使用卷积神经网络对非母语手写字符进行分类
计算机视觉与模式识别
2024-09-26 v2
摘要
卷积神经网络（CNN）的使用加速了手写字符分类/识别的进展。手写字符识别（HCR）已在各种领域得到应用，例如交通信号检测、语言翻译和文档信息提取。然而，现有 HCR 技术的广泛使用尚未实现，因为它不能提供具有出色准确性的可靠字符识别。HCR 不可靠的原因之一是现有 HCR 方法没有考虑非母语书写者的手写风格。因此，需要进一步改进以确保字符识别技术在关键任务中的可靠性和广泛部署。本文通过提出一个定制的 CNN 模型，对非母语用户书写的英文字符进行分类。我们使用一个新的数据集，称为手写孤立英文字符（HIEC）数据集，来训练这个 CNN。该数据集包含从 260 人收集的 16,496 张图像。本文还包括通过调整超参数对我们的 CNN 进行消融研究，以确定 HIEC 数据集的最佳模型。所提出的具有五个卷积层和一个隐藏层的模型在字符识别准确性方面优于最先进的模型，达到了 的准确率。与第二好的模型相比，我们的模型在分类准确性上的相对改进为 。
引用
@article{arxiv.2406.04511,
title = {Classification of Non-native Handwritten Characters Using Convolutional Neural Network},
author = {F. A. Mamun and S. A. H. Chowdhury and J. E. Giti and H. Sarker},
journal= {arXiv preprint arXiv:2406.04511},
year = {2024}
}