May, 2015

使用 GoogLeNet 和方向特征图的高性能离线手写中文字符识别

PDF
TL;DR本文使用深度学习的卷积神经网络来识别手写汉字，结合传统特征提取方法，设计了一个只有 7.26 百万个参数的深层网络，通过实验在 ICDAR 2013 离线手写汉字比赛数据集上，取得了 96.74% 的最高准确率。
convolutional neural networkshandwritten chinese character recognitiongooglenetfeature extractionicdar
发现论文，激发创造
  • 在线和离线手写汉字识别：全面研究和新基准

    本文介绍了一种新的深度学习方法，将传统的正则化 - 方向分解特征映射（directMap）与深度卷积神经网络（convNet）集成，提高了在线和离线手写字符识别的准确性，并提出了一种适应层，降低了训练和测试数据之间的不匹配问题，并进一步显著提高了识别准确性。

    Jun, 2016

  • 离线手写汉字识别快速、紧凑的卷积神经网络构建

    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

  • 基于领域知识的改进式深度卷积神经网络用于在线手写中文字符识别

    本研究提出了一种使用区域特定知识增强的深度卷积神经网络识别手写汉字的方法，在 CASIA-OLHWDB1.0 和 CASIA-OLHWDB1.1 数据集上分别取得了 97.20% 和 96.87% 的精度，优于以往报道结果。

    May, 2015

  • 离线手写中文文本识别与卷积神经网络

    本文研究基于深度学习的方法在离线手写中文文本识别领域的应用，使用只有卷积神经网络的模型和 CTC 损失函数实现，采用 Dropout 方法以防止过拟合，最终在 ICDAR 2013 竞赛数据集上实现了 6.81% 的字符错误率，为同等条件下最好的研究结果。

    Jun, 2020

  • 使用 DropWeight 与全局池化的在线手写汉字识别非常紧凑的 CNN 分类器设计

    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

  • 用于手写汉字文本识别的全卷积循环网络

    本文提出了一种名为全卷积循环网络 (FCRN) 的端到端框架用于手写汉字文本识别。FCRN 基于在线文本数据进行训练，不像传统方法依赖于分割，它学习将笔尖轨迹与字符序列关联起来。本文还提出了一种优化的波束搜索方法，有效地集成语言模型来解码 FCRN 并显著提高识别结果。在 CASIA-OLHWDB 和 ICDAR 2013 数据集上进行测试，分别获得 96.40% 和 95.00% 的正确率。

    Apr, 2016

  • 使用循环神经网络绘制和识别汉字

    本文提出了一种基于循环神经网络的框架，将其作为识别和生成中文字符的判别模型和生成模型，达到了 ICDAR-2013 竞赛数据库上的最先进效果。

    Jun, 2016

  • 非本土手写字符的卷积神经网络分类

    利用卷积神经网络（CNNs）对非母语使用者书写的英文字母进行分类识别，借助 HIEC 数据集训练了一个定制的 CNN 模型，并通过调整超参数进行了消融研究，结果显示该模型在字符识别准确性方面优于其他模型，达到了 97.04% 的准确度，相对于次优模型提升了 4.38%。

    Jun, 2024

  • 离线手写中文字符分类的多列深度神经网络

    本文介绍了使用多列深度神经网络实现对 2011 年和 2013 年 ICDAR 离线手写中文字符识别，达到接近人类水平的最佳识别率。

    Sep, 2013

  • 使用完全卷积循环神经网络学习空间 - 语义上下文进行在线手写中文文本识别

    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