Jun, 2024

非本土手写字符的卷积神经网络分类

PDF
TL;DR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%。
convolutional neural networkshandwritten character recognitionnon-native writershiec datasetcharacter recognition accuracy
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • CharNet：高复杂字符分类的广义方法

    手写字符识别是机器学习研究人员面临的一个具有挑战性的问题，本文提出了一种简单、可推广、高效的方法 (CharNet) 来解决字符图像分类问题，并与现有方法的性能进行了比较。

    Jan, 2024

  • 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

  • 使用循环神经网络绘制和识别汉字

    本文提出了一种基于循环神经网络的框架，将其作为识别和生成中文字符的判别模型和生成模型，达到了 ICDAR-2013 竞赛数据库上的最先进效果。

    Jun, 2016