用于提升手写数学表达式识别率的模式生成策略
计算机视觉与模式识别
2019-01-23 v1
摘要
手写数学表达式（HME）的识别是一个具有挑战性的问题，因为二维手写存在模糊性和复杂性。此外，缺乏大规模训练数据是一个严重的问题，尤其是对于学术识别系统而言。在本文中，我们提出了模式生成策略，通过生成形状和结构变化来改进基于小规模训练集的识别系统性能。对于数据生成，我们采用了公开数据库：在线 HME 的 CROHME 2014 和 2016。第一种策略采用局部和全局畸变来生成形状变化。第二种策略将一个在线 HME 分解为子在线 HME 以获得更多的结构变化。混合策略结合这两种策略以最大化形状和结构变化。生成的在线 HME 被转换为图像用于离线 HME 识别。我们在一个由近期深度学习模型——卷积神经网络（CNN）和基于注意力的编码器-解码器构成的端到端识别系统中测试了我们的策略。在 CROHME 2014 和 2016 数据库上的实验结果表明了我们策略的优越性和有效性：我们的混合策略在这些数据库上分别达到了 48.78% 和 45.60% 的分类率。这些结果与近期文献中报道的其他结果相比具有竞争力。我们生成的数据库向研究界公开，并构成了未来 HME 识别研究的有用资源。
引用
@article{arxiv.1901.06763,
title = {Pattern Generation Strategies for Improving Recognition of Handwritten Mathematical Expressions},
author = {Anh Duc Le and Bipin Indurkhya and Masaki Nakagawa},
journal= {arXiv preprint arXiv:1901.06763},
year = {2019}
}