,"linkEnrichedTime":18,"publicationScanTime":159,"contentErrorMessage":18,"viewCount":160,"wikidataId":18,"relateTopics":161},"nhận dạng chữ viết tay","Nhận dạng chữ viết tay là gì? Nghiên cứu khoa học liên quan","Nhận dạng chữ viết tay là quá trình sử dụng máy tính để tự động chuyển đổi chữ viết tay thành dữ liệu văn bản số có thể xử lý và lưu trữ được. Hệ thống này kết hợp xử lý ảnh, học máy và mô hình ngôn ngữ để giải mã các ký tự viết tay với độ chính xác cao, bất kể biến thể về nét viết.","\u003Cdiv>\u003Ch2>Định nghĩa nhận dạng chữ viết tay\u003C\u002Fh2>\n\u003Cp>\nNhận dạng chữ viết tay (Handwriting Recognition - HWR) là một lĩnh vực trong thị giác máy tính và xử lý ngôn ngữ tự nhiên nhằm chuyển đổi văn bản được viết tay thành chuỗi ký tự số có thể xử lý bằng máy tính. Dữ liệu đầu vào của hệ thống có thể là ảnh chụp văn bản viết tay hoặc tín hiệu số được thu từ thiết bị đầu vào như bút cảm ứng, bảng vẽ điện tử. Mục tiêu của HWR là tự động diễn giải các ký tự không tiêu chuẩn, biến thiên mạnh về kiểu viết, kích thước, và độ cong nét chữ, thành dạng văn bản có cấu trúc rõ ràng.\n\u003C\u002Fp>\n\u003Cp>\nKhác với nhận dạng ký tự quang học (OCR) truyền thống, vốn xử lý văn bản đánh máy in rõ ràng và đều đặn, HWR phải đối mặt với tính cá nhân hóa cao trong nét viết của từng người. Do đó, nó đòi hỏi hệ thống phải vừa có khả năng trích xuất đặc trưng hình ảnh mạnh, vừa có năng lực ngữ nghĩa để phân biệt ký tự theo ngữ cảnh. Hiện nay, HWR đã trở thành một trong những ứng dụng thiết thực trong lĩnh vực tự động hóa tài liệu, nhập liệu y tế, giáo dục, và giao diện người dùng.\n\u003C\u002Fp>\n\u003Cp>\nMột hệ thống HWR hiện đại thường tích hợp nhiều thành phần: xử lý ảnh, học máy, mạng nơ-ron, và thậm chí cả mô hình ngôn ngữ. Những tiến bộ trong học sâu đã giúp cải thiện đáng kể độ chính xác của HWR, từ dưới 80% trong các hệ thống truyền thống lên đến hơn 95% với các kiến trúc học sâu hiện đại, đặc biệt là trong môi trường nhiều nhiễu và chữ viết phức tạp.\n\u003C\u002Fp>\n\n\u003Ch2>Phân loại hệ thống HWR\u003C\u002Fh2>\n\u003Cp>\nHệ thống nhận dạng chữ viết tay được phân loại thành hai nhóm chính: online và offline. Sự khác biệt nằm ở cách thu thập dữ liệu đầu vào. Trong HWR online, dữ liệu được thu trực tiếp từ thiết bị số như máy tính bảng hoặc bút điện tử. Mỗi điểm dữ liệu là một tập hợp tọa độ (x, y) đi kèm dấu thời gian và tốc độ, cho phép tái dựng lại chuyển động của nét viết. Điều này mang lại lợi thế trong việc phân tách ký tự, phát hiện hướng viết và loại bỏ nhiễu không mong muốn.\n\u003C\u002Fp>\n\u003Cp>\nNgược lại, HWR offline làm việc với ảnh tĩnh – thường là ảnh chụp hoặc scan văn bản viết tay trên giấy. Trong trường hợp này, hệ thống không có thông tin về trật tự viết, nên phải sử dụng kỹ thuật xử lý ảnh để trích xuất đặc trưng hình học. HWR offline được ứng dụng rộng rãi hơn vì không yêu cầu thiết bị phần cứng đặc biệt, tuy nhiên độ khó trong việc phân đoạn và nhận dạng thường cao hơn.