Mar, 2012

基于 MLP 的手写孟加拉数字识别方法

PDF
TL;DR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。
multi layer perceptron classifierhandwritten bangla digits recognitionfeature vectorocrhandwritten bangla alphabet
发现论文，激发创造
  • 使用 MLP 和 SVM 分类器进行孟加拉基本字符和复合字符的手写识别

    本文提出了一种新颖的方法，通过逐步学习出现频率从高到低的复合字符类以及基本字符，设计合适的特征集以识别手写孟加拉字符，实现了 79.25% 的平均字符识别率。

    Feb, 2010

  • 一种基于卷积神经网络的方法，用于识别孟加拉语口语中的数字

    该研究使用多年龄、性别和方言的孟加拉人的音频记录创建了大型的 “0-9” 孟加拉数字口语数据集并使用 Mel 频率倒谱系数和卷积神经网络来识别数字，该方法在整个数据集中达到了 97.1％的准确率并使用 10 倍交叉验证进行了评估，得出 96.7％的准确性。

    Nov, 2021

  • BanglaNet：使用卷积神经网络集成的孟加拉手写字符识别

    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

  • 使用新型深度学习方法的手写孟加拉复合字符识别：一个新基准

    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

  • BLPnet：一种新的 DNN 模型和孟加拉自动车牌识别 OCR 引擎

    本文提出了一种针对孟加拉语车牌的高效自动车牌识别系统，采用新的端到端深度神经网络模型 Bengali License Plate Network (BLPnet)，实现了字符旋转不变性和实时车牌字符识别，Mean Squared Error 为 0.0152，平均车牌字符识别准确率达到 95%。与其他模型相比，BLPnet 具有更高的号牌检测准确率和更短的时间要求。

    Feb, 2022

  • 使用手动和自动标注的机器学习和深度学习方法用于孟加拉语新闻分类

    本文介绍了几种机器和深度学习方法，应用于孟加拉语新闻分类。这些方法包括逻辑回归、支持向量机、卷积神经网络以及词向量等，同时提出了自动标记的方法，并在孟加拉语最大的新闻分类数据集 Potrika 上评估了它们的性能。

    Oct, 2022

  • 评估孟加拉语词汇类比

    该论文提供了用于评估孟加拉语词嵌入质量的高质量数据集，该数据集对于基准测试和指导未来研究至关重要。

    Apr, 2023

  • 连接节点：利用时空图神经网络进行准确的孟加拉手语识别

    本研究提供了一个新的词级孟加拉手语数据集（BdSL40），包含 611 个单词的 40 个视频，以及两种不同的方法：一种是基于 3D 卷积神经网络模型，另一种是基于图神经网络的方法，用于对 BdSL40 数据集进行分类。该研究还揭示了 BdSL、西孟加拉手语和印度手语之间的显著词汇和语义相似性，以及文献中对 BdSL 缺乏词级数据集的情况。我们发布了数据集和源代码以促进进一步的研究。

    Jan, 2024

  • BN-DRISHTI：通过手写文本实例级分割实现孟加拉文档识别

    本文介绍了一个新的深度学习方法 (BN-DRISHTI)，它结合了基于 YOLO 的物体检测框架、Hough 变换和仿射变换来解决孟加拉语手写体识别的线条和单词分割问题，同时还提供了一个包含 786 张手写孟加拉语文档图像的扩展数据集 (BN-HTRd) 以及相应的线条和单词级别注释，用于单词识别的地面实况。该方法的在测试部分上得到了非常高的线条 (99.97%) 和单词 (98%) 分割 F 分数，表现优于外部三个孟加拉手写数据集。

    May, 2023

  • 基于字符和语音的 LSTM 模型的孟加拉 - 英文混合代码文本语言识别

    本文提出一种基于深度长短期记忆 (LSTM) 模型的有监督学习方法，针对社交媒体上的低资源孟加拉语 - 英语混合数据的单词级别语言识别问题，采用字符编码和词根编码两种方法训练模型，并使用堆叠和阈值技术创建两个集成模型，在测试数据上分别获得了 91.78% 和 92.35% 的准确率。

    Mar, 2018