基于深度学习的手写孟加拉数字识别
计算机视觉与模式识别
2017-05-09 v1
摘要
尽管模式识别技术取得了进展，手写孟加拉字符识别（HBCR）（如字母数字和特殊字符）由于孟加拉手写体中许多易混淆字符和过度连写而很大程度上未解决。即使现有最佳识别器也无法达到实际应用所需的满意性能。为改进手写孟加拉数字识别（HBDR）的性能，我们在此提出一种基于深度神经网络的新方法，深度神经网络最近在许多模式识别和机器学习应用中表现出优异性能，但尚未被充分尝试用于 HBDR。我们介绍了基于深度信念网络（DBN）、卷积神经网络（CNN）、带 dropout 的 CNN、带 dropout 和 Gaussian 滤波器的 CNN，以及带 dropout 和 Gabor 滤波器的 CNN 的孟加拉数字识别技术。这些网络具有提取和利用特征信息的优势，提高了对二维形状的识别，并在平移、缩放和其他模式畸变方面具有高度不变性。我们在公开可用的名为 CMATERdb 3.1.1 的孟加拉数字图像数据库上系统评估了我们的方法性能。通过实验，我们使用提出的方法：带 Gabor 特征和 dropout 的 CNN 实现了 98.78% 的识别率，优于 HDBR 的最先进算法。
引用
@article{arxiv.1705.02680,
title = {Handwritten Bangla Digit Recognition Using Deep Learning},
author = {Md Zahangir Alom and Paheding Sidike and Tarek M. Taha and Vijayan K. Asari},
journal= {arXiv preprint arXiv:1705.02680},
year = {2017}
}
备注
12 pages, 10 figures, 3 tables