\n\u003C\u002Fp>\n\u003Cp>\nSo sánh hai loại hệ thống:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"5\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Tiêu chí\u003C\u002Fth>\n    \u003Cth>HWR Online\u003C\u002Fth>\n    \u003Cth>HWR Offline\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Dữ liệu đầu vào\u003C\u002Ftd>\n    \u003Ctd>Tín hiệu vector, tọa độ thời gian thực\u003C\u002Ftd>\n    \u003Ctd>Ảnh bitmap (quét hoặc chụp)\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Thông tin động học\u003C\u002Ftd>\n    \u003Ctd>Có\u003C\u002Ftd>\n    \u003Ctd>Không\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Độ chính xác\u003C\u002Ftd>\n    \u003Ctd>Cao hơn trong điều kiện lý tưởng\u003C\u002Ftd>\n    \u003Ctd>Phụ thuộc vào chất lượng ảnh và tiền xử lý\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Yêu cầu thiết bị đặc biệt\u003C\u002Ftd>\n    \u003Ctd>Có\u003C\u002Ftd>\n    \u003Ctd>Không\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Chuỗi xử lý trong hệ thống nhận dạng\u003C\u002Fh2>\n\u003Cp>\nMột hệ thống nhận dạng chữ viết tay hiện đại hoạt động theo chuỗi xử lý gồm nhiều giai đoạn liên tiếp. Mỗi bước đóng vai trò làm sạch, chuẩn hóa hoặc diễn giải dữ liệu để phục vụ giai đoạn sau hiệu quả hơn. Quá trình bắt đầu từ tiền xử lý, trong đó ảnh đầu vào được cân bằng độ sáng, lọc nhiễu, và chuyển thành ảnh nhị phân bằng thuật toán như Otsu. Tiếp đến là giai đoạn phát hiện dòng và tách dòng viết thành các từ hoặc cụm ký tự.\n\u003C\u002Fp>\n\u003Cp>\nGiai đoạn phân đoạn (segmentation) có thể được thực hiện theo hàng (line), từ (word) hoặc thậm chí là ký tự (character), tùy vào kiến trúc mô hình sử dụng. Phân đoạn là một trong những khâu khó nhất, đặc biệt với chữ viết tay nối liền hoặc chồng chéo. Một số hệ thống hiện đại sử dụng kiến trúc không cần phân đoạn thủ công, nhờ vào cơ chế học trực tiếp toàn bộ chuỗi hình ảnh.\n\u003C\u002Fp>\n\u003Cp>\nCác bước xử lý phổ biến trong pipeline:\n\u003C\u002Fp>\u003Col>\n  \u003Cli>Tiền xử lý ảnh\u003C\u002Fli>\n  \u003Cli>Phát hiện dòng và vùng văn bản\u003C\u002Fli>\n  \u003Cli>Phân đoạn từ hoặc ký tự\u003C\u002Fli>\n  \u003Cli>Trích xuất đặc trưng hình ảnh\u003C\u002Fli>\n  \u003Cli>Phân loại và suy luận ngữ nghĩa\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Trích xuất đặc trưng và biểu diễn dữ liệu\u003C\u002Fh2>\n\u003Cp>\nViệc trích xuất đặc trưng đóng vai trò nền tảng trong khả năng phân loại chính xác của hệ thống HWR. Với các hệ thống truyền thống, đặc trưng thường được thiết kế thủ công theo phương pháp heuristic, bao gồm chiều cao, chiều rộng ký tự, mật độ nét chữ, hướng nét, tỷ lệ co giãn, và vector hướng gradient (HOG). Các đặc trưng này sau đó được mã hóa thành vector cố định để đưa vào mô hình phân loại.\n\u003C\u002Fp>\n\u003Cp>\nTrong học sâu, mạng nơ-ron tích chập (CNN) được sử dụng để tự động học đặc trưng từ hình ảnh đầu vào. Các lớp convolution phát hiện các mẫu đặc trưng như góc cạnh, nét cong, và kết cấu cục bộ mà không cần lập trình thủ công. Các hệ thống hiện đại thường sử dụng pipeline gồm CNN để trích xuất đặc trưng, kết hợp với RNN hoặc Transformer để xử lý chuỗi đầu ra.\n\u003C\u002Fp>\n\u003Cp>\nMột số phương pháp biểu diễn dữ liệu phổ biến:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Ảnh ma trận nhị phân (grayscale hoặc binary image matrix)\u003C\u002Fli>\n  \u003Cli>Tensor 3 chiều đầu vào cho CNN\u003C\u002Fli>\n  \u003Cli>Chuỗi vector thời gian đối với HWR online\u003C\u002Fli>\n\u003C\u002Ful>\nTham khảo chi tiết kỹ thuật biểu diễn tại \u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS003132031930233X\" target=\"_blank\">Pattern Recognition\u003C\u002Fa>.