Apr, 2016

用于手写汉字文本识别的全卷积循环网络

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 手写汉字文本分割识别：一种无需分段注释的方法

    提出一种基于分割的方法以识别手写中文文本，使用简单而有效的完全卷积网络实现。使用一种新颖的弱监督学习方法，只需使用交录注释即可训练网络；无需先前分割方法所需的昂贵字符分割标注。因为完全卷积网络缺乏上下文建模，所以提出了一种上下文规则化方法将上下文信息纳入训练，进一步提高了识别性能。在四个广泛使用的基准测试上进行了广泛实验，即 CASIA-HWDB，CASIA-OLHWDB，ICDAR2013 和 SCUT-HCCDoc，结果表明我们的方法在在线和离线 HCTR 上都显著优于现有方法，并且比 CTC / 基于注意力的方法具有更高的推断速度。

    Jul, 2022

  • 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

  • 一种高效的端到端神经模型用于手写文本识别

    本文提出一种将卷积神经网络和序列到序列模型相结合，将图像映射到文本序列，实现手写文本识别能力，且采用 Focal Loss 方法解决文本识别的类别不平衡问题，并应用 Beam Search 算法来提升模型的解码性能，在常见的 IAM 和 RIMES 数据集上实验表明，本文提出的模型在词级别的准确率方面分别提高了 3.5％和 1.1％，达到了国际先进水平。

    Jul, 2018

  • 使用 GoogLeNet 和方向特征图的高性能离线手写中文字符识别

    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。

    May, 2015

  • 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

  • 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