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
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
本文研究了将深度网络的多层表示与强大的 RNN 模型相结合的模型 - 深度递归神经网络,通过合适的正则化和端到端的训练方法,该模型在 TIMIT 语音识别基准测试中获得了最佳记录得分 17.7%。
Mar, 2013
本文中提出了一种使用密集连接网络自动提取字符级特征的新方法,该方法不需要任何语言或任务特定的假设,在三个序列标注任务 - 槽填充、词性标注和命名实体识别 - 上表现出 robustness 和效力,以 96.62 的 F1-score 和 97.73%的准确度在槽填充和词性标注上获得了最先进的性能,同时在 NER 上可比的表现达到了 91.13 的 F1 得分
Jun, 2018
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
本研究提出了一种基于递归神经网络的手绘图形识别架构,通过利用深度草图特征和加权每个时步损失来实现在大量对象类别上的最新结果,尤其适用于在线识别对象。
Aug, 2016
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
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
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
使用变形金刚模型的多头自我注意力层,无需回归方法且具有超出预定义词汇表的单词识别能力,能实现很高的手写识别精度,即使在少量样本学习情况下也可取得满意的结果。
May, 2020