Jan, 2024

BanglaNet：使用卷积神经网络集成的孟加拉手写字符识别

PDF
TL;DR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。
handwritten character recognitionbanglanetconvolutional neural networksclassification modelrecognition accuracies
发现论文，激发创造
  • 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

    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。

    Feb, 2018

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于 CNN-BiLSTM 模型的英文手写识别：对 IAM 数据集进行全面评估

    本文针对英文手写体识别问题，提出了一种基于 CNN-BiLSTM 系统的解决方案，并在公共 IAM 数据集上进行了广泛评估，包括模型大小、数据增强和词汇表的影响。其中采用 CTC 层的 CNN-BiLSTM 网络达到了 3.59% 的 CER 和 9.44% 的 WER。通过旋转和平移变换的测试时间增强方式，可以增加难识别情况的识别率，将单词错误率降低了 2.5 个百分点。此外，我们还对 IAM 数据集上的误差进行了分析，展示了手写图像中的难点，并探索了标签错误的样本。我们提供我们的源代码作为公共领域，以促进进一步的研究，鼓励科学可重复性。

    Jul, 2023