Nov, 2022

使用卷积神经网络和笔画识别技术实现儿童手写阿拉伯字符识别

PDF
TL;DR本研究基于卷积神经网络（CNN）提出了一种针对儿童阿拉伯手写字符识别的模型，其精度在 Hijja 数据集上为 91%，在阿拉伯手写字符数据集上为 97%，并提出了一种基于笔画数的多模型方法，融合 Hijja 和 AHCD，平均预测准确率达到 96%。
automatic arabic handwritten recognitionmachine learningconvolutional neural networkschildren handwritingmulti-model approach
发现论文，激发创造
  • 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

  • 一种无分割的端到端阿拉伯手写识别模型在 KHATT 上的应用

    提出了一种从头开始训练的、端到端的、无分割的深度学习模型，利用 DCNN 进行特征提取，同时利用双向 LSTM 进行序列识别和 CTC 损失函数在 KHATT 数据库上进行训练，使得字符级别上测试数据集的识别率达到 84%，单词级别上达到 71%，建立了一种仅在行级别上操作而无需分割的基于图像的序列识别框架。同时介绍了 KFUPM Handwritten Arabic TexT (KHATT) 数据库的分析和预处理。最后，实现了包括滤波、变换和行分割等高级图像处理技术。该工作的重要性在于其广泛的应用，包括银行业的数字化、文档化、存档和文本翻译。此外，AHR 作为一种关键工具，可以使图像可搜索，增强信息检索能力，并实现轻松编辑。这一功能显著减少了阿拉伯语数据组织和处理等任务所需的时间和努力。

    Jun, 2024

  • 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

  • 基于 Transformer 的阿拉伯离线手写文本识别方法

    手写识别是模式识别和机器学习领域中具有挑战性和关键问题，其应用领域广泛。本文专注于离线阿拉伯手写文本识别问题，并引入两种替代架构，即 Transformer Transducer 和标准序列到序列 Transformer，并比较它们在准确性和速度方面的性能表现，结果显示我们的方法在识别离线阿拉伯手写文本方面优于当前最先进的方法。

    Jul, 2023

  • 使用卷积神经网络的手写体识别

    通过使用 NIST 数据集对卷积神经网络进行训练并提取图像特征，成功实现了 90.54% 的识别准确率和 2.53% 的损失，该技术可以对手写和印刷文本进行 OCR 和 ICR 的处理。

    Jul, 2023

  • 基于深度学习的阿拉伯手写文本的个人生物特征识别

    该研究深入探讨了深度学习模型在阿拉伯手写文本的人物生物识别上的准确性，并比较了三种先进的架构 ——ResNet50、MobileNetV2 和 EfficientNetB7，使用了三个广泛认可的数据集：AHAWP，Khatt 和 LAMIS-MSHD。结果表明，EfficientNetB7 在 AHAWP，Khatt 和 LAMIS-MSHD 数据集上的测试准确率分别达到了 98.57％，99.15％和 99.79％。EfficientNetB7 的出色性能归功于其创新的技术，包括复合缩放、深度可分离卷积和挤压和激励块。研究结果对于增强身份验证和认证系统具有重要意义，突显了深度学习在阿拉伯手写文本识别中的潜力。

    Jun, 2024

  • 使用卷积神经网络集成识别手写日文字符

    该研究提出了一种使用机器学习方法来识别手写日文汉字的方法，通过卷积神经网络集成体系结构在 MNIST、K-MNIS、K49 和 K-Kanji 数据集上获得了 99.4％，96.4％，95.0％和 96.4％的分类精度。

    Jun, 2023

  • 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

  • 用于阿拉伯手写字识别的动态分层贝叶斯网络

    本文提出了一种新的概率图模型，用于对突尼斯城市名称的文字进行建模和识别。采用基于动态分层贝叶斯网络的方法，采用分割和特征提取技术来减少识别过程中的复杂性和误差，实验结果非常有前途。

    May, 2014

  • Muharaf：手写阿拉伯文连续文本识别的手稿数据集

    我们提供了一个由历史手写页面图像组成的机器学习数据集，每个文档图像配有文字行的空间多边形坐标以及基本页面元素，可用于提升手写文本识别的技术水平。该数据集包含不同的手写风格和各种文档类型，并介绍了数据获取过程、数据集特征和统计信息，同时提供了使用此数据进行训练的卷积神经网络的初步基线结果。

    Jun, 2024