手写数字识别：一种基于集成学习的高性能方法
计算机视觉与模式识别
2025-03-11 v1
摘要
手写数字识别仍然是计算机视觉领域的一项基本挑战，其应用涵盖从邮政编码读取到文档数字化。本文提出了一种基于集成学习的方法，将卷积神经网络（CNN）与传统机器学习技术相结合，以提高识别准确率和鲁棒性。我们在包含 70,000 张手写数字图像的 MNIST 数据集上评估了该方法。我们的混合模型使用 CNN 进行特征提取，并使用支持向量机（SVM）进行分类，达到了 99.30% 的准确率。我们还探讨了数据增强和各种集成技术在提升模型性能方面的有效性。结果表明，该方法不仅实现了高准确率，而且在多种不同书写风格上展现出更好的泛化能力。这些发现有助于开发更可靠的手写数字识别系统，并突显了在模式识别任务中将深度学习与传统机器学习方法相结合的潜力。
引用
@article{arxiv.2503.06104,
title = {Handwritten Digit Recognition: An Ensemble-Based Approach for Superior Performance},
author = {Syed Sajid Ullah and Li Gang and Mudassir Riaz and Ahsan Ashfaq and Salman Khan and Sajawal Khan},
journal= {arXiv preprint arXiv:2503.06104},
year = {2025}
}
备注
11 pages,6 figures