考虑类间分叉结构的手写预测
计算机视觉与模式识别
2020-09-29 v1
摘要
由于时间信号的混沌行为、非马尔可夫特性和非平稳噪声，时间预测仍是一项困难任务。除上述问题外，手写预测还因类间分叉结构带来的不确定性而具挑战性。例如，类别 '0' 和 '6' 在起始部分非常相似；因此几乎无法由起始部分预测其后续部分。换言之，'0' 和 '6' 由于类间歧义而具有分叉结构，在此情形下我们无法进行长期预测。本文提出一种可处理该分叉结构的时间预测模型。具体而言，所提模型显式地学习每一类的分叉结构作为高斯混合模型（GMM），以及各类的后验概率。预测的最终结果表示为以类概率为权重对 GMM 的加权和。当多个类具有较大权重时，模型可处理分叉从而避免过度不准确的预测。所提模型被构建为包含长短期记忆的神经网络，从而以端到端方式训练。该模型在 UNIPEN 在线手写字符数据集上进行了评估，结果表明模型能够捕捉并处理分叉结构。
引用
@article{arxiv.2009.12743,
title = {Handwriting Prediction Considering Inter-Class Bifurcation Structures},
author = {Masaki Yamagata and Hideaki Hayashi and Seiichi Uchida},
journal= {arXiv preprint arXiv:2009.12743},
year = {2020}
}
备注
Accepted at ICFHR2020