通过设计基于多层感知机分类器的特征向量模型并实验验证，可以实现手写孟加拉数字识别并可扩展到手写孟加拉字母的 OCR 应用。

Mar, 2012

本研究提出了一种新的深度学习技术，用于识别手写孟加拉语复合字符，并报道了在 CMATERdb 3.1.3.3 数据集上的新的识别准确率基准。通过层级训练深度卷积神经网络，结合 RMSProp 算法，相较于标准的浅层学习和常规的 DCNN，实现了快速收敛和更高的识别率，创造了错误率为 9.67%、识别准确度为 90.33% 的新纪录。

Feb, 2018

基于多个卷积神经网络的集成模型 BanglaNet 被提出用于分类孟加拉基本字符、复合字符、数字和修饰符。在多个数据集上进行的严格实验表明，相比于最近的基于卷积神经网络的研究，该模型获得了显著的识别准确率。

Jan, 2024

本文介绍了两种知识蒸馏方法（LILA-BOTI 和 Super Teacher LILA-BOTI），并采用该方法为 Bangla 等形态丰富的语言进行字级手写光学字符识别（OCR），通过在评估协议中进行不同数据集的测试，显示出比基础模型和传统的知识蒸馏方法更好的性能，包括处理的类不平衡性和识别度等方面的提升。

May, 2022

该研究提出了一种具有特殊能力的孟加拉语 OCR 系统，该系统在保留结构、对齐和图像的同时，在重建文档布局方面表现出色。它采用先进的图像和签名检测进行准确提取，并为文字分割提供了专门模型以适应多样化的文档类型，包括计算机排版、凸版印刷、打字机和手写文档。该系统处理静态和动态手写输入，识别各种写作风格。此外，它还能识别孟加拉语中的复合字符。广泛的数据收集工作提供了多样化的语料库，而高级技术组件优化了字符和单词识别。额外的贡献包括图像、标志、签名和表格识别，透视校正，布局重建以及用于高效和可扩展处理的排队模块。该系统在高效准确的文本提取和分析方面表现出色。

Feb, 2024

本研究提出了一种基于字形标注方案来线性切分字形组成部分的 标注方法，给出了一份 孟加拉语手写字母片段的数据集，用于测试视觉算法的多目标字形分类，结果表明，深度学习方法可以推广到许多字典之外的字形。

Oct, 2020

通过增强谐波搜索方法，提出了一种基于区域选择的技术，应用于手写字符的识别中，测试结果表明，可以在不影响识别精度的前提下，大幅减少描述性区域的数量，提高识别准确性。

May, 2016

提出了一种与字符笔画方向和顺序变化无关的一组特征，用于在线手写字符识别。通过一种方法，将特征如点的坐标、点处笔画的方向以及点处笔画方向的动态在坐标值方面进行空间映射，并在空间图中的不同区域计算这些特征的直方图。通过训练分类器进行字符识别的其他研究中使用的各种特征，如时空特征、离散傅里叶变换、离散余弦变换、离散小波变换、空间特征和梯度方向直方图都被考虑。选择支持向量机（SVM）作为分类性能比较时的分类器。用于训练和测试分类器的字符数据集由 96 种不同的印地文字符的在线手写样本组成，训练数据集和测试数据集分别包含 12832 和 2821 个样本。与其他特征进行训练后，在相同测试数据集上测试的 SVM 分类器以提出的特征的 92.9% 最高分类准确率最高。因此，相比较而言，提出的特征具有更好的字符辨别能力。

Sep, 2023

本研究提出了一种新颖的方法，使用图形编码直接进行韩文字符（Hangul）的 OCR，以解决现有编码方法在长尾字符分布上性能不佳的问题。我们的方法有效地解决了 Hangul OCR 的两个主要问题：类别不平衡和目标类别选择。

Aug, 2022

手写字符识别是机器学习研究人员面临的一个具有挑战性的问题，本文提出了一种简单、可推广、高效的方法 (CharNet) 来解决字符图像分类问题，并与现有方法的性能进行了比较。

Jan, 2024