基于迁移学习的孤立孟加拉语手写字符分类
计算机视觉与模式识别
2025-09-04 v1
摘要
孟加拉语由五十个不同的字符和许多复合字符组成。已有多项研究对孟加拉语字符的识别进行了探索，包括手写和光学识别。我们的方法使用迁移学习来分类基本的、独立的以及复合的孟加拉语手写字符，同时避免梯度消失问题。深度神经网络技术，如三维卷积神经网络（3DCNN）、残差神经网络（ResNet）和 MobileNet，被应用于生成孟加拉语手写字符所有可能标准形式的端到端分类。孟加拉语 Lekha Isolated 数据集包含 166,105 个孟加拉语字符图像样本，分为 84 个不同类别，用于该分类模型。该模型在训练数据上达到了 99.82% 的准确率，在测试数据上达到了 99.46% 的准确率。与各种孟加拉语手写字符分类的最先进基准的比较表明，所提出的模型在分类数据方面实现了更高的准确率。
引用
@article{arxiv.2509.03061,
title = {Isolated Bangla Handwritten Character Classification using Transfer Learning},
author = {Abdul Karim and S M Rafiuddin and Jahidul Islam Razin and Tahira Alam},
journal= {arXiv preprint arXiv:2509.03061},
year = {2025}
}
备注
Comments: 13 pages, 14 figures, published in the Proceedings of the 2nd International Conference on Computing Advancements (ICCA 2022), IEEE. Strong experimental section with comparisons across models (3DCNN, ResNet50, MobileNet)