在线字符识别的稀疏签名数组
通过处理空间稀疏的输入,我们开发了一种CNN,可更加高效地训练和测试大型深度CNN,在手写识别和图像分类等问题上取得了良好的性能。该方法在CASIA-OLHWDB1.1和CIFAR-10/CIFAR-100数据集上实现了较低的测试误差率。
Sep, 2014
本文介绍了路径签名方法及其在数值计算和机器学习中的应用,对路径签名与粗路径理论也进行了讨论,并介绍了将数据转换为多维路径所使用的嵌入算法,以及如何将签名作为特征用于机器学习任务。
Mar, 2016
通过使用深度卷积神经网络和GPDS数据集,本研究提出了一个更好的离线手写签名验证方法,它在记录一定个人签名技能的伪造签名的情况下取得了2.74%的等错误率,并对模型进行了视觉和错误分析。
Jul, 2016
提出了一种基于路径签名特征和多空间上下文完全卷积循环网络(MCFCRN)的方法,该方法避免了难以处理的分割问题并利用语义上下文进行预测,成功地解决了在线手写中文文本识别的挑战,其在两个数据集上均实现了优秀的结果。
Oct, 2016
本研究提出了一种全局监督低秩扩展方法和自适应降重技术来提高离线手写汉字识别 (HCCR) 的计算效率,在保持准确度的同时极大地分减了计算成本和神经网络容量,尤其适于装配在便携设备上。经测试,所提出的算法在计算效率方面远超过现有最佳算法,其速度可达到之前方法的 30 倍,且计算成本更低 10 倍。
Feb, 2017
提出一种称为DropWeight的新技术,可以修剪卷积神经网络中的冗余连接,从而在ICDAR-2013在线手写字符识别竞争数据集上获得出色的性能,仅需0.57 MB的存储空间,并仅降低0.91%的性能,而全局池化是构建非常紧凑的在线HCCR系统的更好选择。
May, 2017
该研究介绍了一个基于循环神经网络和新型描述子的在线签名验证系统,以最小化种内变差、推高假样本和真实样本之间的差距,并提取具有所需特征的LNPS描述子,最终在公开数据集中获得了2.37%的等误差率表现。
May, 2017
本文介绍了一种新颖的序列学习方法,即基于粗路径理论的签名方法,该方法通过嵌入将离散采样数据表示为路径。作者深入研究了三个数据集,并表明特定的embedding方法,称为“lead-lag embedding”,在所有考虑的算法和数据集上表现最好。通过一个实证研究,作者还发现将整个路径域上的signature与其他简单算法相结合,可以达到与特定领域专门方法相竞争的结果。
Nov, 2019
本文提出一种称为ConvMath的卷积序列建模网络,可将图像中的数学表达式描述转换为LaTeX序列,并通过多层注意机制和卷积解码器来提高模型的准确性和效率。在IM2LATEX-100K数据集上的实验结果表明,该网络实现了最先进的准确度和比以前方法更好的效率。
Dec, 2020