构建高效的 CNN 架构用于脱机手写汉字识别
计算机视觉与模式识别
2018-04-10 v2
摘要
基于深度卷积网络的方法在图像分类中取得了巨大突破，其通过自动学习判别性特征为手写汉字识别（HCCR）问题提供了端到端解决方案。然而，最先进的 CNN 似乎带来了巨大的计算代价，并且需要存储大量参数，尤其是在全连接层中，难以将此类网络部署到计算量受限的异构硬件设备上。为解决存储问题，我们提出一种称为全局加权平均池化（Global Weighted Average Pooling）的新技术，以在不损失精度的情况下减少全连接层中的参数。此外，我们在单一 CNN 中通过添加中间输出层实现级联模型，以尽早完成识别，从而显著降低平均推理时间。实验在 ICDAR-2013 脱机 HCCR 数据集上进行，结果表明所提方法平均仅需 6.9ms 对一幅字符图像进行分类，在仅需 3.3MB 存储空间的同时达到了 97.1% 的当前最佳精度。
引用
@article{arxiv.1804.01259,
title = {Building Efficient CNN Architecture for Offline Handwritten Chinese Character Recognition},
author = {Zhiyuan Li and Nanjun Teng and Min Jin and Huaxiang Lu},
journal= {arXiv preprint arXiv:1804.01259},
year = {2018}
}
备注
7 pages, 2 figures