利用 DropWeight 和全局池化设计用于在线手写汉字识别的超紧凑 CNN 分类器
计算机视觉与模式识别
2017-05-16 v1
摘要
目前，由于移动设备的普及，在线手写汉字识别 (HCCR) 已成为向手机和平板设备输入信息的合适选择之一。过去几年中，更大更深的卷积神经网络 (CNN) 已被广泛用于提高字符识别性能。然而，其巨大的存储需求是将此类网络部署到便携式电子设备中的重大障碍。为规避这一问题，我们提出了一种名为 DropWeight 的新技术，用于剪枝 CNN 架构中的冗余连接。研究表明，所提出的方法不仅能很好地处理 AlexNet 和 VGGNet 等精简架构，而且在深度残差网络和 Inception 网络中也表现出卓越的性能。我们还证明了全局池化是构建超紧凑在线 HCCR 系统的更好选择。实验在 ICDAR-2013 在线 HCCR 竞赛数据集上使用我们提出的网络进行，发现所提出的方法仅需 0.57 MB 存储空间，而最先进的基于 CNN 的方法则需要高达 135 MB；同时性能仅下降了 0.91%。
引用
@article{arxiv.1705.05207,
title = {Design of a Very Compact CNN Classifier for Online Handwritten Chinese Character Recognition Using DropWeight and Global Pooling},
author = {Xuefeng Xiao and Yafeng Yang and Tasweer Ahmad and Lianwen Jin and Tianhai Chang},
journal= {arXiv preprint arXiv:1705.05207},
year = {2017}
}
备注
5 pages, 2 figures, 2 tables