論文の概要: HCR-Net: A deep learning based script independent handwritten character
recognition network
- arxiv url: http://arxiv.org/abs/2108.06663v1
- Date: Sun, 15 Aug 2021 05:48:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 15:30:31.112804
- Title: HCR-Net: A deep learning based script independent handwritten character
recognition network
- Title（参考訳）: hcr-net:深層学習に基づくスクリプト独立手書き文字認識ネットワーク
- Authors: Vinod Kumar Chauhan, Sukhdeep Singh and Anuj Sharma
- Abstract要約: 本稿では,手書き文字認識のためのエンドツーエンド学習にトランスファーラーニングと画像拡張を利用する,新しいディープラーニングアーキテクチャを提案する。
Bangla, Punjabi, Hindi, English, Swedish, Urdu, Farsi, Tibetan, Kannada, Malayalam, Telugu, Marathi, Nepali, Arabic languagesの公開データセットによる実験結果から, HCR-Netの有効性が確認された。
- 参考スコア（独自算出の注目度）: 4.550987861314984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Handwritten character recognition (HCR) is a challenging learning problem in
pattern recognition, mainly due to similarity in structure of characters,
different handwriting styles, noisy datasets and a large variety of languages
and scripts. HCR problem is studied extensively for a few decades but there is
very limited research on script independent models. This is because of factors,
like, diversity of scripts, focus of the most of conventional research efforts
on handcrafted feature extraction techniques which are language/script specific
and are not always available, and unavailability of public datasets and codes
to reproduce the results. On the other hand, deep learning has witnessed huge
success in different areas of pattern recognition, including HCR, and provides
end-to-end learning, i.e., automated feature extraction and recognition. In
this paper, we have proposed a novel deep learning architecture which exploits
transfer learning and image-augmentation for end-to-end learning for script
independent handwritten character recognition, called HCR-Net. The network is
based on a novel transfer learning approach for HCR, where some of lower layers
of a pre-trained VGG16 network are utilised. Due to transfer learning and
image-augmentation, HCR-Net provides faster training, better performance and
better generalisations. The experimental results on publicly available datasets
of Bangla, Punjabi, Hindi, English, Swedish, Urdu, Farsi, Tibetan, Kannada,
Malayalam, Telugu, Marathi, Nepali and Arabic languages prove the efficacy of
HCR-Net and establishes several new benchmarks. For reproducibility of the
results and for the advancements of the HCR research, complete code is publicly
released at \href{https://github.com/jmdvinodjmd/HCR-Net}{GitHub}.
- Abstract（参考訳）: 手書き文字認識(HCR)は、主に文字の構造、異なる手書きスタイル、ノイズの多いデータセット、多種多様な言語やスクリプトの類似性から、パターン認識において難しい学習問題である。
HCR問題は数十年にわたって広く研究されているが、スクリプト独立モデルについては非常に限定的な研究がある。
これは、スクリプトの多様性、言語やスクリプトに特有で常に利用できるわけではない手作りの特徴抽出技術に焦点をあてる従来の研究努力のほとんどに焦点が当てられていること、そして結果の再現に公共データセットやコードが利用できないことなどである。
一方で、ディープラーニングは、hcrを含むさまざまなパターン認識分野で大きな成功を収め、エンドツーエンドの学習、すなわち自動特徴抽出と認識を提供する。
本稿では,HCR-Netと呼ばれるスクリプト独立型手書き文字認識において,手書き文字認識のための変換学習と画像拡張を利用した新しいディープラーニングアーキテクチャを提案する。
このネットワークは、訓練済みのVGG16ネットワークの下位層の一部を利用するHCRの新しい転送学習アプローチに基づいている。
