利用深度学习的离线手写数学符号识别
计算机视觉与模式识别
2019-10-17 v1
摘要
本文描述了一种离线识别手写数学符号的方法。本文中的符号识别过程包括符号分割和对超过300个类别的精确分类。许多多维数学符号需要同时进行水平和垂直投影才能分割。然而，有些符号不允许投影并停止分割，例如根号。此外，许多数学符号在结构上相似，尤其是在手写体中，如0和空集。数学符号超过300种。因此，需要为超过300个类别设计一个精确的分类器。本文首先使用简单线性迭代聚类（SLIC）解决了分割问题。实验结果表明，对于66个类别，所设计的kNN分类器在显著性特征上的准确率为84%，方向梯度直方图（HOG）为57%，线性二值模式（LBP）为53%，原始图像像素强度为43%。对于87个类别，使用改进的LeNet达到了90%的准确率。最后，对于101个类别，SqueezeNet达到了……
引用
@article{arxiv.1910.07395,
title = {Offline handwritten mathematical symbol recognition utilising deep learning},
author = {Azadeh Nazemi and Niloofar Tavakolian and Donal Fitzpatrick and Chandrik a Fernando and Ching Y. Suen},
journal= {arXiv preprint arXiv:1910.07395},
year = {2019}
}