用于在线手写汉字识别的笔画序列相关深度卷积神经网络
计算机视觉与模式识别
2016-10-14 v1
摘要
在本文中，我们提出了一种名为笔画序列相关深度卷积神经网络 (SSDCNN) 的新模型，该模型利用笔画序列信息和八方向特征进行在线手写汉字识别 (OLHCCR)。一方面，SSDCNN 可以通过结合笔画的自然序列信息来学习在线手写汉字 (OLHCC) 的表示。另一方面，SSDCNN 可以自然地结合八方向特征。为了训练 SSDCNN，我们将训练过程分为两个阶段：1) 使用训练数据预训练整个架构，直到性能趋于收敛。2) 进一步训练用于结合笔画序列相关表示与八方向特征的完全连接神经网络以及 softmax 层。在 ICDAR 2013 的 OLHCCR 竞赛任务上进行了实验。结果表明，与仅使用八方向特征的模型相比，SSDCNN 可以将识别错误率降低 50%（5.13% 对 2.56%）。所提的 SSDCNN 达到了 97.44% 的准确率，与 ICDAR2013 竞赛中提交的最佳系统相比，识别错误率降低了约 1.9%。这些结果表明，SSDCNN 能够利用笔画序列信息学习 OLHCC 的高质量表示。这也表明，学习到的表示与经典的八方向特征在 SSDCNN 架构内互为补充。
引用
@article{arxiv.1610.04057,
title = {Stroke Sequence-Dependent Deep Convolutional Neural Network for Online Handwritten Chinese Character Recognition},
author = {Baotian Hu and Xin Liu and Xiangping Wu and Qingcai Chen},
journal= {arXiv preprint arXiv:1610.04057},
year = {2016}
}