基于 GoogLeNet 与方向特征图的高性能离线手写汉字识别
计算机视觉与模式识别
2015-05-20 v1
摘要
正如其在解决许多计算机视觉问题上的巨大成功一样，卷积神经网络（CNN）近年来为手写汉字识别（HCCR）提供了新的端到端方法，并取得了非常有前景的结果。然而，此前提出的用于 HCCR 的 CNN 既不够深也不够精简。我们在本文中表明，更深的架构可以极大裨益 HCCR 以实现更高性能，同时可以用更少的参数进行设计。我们还表明，传统的特征提取方法，如 Gabor 或梯度特征图，对于增强 CNN 的性能仍然有用。我们设计了一个 GoogLeNet [13] 的精简版本（最初为近年来的图像分类以极深架构提出），用于 HCCR（记为 HCCR-GoogLeNet）。我们所用的 HCCR-GoogLeNet 深度为 19 层，但仅包含 726 万参数。实验使用 ICDAR 2013 离线 HCCR 竞赛数据集进行。结果表明，通过与传统的方向特征图适当结合，所提出的单模型和集成 HCCR-GoogLeNet 模型分别达到了 96.35% 和 96.74% 的新最先进识别准确率，以显著优势超越了先前的最佳结果。
引用
@article{arxiv.1505.04925,
title = {High Performance Offline Handwritten Chinese Character Recognition Using GoogLeNet and Directional Feature Maps},
author = {Zhuoyao Zhong and Lianwen Jin and Zecheng Xie},
journal= {arXiv preprint arXiv:1505.04925},
year = {2015}
}
备注
5 pages, 4 figures, 2 tables. Manuscript is accepted to appear in ICDAR 2015