手写孟加拉语孤立复合字符识别：一种新方法与新基准
计算机视觉与模式识别
2018-02-05 v1
摘要
本工作提出了一种用于手写孟加拉语孤立复合字符识别的新型深度学习技术，并报告了在 CMATERdb 3.1.3.3 数据集上识别精度的新基准。深度神经网络的自底向上逐层贪心训练已助力在各种模式识别问题中取得重大进展。我们以有监督方式对深度卷积神经网络 (DCNN) 进行逐层训练，并以 RMSProp 算法增强训练过程以实现更快收敛。我们将结果与采用预定义特征的标准浅层学习方法以及标准 DCNN 所得结果进行比较。有监督逐层训练的 DCNN 被发现有优于标准浅层学习模型（如支持向量机）以及相似架构的常规 DCNN，其错误率达 9.67%，从而在 CMATERdb 3.1.3.3 上以 90.33% 的识别精度确立了新基准，代表了近 10% 的提升。
引用
@article{arxiv.1802.00671,
title = {Handwritten Isolated Bangla Compound Character Recognition: a new benchmark using a novel deep learning approach},
author = {Saikat Roy and Nibaran Das and Mahantapas Kundu and Mita Nasipuri},
journal= {arXiv preprint arXiv:1802.00671},
year = {2018}
}