\n\u003Cp>\u003C\u002Fp>\u003Ch2>Mô hình học máy và mạng nơ-ron\u003C\u002Fh2>\n\u003Cp>\nTrong giai đoạn phân loại, hệ thống HWR sử dụng mô hình học máy để gán nhãn cho các đặc trưng đầu vào. Các thuật toán truyền thống như K-Nearest Neighbors (KNN), Support Vector Machine (SVM), và Hidden Markov Model (HMM) từng là phương pháp chủ đạo trong xử lý chữ viết tay, đặc biệt với những bộ dữ liệu nhỏ và hình ảnh đã được phân đoạn tốt. Tuy nhiên, các mô hình này bị giới hạn bởi khả năng học đặc trưng phụ thuộc mạnh vào kỹ thuật thủ công và khó mở rộng cho các ngôn ngữ phức tạp.\n\u003C\u002Fp>\n\u003Cp>\nSự phát triển của học sâu đã mở ra hướng tiếp cận hiệu quả hơn. Mô hình hiện đại thường kết hợp ba thành phần: mạng nơ-ron tích chập (CNN) để trích xuất đặc trưng không gian, mạng hồi tiếp hai chiều (BiLSTM) để học phụ thuộc tuần tự trong chuỗi, và hàm mất mát CTC (Connectionist Temporal Classification) để ánh xạ chuỗi đầu vào sang chuỗi ký tự đầu ra mà không cần phân đoạn ký tự thủ công. Công thức mất mát CTC:\n\u003Cscript type=\"math\u002Ftex\">CTC = -\\log \\sum_{\\pi \\in \\mathcal{B}^{-1}(y)} P(\\pi | x)\u003C\u002Fscript>\nTrong đó, \u003Cscript type=\"math\u002Ftex\"> \\mathcal{B}^{-1}(y) \u003C\u002Fscript> là tập hợp các chuỗi nhãn ẩn tương ứng với chuỗi đầu ra mong muốn \u003Cscript type=\"math\u002Ftex\"> y \u003C\u002Fscript>.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, các kiến trúc dựa trên Transformer đang được áp dụng ngày càng nhiều cho bài toán HWR, nhờ khả năng học phụ thuộc dài và xử lý song song. Một số mô hình như TrOCR (Transformer for OCR) đã đạt được độ chính xác cao trên nhiều tập dữ liệu chuẩn, mở ra xu hướng thay thế hoàn toàn kiến trúc tuần tự cổ điển như RNN. Tham khảo tại \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2109.10282\" target=\"_blank\">TrOCR – Microsoft Research\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Kho dữ liệu và đánh giá hệ thống\u003C\u002Fh2>\n\u003Cp>\nViệc huấn luyện và đánh giá mô hình HWR phụ thuộc rất lớn vào chất lượng và tính đa dạng của tập dữ liệu. Các bộ dữ liệu phổ biến hiện nay cung cấp văn bản viết tay bằng nhiều ngôn ngữ, kiểu viết, và bối cảnh thực tế. Ví dụ, \u003Ca href=\"https:\u002F\u002Fwww.nist.gov\u002Fsrd\u002Fnist-special-database-19\" target=\"_blank\">NIST SD-19\u003C\u002Fa> cung cấp hơn 800.000 chữ số và ký tự viết tay tiếng Anh được số hóa và gán nhãn cẩn thận. \u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fproject\u002Fonhwritedataset\u002F\" target=\"_blank\">ONHW\u003C\u002Fa> từ Microsoft là một bộ dữ liệu online đa ngôn ngữ, gồm dữ liệu viết từ bút cảm ứng.\n\u003C\u002Fp>\n\u003Cp>\nTập dữ liệu ICDAR được sử dụng rộng rãi trong các cuộc thi quốc tế về nhận dạng văn bản trong ảnh tự nhiên, bao gồm cả chữ viết tay và văn bản đánh máy. Đây là thước đo tiêu chuẩn cho các mô hình học sâu, phản ánh khả năng nhận dạng trong điều kiện nhiễu, chiếu sáng kém và phối cảnh biến đổi.\n\u003C\u002Fp>\n\u003Cp>\nCác chỉ số đánh giá thường dùng gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Character Error Rate (CER):\u003C\u002Fstrong> tỉ lệ ký tự nhận sai so với tổng số ký tự đúng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Word Error Rate (WER):\u003C\u002Fstrong> tương tự nhưng ở cấp độ từ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Accuracy:\u003C\u002Fstrong> phần trăm chính xác tuyệt đối ở cấp ký tự hoặc từ.