Sep, 2023

使用神经网络识别学生手写字和错误符号

PDF
TL;DR纠正学生们的多项选择答案是一个重复和机械的任务，可以被视为一项图像多分类任务，我们设置了五个分类，其中四个是可能的正确选项，一个是其他不正确的写法，考虑到非标准写法选项的可能性。
correcting studentsmultiple-choice answersimage multi-classificationnon-standard writing optionspossible correct options
发现论文，激发创造
  • 使用多层感知器识别文本图像

    该篇论文介绍了如何应用神经网络和反向传播算法实现光学字符识别（OCR）并转换为可编辑机器可读的数字文本格式。

    Dec, 2016

  • 卷积识别模型特征与文本标签相结合的离线检测错误拼写的手写词

    通过引入与文本进行比较的任务，我们提出了一个无限制的二元分类器，其中包括一个手写识别特征提取器和一个多模态分类头，该分类头将特征提取器的输出与输入文本的向量表示进行卷积。我们的模型的分类头完全基于使用最先进的生成对抗网络创建的合成数据进行训练。我们证明，与直接使用最先进的手写识别模型来解决任务相比，尽管保持高回收率，但分类器可以进行校准，使平均精确度提高了 19.5%。这种巨大的性能提升可以在利用人 - 环自动化的应用中带来显著的生产力增长。

    Sep, 2023

  • NeuroWrite：使用深度神经网络预测手写数字分类

    NeuroWrite 是一个使用深度神经网络来预测手写数字分类的独特方法，通过融合卷积神经网络（CNNs）和循环神经网络（RNNs），实现了卓越的识别和分类准确度。该方法通过使用先进技术在手写数字数据集上展示了其高分类准确度和强大的推广能力，同时探索了在数字化文件的数字识别、签名验证和自动邮政编码识别等实际应用中的潜力。NeuroWrite 由于其性能和适应性，在计算机视觉和模式识别领域是一个有用的工具。该研究详细介绍了 NeuroWrite 的体系结构、训练过程和评估指标，并说明了它如何改进多种需要手写数字分类的应用。结果表明，NeuroWrite 是一种提升基于深度神经网络的手写数字识别的有前景的方法。

    Nov, 2023

  • 基于单个手写单词图像的深度自适应写手识别学习

    该论文提出了一种基于多任务深度自适应学习的方法，利用深度卷积神经网络从显式内容识别的辅助任务中学习通用的特征，从而提高单词图像的写作者识别性能。

    Sep, 2018

  • AiM：在教育应用中运用心中的答案矫正中文填空测试

    本文提出了一种多模型方法（AiM），基于识别 OCR 数据和学生笔迹相互作用的编码答案来纠正学生笔迹，并在填空测试中取得了比 OCR 更好的效果。

    Aug, 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

    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%。

    Nov, 2022

  • TextCaps: 使用非常小的数据集进行手写字符识别

    本文介绍了一种技术，通过加入实际的随机噪声到参数实例化中，从现有样本生成新的训练样本数据，以实现针对缺少大量标记数据的本地语言的字符识别，同时可用于物体识别等相关上下文。

    Apr, 2019

  • 手写数学表达式识别的智能检测网络

    我们提出的智能检测网络在手写数学公式识别中利用物体检测技术，与传统编码器 - 解码器方法不同，能够精确检测符号和数字，优于其他网络在识别复杂手写数学表达式方面，对 HMER 领域具有潜在的宝贵贡献。

    Nov, 2023

  • 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

  • 利用人工神经网络自动评分图形开放性答案

    本研究探讨基于卷积神经网络和前馈神经网络的自动化打分方法在国际数学和科学考试中将学生的绘画或图像回答分类的准确性。研究发现，相对于前馈神经网络，卷积神经网络能够更加精确地分类图像响应，并且可以取代人工评分，提高成绩评分的有效性和可比性。

    Jan, 2022