May, 2023

使用去噪扩散概率模型进行零样本生成训练数据以提高手写汉字识别的准确性

PDF
TL;DR本文提出一种基于 DDPM 模型从字体库生成手写汉字样本的方法，通过将新类别的 DDPM 合成样本与其他类别的真实样本相结合，提出了一种支持完整字符集的 HCCR 系统，实验结果表明，合成的样本在识别准确率上与真实样本具有相似的性能。
chinese character recognitiondenoising diffusion probabilistic modelhandwritten samplessynthetic samplescasia dataset
发现论文，激发创造
  • 借助基于 Glyph 条件去噪扩散概率模型生成的训练样本改进手写 OCR

    提出一种 DDPM 概率模型用于生成手写体图像样本，并引入渐进式数据过滤策略，可将 OCR 模型在 IAM 基准任务上的错误率相对降低 45%。

    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

  • 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

  • DropSample：一种增强大规模无约束手写汉字识别深度卷积神经网络的新训练方法

    本研究提出了一个新的基于 Leitner 学习盒原理的 Deep Convolutional Neural Networks 的训练方法，名为 DropSample，并将其应用于大规模在线手写汉字识别，最终实验结果表明，这种方法可以显著提高识别准确率。

    May, 2015

  • 走向可靠领域泛化：一个新的数据集和评估

    我们提出了一个新的域泛化任务，用于手写汉字识别，评估了 18 种域泛化方法，并展示了现有方法在该数据集上的性能仍然不令人满意。我们揭示了域泛化方法的更多性质，并主张研究人员参考方法的动态性能进行更全面和可靠的评估。我们将在文章发表时公开我们的数据集，以促进域泛化的研究。

    Sep, 2023

  • Calliffusion：使用扩散模型实现的汉字书法生成和风格转移

    本文提出了 Calliffusion 系统，采用扩散模型生成高质量的中文书法，实现了五种不同字形和著名书法家风格模拟，实验证明，模型生成的书法难以与真实艺术品区分，并使用 LoRA 进行单张迁移学习，将中文书法艺术风格转移到未知字符、甚至英文字母和数字。

    May, 2023

  • 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

  • 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

  • 利用 CycleGAN 生成手写汉字

    采用 DenseNet CycleGAN 方法生成手写汉字，提出内容准确度和风格差异作为评估指标。

    Jan, 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