\u003C\u002Fli>\n\u003C\u002Ful>\nCông thức tính CER:\n\u003Cscript type=\"math\u002Ftex\">CER = \\frac{S + D + I}{N}\u003C\u002Fscript>\nTrong đó \u003Cscript type=\"math\u002Ftex\"> S \u003C\u002Fscript> là số ký tự sai, \u003Cscript type=\"math\u002Ftex\"> D \u003C\u002Fscript> là số bị thiếu, \u003Cscript type=\"math\u002Ftex\"> I \u003C\u002Fscript> là số dư và \u003Cscript type=\"math\u002Ftex\"> N \u003C\u002Fscript> là tổng ký tự thực tế.\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tế\u003C\u002Fh2>\n\u003Cp>\nCông nghệ nhận dạng chữ viết tay đã được triển khai rộng rãi trong nhiều lĩnh vực. Trong giáo dục, nó hỗ trợ số hóa bài kiểm tra, bài giảng hoặc phiếu khảo sát viết tay. Trong lĩnh vực tài chính và ngân hàng, hệ thống HWR giúp trích xuất thông tin từ biểu mẫu ký tay, séc, hoặc hóa đơn. Các bệnh viện sử dụng HWR để số hóa hồ sơ bệnh án viết tay, tăng độ chính xác và giảm thời gian nhập liệu.\n\u003C\u002Fp>\n\u003Cp>\nTrong các thiết bị di động, HWR trở thành phương thức nhập liệu linh hoạt thay cho bàn phím truyền thống. Ứng dụng như Google Handwriting Input hoặc Apple Scribble cho phép người dùng viết trực tiếp lên màn hình và tự động chuyển thành văn bản số. Công nghệ này cũng hỗ trợ người khuyết tật, giúp họ giao tiếp với máy tính thông qua chữ viết thay vì nhập bàn phím.\n\u003C\u002Fp>\n\u003Cp>\nMột số ứng dụng tiêu biểu:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Hệ thống OCR cho tài liệu lưu trữ lịch sử.\u003C\u002Fli>\n  \u003Cli>Tự động chấm điểm bài thi viết tay (educational AI).\u003C\u002Fli>\n  \u003Cli>Giao diện người dùng dựa trên viết tay trong thiết bị IoT.\u003C\u002Fli>\n  \u003Cli>Nhận dạng mã số, địa chỉ trong phân loại bưu phẩm.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Thách thức kỹ thuật\u003C\u002Fh2>\n\u003Cp>\nMặc dù công nghệ đã tiến xa, HWR vẫn còn gặp nhiều thách thức kỹ thuật. Tính đa dạng trong phong cách viết là trở ngại lớn nhất – cùng một ký tự có thể được viết theo hàng trăm cách khác nhau. Sự chồng lấp giữa các ký tự hoặc từ viết liền không dấu ngắt cũng khiến hệ thống khó phân đoạn và nhận diện chính xác. Ngoài ra, môi trường thực tế như ảnh chụp từ camera di động, ánh sáng yếu, hoặc ảnh bị mờ đều làm giảm chất lượng nhận dạng.\n\u003C\u002Fp>\n\u003Cp>\nMột số vấn đề phức tạp hơn:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Thiếu dữ liệu chất lượng cao cho các ngôn ngữ ít được nghiên cứu.\u003C\u002Fli>\n  \u003Cli>Khó tích hợp HWR với các ngôn ngữ có ký tự đặc biệt như tiếng Ả Rập, Thái, Việt.\u003C\u002Fli>\n  \u003Cli>Yêu cầu cao về thời gian xử lý trong các hệ thống thời gian thực (real-time HWR).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nĐể giải quyết, các kỹ thuật tăng cường dữ liệu như biến dạng hình học, điều chỉnh độ sáng, dịch chuyển ngẫu nhiên, hoặc sinh ảnh viết tay bằng GAN đang được tích cực nghiên cứu. Ngoài ra, việc kết hợp với mô hình ngôn ngữ mạnh (như BERT hoặc GPT) giúp cải thiện khả năng hiểu ngữ cảnh và sửa lỗi tự động.