在线与离线手写汉字识别：综合研究与全新基准
计算机视觉与模式识别
2016-06-21 v1
摘要
近年来，基于深度学习的方法通过直接从原始数据中学习具有判别性的表示，在手写汉字识别（HCCR）中取得了最先进的性能。尽管如此，我们相信经过长期深入研究的领域特定知识仍应有助于提升 HCCR 的性能。通过将传统的归一化协同方向分解特征图（directMap）与深度卷积神经网络（convNet）相结合，我们能够在 ICDAR-2013 竞赛数据库上为在线和离线 HCCR 取得新的最高准确率。借助这一新框架，我们可以消除对数据增强和模型集成的需求，而这些技术在其他系统中被广泛用于实现其最佳结果。这使得我们的框架在训练和测试阶段均高效且有效。此外，尽管 directMap+convNet 能够取得最佳结果并超越人类水平，我们表明在此情况下书写者自适应仍然有效。我们提出了一个新的自适应层，以减少在特定源层上训练数据与测试数据之间的失配。该自适应过程可以以无监督的方式高效且有效地实现。通过将该自适应层加入预训练的 convNet 中，它可以适应特定书写者的新书写风格，并且识别准确率能够得到持续且显著的进一步提升。本文对近期基于深度学习的 HCCR 方法进行了概述与比较，并为在线和离线 HCCR 设定了新的基准。
引用
@article{arxiv.1606.05763,
title = {Online and Offline Handwritten Chinese Character Recognition: A Comprehensive Study and New Benchmark},
author = {Xu-Yao Zhang and Yoshua Bengio and Cheng-Lin Liu},
journal= {arXiv preprint arXiv:1606.05763},
year = {2016}
}