构建用于离线手写汉字识别的快速且紧凑的卷积神经网络
计算机视觉与模式识别
2017-02-28 v1
摘要
与计算机视觉中的其他问题类似，离线手写汉字识别（HCCR）使用基于卷积神经网络（CNN）的方法取得了令人瞩目的成果。然而，在该领域内提供 SOTA 结果需要更大、更深的网络。直觉上，此类网络似乎会产生很高的计算开销，并需要存储大量参数，这使得它们无法部署在便携式设备上。为了解决这个问题，我们提出了一种全局监督低秩展开（GSLRE）方法和一种自适应权重丢弃（ADW）技术，以解决速度和存储容量的问题。我们设计了一个包含 3,755 个类别的九层 CNN 用于 HCCR，并设计了一种算法，可将网络的计算开销降低 9 倍，并将网络压缩至基线模型原始大小的 1/18，而准确率仅下降 0.21%。在测试中，所提算法超越了迄今为止文献中报道的最佳单网络性能，且仅需 2.3 MB 的存储空间。此外，当与我们高效的前向实现相结合时，在 CPU 上识别一幅离线字符图像仅需 9.7 ms。与用于 HCCR 的 SOTA CNN 模型相比，我们的方法速度提高了约 30 倍，同时成本效益提高了 10 倍。
引用
@article{arxiv.1702.07975,
title = {Building Fast and Compact Convolutional Neural Networks for Offline Handwritten Chinese Character Recognition},
author = {Xuefeng Xiao and Lianwen Jin and Yafeng Yang and Weixin Yang and Jun Sun and Tianhai Chang},
journal= {arXiv preprint arXiv:1702.07975},
year = {2017}
}
备注
15 pages, 7 figures, 5 tables