\n\u003C\u002Fp>\n\n\u003Ch2>Xu hướng nghiên cứu và phát triển\u003C\u002Fh2>\n\u003Cp>\nHướng phát triển HWR hiện nay đang mở rộng sang nhận dạng đa ngôn ngữ và đa phương thức. Các mô hình Transformer được huấn luyện trên dữ liệu từ nhiều hệ thống chữ viết khác nhau có thể nhận dạng chữ viết tay không cần ngôn ngữ cụ thể. Việc kết hợp HWR với nhận dạng giọng nói và nhận dạng ảnh đang tạo ra các giao diện đầu vào đa kênh linh hoạt hơn cho người dùng.\n\u003C\u002Fp>\n\u003Cp>\nMột số xu hướng nổi bật:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Sử dụng mô hình tự giám sát (self-supervised) để học đặc trưng mà không cần nhãn.\u003C\u002Fli>\n  \u003Cli>Nhận dạng chữ viết tay trong ảnh tự nhiên (scene handwriting recognition).\u003C\u002Fli>\n  \u003Cli>Phân tích tâm lý hoặc hành vi dựa trên kiểu viết (behavioural biometrics).\u003C\u002Fli>\n  \u003Cli>HWR kết hợp sinh văn bản cho các ứng dụng học ngôn ngữ và văn bản tương tác.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nTham khảo thêm các mô hình và mã nguồn mở tại \u003Ca href=\"https:\u002F\u002Fpaperswithcode.com\u002Ftask\u002Fhandwriting-recognition\" target=\"_blank\">Papers with Code – Handwriting Recognition\u003C\u002Fa>, nơi tổng hợp các công trình nghiên cứu mới nhất trong lĩnh vực này.\n\u003C\u002Fp>\u003C\u002Fdiv>",{"id":148,"researcherId":18,"name":149,"imageUrl":150},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":120,"researcherId":18,"name":152,"imageUrl":153},"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[143],"PUBLISHED","2025-06-13T02:14:10.388+00:00","2026-09-01T03:16:50.742+00:00","2025-06-14T02:27:54.274+00:00","2026-09-01T03:16:50.741+00:00",774,[162,173,184,189,195,200,210,215,220,225],{"id":163,"title":164,"term":165,"englishTitle":166,"definition":167,"discipline":168,"disciplineCode":169,"disciplineLabel":170,"disciplineColor":171,"disciplineIcon":172},"mạng nơ ron sâu","Mạng nơ-ron sâu là gì? Ý nghĩa và ứng dụng chuyên sâu","Mạng nơ-ron sâu","deep neural network (DNN)","Mạng nơ-ron sâu (DNN) là một kiến trúc mạng nơ-ron nhân tạo có nhiều lớp ẩn nằm giữa lớp đầu vào và lớp đầu ra, cho phép học biểu diễn phân cấp các đặc trưng phi tuyến tính phức tạp từ dữ liệu quy mô lớn.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":174,"title":175,"term":176,"englishTitle":177,"definition":178,"discipline":179,"disciplineCode":180,"disciplineLabel":181,"disciplineColor":182,"disciplineIcon":183},"dna tự do","DNA tự do (cell-free DNA) là gì?","DNA tự do","cell-free DNA","DNA tự do là các đoạn phân tử acid deoxyribonucleic nằm ngoài tế bào, lưu hành tự do trong huyết tương hoặc các dịch sinh học khác của cơ thể.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":185,"title":186,"term":185,"englishTitle":187,"definition":188,"discipline":179,"disciplineCode":180,"disciplineLabel":181,"disciplineColor":182,"disciplineIcon":183},"áp suất ôxy","Áp suất ôxy (oxygen partial pressure) là gì?","oxygen partial pressure","Áp suất ôxy là áp suất riêng phần do các phân tử ôxy tạo ra trong một hỗn hợp khí theo định luật Dalton, hoặc áp lực của lượng ôxy hòa tan trong dung dịch lỏng theo định luật Henry.",{"id":190,"title":191,"term":192,"englishTitle":193,"definition":194,"discipline":168,"disciplineCode":169,"disciplineLabel":170,"disciplineColor":171,"disciplineIcon":172},"cu zn sod","Cu\u002FZn-SOD (copper-zinc superoxide dismutase) là