利用迁移学习与移动端卷积神经网络改进阿拉伯语手写字符识别

本研究探索了迁移学习（TL）与移动端卷积神经网络（MbNets）的集成，以增强阿拉伯语手写字符识别（AHCR）。针对计算需求庞大和数据集稀缺等挑战，本研究使用四种轻量级 MbNets（MobileNet、SqueezeNet、MnasNet 和 ShuffleNet）评估了三种迁移学习策略：完全微调、部分微调和从头训练。实验在三个基准数据集上进行：AHCD、HIJJA 和 IFHCDB。MobileNet 成为表现最佳的模型，在准确率、鲁棒性和效率方面持续取得优势，而 ShuffleNet 在泛化能力上表现出色，尤其是在完全微调下。IFHCDB 数据集取得了最高结果，使用 MnasNet 在完全微调下达到 99% 的准确率，凸显了其适用于鲁棒字符识别。AHCD 数据集使用 ShuffleNet 取得了具有竞争力的准确率（97%），而 HIJJA 因其变异性带来了显著挑战，使用 ShuffleNet 达到了 92% 的峰值准确率。值得注意的是，完全微调展示了最佳的整体性能，平衡了准确率和收敛速度，而部分微调在所有指标上表现不佳。这些发现强调了将 TL 和 MbNets 结合用于资源高效的 AHCR 的潜力，为进一步优化和更广泛的应用铺平了道路。未来的工作将探索架构修改、深入的数据集特征分析、数据增强以及高级敏感性分析，以增强模型的鲁棒性和泛化能力。