用于手写文本识别的二维自组织ONN模型
计算机视觉与模式识别
2022-07-19 v1 人工智能
摘要
深度卷积神经网络（CNN）近期达到了最先进的 handwriting文本识别（HTR）性能。然而，近期研究表明，典型CNN的学习性能受限，因为它们是具有简单（线性）神经元模型的同质网络。运算神经网络（ONN）凭借其融合非线性神经元的异质网络结构，近期被提出以克服该缺陷。自组织ONN（Self-ONN）是ONN的自组织变体，采用生成式神经元模型，可利用泰勒近似生成任意非线性函数。在本研究中，为提升HTR中的最先进性能水平，提出了一种新型网络模型核心中的二维自组织ONN（Self-ONN）。此外，本研究利用了近期被证明能更好处理书写风格变化的可变形卷积。在IAM英文数据集和HADARA80P阿拉伯语数据集上的结果表明，所提出的带Self-ONN运算层的模型显著改善了字符错误率（CER）和词错误率（WER）。与对应的CNN相比，Self-ONN在HADARA80P上降低CER和WER达1.2%和3.4%，在IAM数据集上降低0.199%和1.244%。在基准IAM上的结果表明，所提出的带Self-ONN运算层的模型大幅优于近期深度CNN模型，而使用带可变形卷积的Self-ONN则展现出卓越的结果。
引用
@article{arxiv.2207.08139,
title = {2D Self-Organized ONN Model For Handwritten Text Recognition},
author = {Hanadi Hassen Mohammed and Junaid Malik and Somaya Al-Madeed and Serkan Kiranyaz},
journal= {arXiv preprint arXiv:2207.08139},
year = {2022}
}
备注
To appear in in Applied Soft Computing Journal (Elsevier)