Feb, 2018

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

PDF
TL;DR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。
deep learninghandwritten banglacompound characterdeep convolutional neural networkspattern recognition
发现论文，激发创造
  • 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 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

  • 利用教师经验排序孟加拉文手写识别中的孤立字母累积 - LILA-BOTI

    本文介绍了两种知识蒸馏方法（LILA-BOTI 和 Super Teacher LILA-BOTI），并采用该方法为 Bangla 等形态丰富的语言进行字级手写光学字符识别（OCR），通过在评估协议中进行不同数据集的测试，显示出比基础模型和传统的知识蒸馏方法更好的性能，包括处理的类不平衡性和识别度等方面的提升。

    May, 2022

  • 基于 MLP 的手写孟加拉数字识别方法

    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。

    Mar, 2012

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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