転送学習と画像拡張により、HCR-Netはより高速なトレーニング、より良いパフォーマンス、より良い一般化を提供する。
Bangla, Punjabi, Hindi, English, Swedish, Urdu, Farsi, Tibetan, Kannada, Malayalam, Telugu, Marathi, Nepali and Arabic languagesの公開データセットによる実験結果は、HCR-Netの有効性を証明し、いくつかの新しいベンチマークを確立する。
結果の再現性とHCR研究の進歩のために、完全なコードは \href{https://github.com/jmdvinodjmd/HCR-Net}{GitHub} で公開されている。
関連論文リスト
- Classification of Non-native Handwritten Characters Using Convolutional Neural Network [0.0]
非ネイティブユーザによる英語文字の分類は、カスタマイズされたCNNモデルを提案することによって行われる。
我々はこのCNNを、手書きの独立した英語文字データセットと呼ばれる新しいデータセットでトレーニングする。
5つの畳み込み層と1つの隠蔽層を持つモデルでは、文字認識精度において最先端モデルよりも優れる。
論文 参考訳（メタデータ） (2024-06-06T21:08:07Z) - Retrieval is Accurate Generation [99.24267226311157]
本稿では,支援文書の集合からコンテキスト認識句を選択する新しい手法を提案する。
本モデルでは,検索対象のベースラインの中で,最高の性能と低レイテンシを実現する。
論文 参考訳（メタデータ） (2024-02-27T14:16:19Z) - Optimizing the Neural Network Training for OCR Error Correction of
Historical Hebrew Texts [0.934612743192798]
本稿では,ヘブライOCR後補正のための軽量ニューラルネットワークを,手作業で生成したデータよりもはるかに少ない精度でトレーニングする方法を提案する。
過去のOCR新聞の分析は、共通言語とコーパス固有のOCRエラーを学習するために行われた。
論文 参考訳（メタデータ） (2023-07-30T12:59:06Z) - OCRBench: On the Hidden Mystery of OCR in Large Multimodal Models [122.27878464009181]
テキスト関連視覚タスクにおいて, GPT4V や Gemini などの大規模マルチモーダルモデルの包括的評価を行った。
OCRBenchには29のデータセットがあり、最も包括的なOCR評価ベンチマークが利用できる。
論文 参考訳（メタデータ） (2023-05-13T11:28:37Z) - Uncovering the Handwritten Text in the Margins: End-to-end Handwritten
Text Detection and Recognition [0.840835093659811]
本研究は,手書きペラリアの自動検出と認識のためのエンドツーエンドフレームワークを提案する。
データ拡張と転送学習を使用して、トレーニングデータの不足を克服する。
このフレームワークの有効性はスウェーデンのウプサラ大学図書館で発見された初期の書籍コレクションのデータから実証的に評価されている。
論文 参考訳（メタデータ） (2023-03-10T14:00:53Z) - Lexically Aware Semi-Supervised Learning for OCR Post-Correction [90.54336622024299]
世界中の多くの言語における既存の言語データの多くは、非デジタル化された書籍や文書に閉じ込められている。
従来の研究は、あまり良くない言語を認識するためのニューラル・ポスト・コレクション法の有用性を実証してきた。
そこで本研究では,生画像を利用した半教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-11-04T04:39:02Z) - PGNet: Real-time Arbitrarily-Shaped Text Spotting with Point Gathering
Network [54.03560668182197]
任意形状のテキストをリアルタイムで読み取るための,完全畳み込み点収集ネットワーク(PGNet)を提案する。
PG-CTCデコーダを用いて2次元空間から高レベル文字分類ベクトルを収集し,NMSやRoI操作を使わずにテキストシンボルに復号する。
実験により,提案手法は競争精度が向上し,走行速度が著しく向上することが確認された。
論文 参考訳（メタデータ） (2021-04-12T13:27:34Z) - Be More with Less: Hypergraph Attention Networks for Inductive Text
Classification [56.98218530073927]
グラフニューラルネットワーク(GNN)は、研究コミュニティで注目され、この標準タスクで有望な結果を実証している。
成功にもかかわらず、それらのパフォーマンスは、単語間の高次相互作用をキャプチャできないため、実際は大部分が危険に晒される可能性がある。
本稿では,テキスト表現学習において,少ない計算量でより表現力の高いハイパーグラフアテンションネットワーク(HyperGAT)を提案する。
論文 参考訳（メタデータ） (2020-11-01T00:21:59Z) - Offline Handwritten Chinese Text Recognition with Convolutional Neural
Networks [5.984124397831814]
本稿では,畳み込みニューラルネットワークのみを用いてモデルを構築し,CTCを損失関数として利用する。
ICDAR 2013のコンペでは6.81%の文字誤り率(CER)を達成した。
論文 参考訳（メタデータ） (2020-06-28T14:34:38Z) - Towards Accurate Scene Text Recognition with Semantic Reasoning Networks [52.86058031919856]
本稿では,シーンテキスト認識のための意味推論ネットワーク(SRN)という,エンドツーエンドのトレーニング可能な新しいフレームワークを提案する。
GSRMはマルチウェイ並列伝送によってグローバルセマンティックコンテキストをキャプチャするために導入された。
正規テキスト,不規則テキスト,非ラテン語長文を含む7つの公開ベンチマークの結果,提案手法の有効性とロバスト性を検証した。
論文 参考訳（メタデータ） (2020-03-27T09:19:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。