利用全卷积循环网络学习空间-语义上下文用于联机手写中文文本识别
计算机视觉与模式识别
2017-05-26 v2
摘要
联机手写中文文本识别（OHCTR）是一个具有挑战性的问题，因为它涉及大规模字符集、模糊分割和可变长度输入序列。本文利用路径签名（path signature）的卓越能力，通过基于滑动窗口的方法将联机笔尖轨迹转换为信息丰富的签名特征图，成功捕捉了笔画的解析和几何特性，并具有很强的局部不变性和鲁棒性。提出了一种多空间上下文全卷积循环网络（MCFCRN），以利用签名特征图中的多个空间上下文并生成预测序列，同时完全避免了困难的分割问题。此外，开发了一个隐式语言模型，基于预测特征序列中的语义上下文进行预测，为在识别过程中融入词典约束和关于特定语言的先验知识提供了新的视角。在两个标准基准数据集Dataset-CASIA和Dataset-ICDAR上的实验取得了优异的结果，正确率分别达到97.10%和97.15%，显著优于迄今为止文献中报道的最佳结果。
引用
@article{arxiv.1610.02616,
title = {Learning Spatial-Semantic Context with Fully Convolutional Recurrent Network for Online Handwritten Chinese Text Recognition},
author = {Zecheng Xie and Zenghui Sun and Lianwen Jin and Hao Ni and Terry Lyons},
journal= {arXiv preprint arXiv:1610.02616},
year = {2017}
}
备注
14 pages, 9 figures