gì?","Cu\u002FZn-SOD","copper-zinc superoxide dismutase","Cu\u002FZn-SOD (copper-zinc superoxide dismutase) là một metalloenzyme chống oxy hóa nội sinh chứa đồng và kẽm, xúc tác phản ứng dị phân gốc tự do superoxide thành oxy phân tử và hydrogen peroxide nhằm bảo vệ tế bào trước tổn thương oxy hóa.",{"id":196,"title":197,"term":196,"englishTitle":198,"definition":199,"discipline":168,"disciplineCode":169,"disciplineLabel":170,"disciplineColor":171,"disciplineIcon":172},"đường trắc địa","Đường trắc địa (geodesic) là gì?","geodesic","Đường trắc địa là đường cong trên đa tạp khả vi hoặc mặt cong mà vectơ tiếp tuyến chuyển dịch song song dọc theo chính nó, cực tiểu hóa độ dài cung cục bộ trong hình học Riemann và mô tả quỹ đạo rơi tự do trong thuyết tương đối rộng.",{"id":201,"title":202,"term":201,"englishTitle":203,"definition":204,"discipline":205,"disciplineCode":206,"disciplineLabel":207,"disciplineColor":208,"disciplineIcon":209},"nhựa polyester","Nhựa polyester là gì? Phân loại và ứng dụng","polyester resin","Nhựa polyester là nhóm đại phân tử tổng hợp được tạo thành từ phản ứng trùng ngưng giữa các axit đa chức hoặc anhydrit axit với các polyol, đặc trưng bởi các liên kết este trong mạch chính và có khả năng đóng rắn tạo mạng lưới không gian ba chiều đối với các hệ không no.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":211,"title":212,"term":211,"englishTitle":213,"definition":214,"discipline":179,"disciplineCode":180,"disciplineLabel":181,"disciplineColor":182,"disciplineIcon":183},"nhịp tim nhanh thất không duy trì","Nhịp tim nhanh thất không duy trì (NSVT) là gì?","non-sustained ventricular tachycardia","Nhịp tim nhanh thất không duy trì là rối loạn nhịp tim nguồn gốc từ tâm thất với chuỗi từ ba phức bộ thất liên tiếp trở lên có tần số trên 100 lần\u002Fphút, tự kết thúc trong thời gian dưới 30 giây mà không cần can thiệp cấp cứu.",{"id":216,"title":217,"term":216,"englishTitle":218,"definition":219,"discipline":168,"disciplineCode":169,"disciplineLabel":170,"disciplineColor":171,"disciplineIcon":172},"brom hóa","Brom hóa (bromination) là gì?","bromination","Brom hóa là phản ứng hóa học đưa một hoặc nhiều nguyên tử brom vào cấu trúc phân tử của hợp chất hữu cơ hoặc vô cơ nhằm tạo thành liên kết carbon-brom hoặc liên kết dị nguyên tử-brom tương ứng.",{"id":221,"title":222,"term":221,"englishTitle":223,"definition":224,"discipline":179,"disciplineCode":180,"disciplineLabel":181,"disciplineColor":182,"disciplineIcon":183},"băng vết thương","Băng vết thương (wound dressing) là gì?","wound dressing","Băng vết thương là vật liệu hoặc chế phẩm y tế chuyên dụng được che phủ trực tiếp hoặc gián tiếp lên bề mặt tổn thương mô nhằm bảo vệ cơ học, chống nhiễm khuẩn xâm nhập, kiểm soát dịch tiết và thiết lập môi trường vi khí hậu tối ưu cho quá trình tái tạo mô.",{"id":226,"title":227,"term":228,"englishTitle":228,"definition":229,"discipline":168,"disciplineCode":169,"disciplineLabel":170,"disciplineColor":171,"disciplineIcon":172},"anthreninae","Anthreninae là gì? Phân loại và tập tính nhóm bọ thảm hoa","Anthreninae","Anthreninae là tên gọi phân loại học lịch sử của một phân họ bọ da Dermestidae có ấu trùng mang lông mũi mác, được xếp ở cấp tông Anthrenini trong phân họ Megatominae theo các hệ thống phân loại hiện đại."]