迈向高性能在线 HCCR：结合 DropDistortion、路径签名和空间随机最大池化的 CNN 方法
计算机视觉与模式识别
2017-02-27 v1
摘要
本文研究了几种提高在线手写汉字识别 (HCCR) 准确率的技术。我们提出了一种名为 DropDistortion 的新训练策略，用扭曲样本训练深度卷积神经网络 (DCNN)。DropDistortion 在训练过程中逐渐降低字符扭曲程度，这使得 DCNN 能够更好地泛化。路径签名用于提取在线字符的有效特征。通过采用空间随机最大池化作为特征图扭曲和模型平均的方法，实现了进一步的改进。在三个公开可用的数据集上进行了实验，即 CASIA-OLHWDB 1.0、CASIA-OLHWDB 1.1 和 ICDAR2013 在线 HCCR 竞赛数据集。所提出的技术分别实现了 97.67%、97.30% 和 97.99% 的 SOTA 识别准确率。
引用
@article{arxiv.1702.07508,
title = {Toward high-performance online HCCR: a CNN approach with DropDistortion, path signature and spatial stochastic max-pooling},
author = {Songxuan Lai and Lianwen Jin and Weixin Yang},
journal= {arXiv preprint arXiv:1702.07508},
year = {2017}
}
备注
10 pages, 7 figures