用于离线手写中文文本识别的精简隐马尔可夫模型
计算机视觉与模式识别
2018-08-14 v1
摘要
近年来，隐马尔可夫模型 (HMMs) 在离线手写中文文本识别中取得了有前景的结果。然而，由于汉字词表庞大且每个字由均匀且固定数量的隐状态建模，对内存与计算的需求很高。在本研究中，为解决此问题，我们通过状态绑定提出精简 HMMs，可充分利用不同汉字之间的相似性。采用带有数据驱动问题集的两步算法，利用似然度量生成绑定状态池。所提出的以高斯混合模型 (GMMs) 和深度神经网络 (DNNs) 作为发射分布的精简 HMMs 不仅产生紧凑模型，还通过绑定状态的数据共享和状态类间混淆的减少提升了识别准确率。在 ICDAR-2013 竞赛数据库上测试，在最佳配置情况下，新的精简 DNN-HMM 相较传统 DNN-HMM 可实现相对字符错误率 (CER) 降低 6.2%、模型规模减小 25% 和解码时间减少 60%。在平均 1-状态 HMM 的紧凑设置情况下，我们的精简 DNN-HMM 以 35.5% 的相对 CER 降幅显著优于传统 DNN-HMM。
引用
@article{arxiv.1808.04138,
title = {Parsimonious HMMs for Offline Handwritten Chinese Text Recognition},
author = {Wenchao Wang and Jun Du and Zi-Rui Wang},
journal= {arXiv preprint arXiv:1808.04138},
year = {2018}
}
备注
Accepted by ICFHR2018