Fugu-MT 論文翻訳(概要): Multichannel Attention Networks with Ensembled Transfer Learning to Recognize Bangla Handwritten Charecter

論文の概要: Multichannel Attention Networks with Ensembled Transfer Learning to Recognize Bangla Handwritten Charecter

arxiv url: http://arxiv.org/abs/2408.10955v1
Date: Tue, 20 Aug 2024 15:51:01 GMT
ステータス: 処理完了
システム内更新日: 2024-08-21 13:05:41.868438
Title: Multichannel Attention Networks with Ensembled Transfer Learning to Recognize Bangla Handwritten Charecter
Title（参考訳）: バングラ手書きチャレクタ認識のための組込み伝達学習を用いた多チャンネルアテンションネットワーク
Authors: Farhanul Haque, Md. Al-Hasan, Sumaiya Tabssum Mou, Abu Saleh Musa Miah, Jungpil Shin, Md Abdur Rahim,
Abstract要約: この研究では、アンサンブルトランスファーラーニングとマルチチャネルアテンションネットワークを備えた畳み込みニューラルネットワーク(CNN)を用いた。我々は、CAMTERdb 3.1.2データセットを用いて提案モデルを評価し、生データセットの92%、前処理データセットの98.00%の精度を達成した。
参考スコア（独自算出の注目度）: 1.5236380958983642
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The Bengali language is the 5th most spoken native and 7th most spoken language in the world, and Bengali handwritten character recognition has attracted researchers for decades. However, other languages such as English, Arabic, Turkey, and Chinese character recognition have contributed significantly to developing handwriting recognition systems. Still, little research has been done on Bengali character recognition because of the similarity of the character, curvature and other complexities. However, many researchers have used traditional machine learning and deep learning models to conduct Bengali hand-written recognition. The study employed a convolutional neural network (CNN) with ensemble transfer learning and a multichannel attention network. We generated the feature from the two branches of the CNN, including Inception Net and ResNet and then produced an ensemble feature fusion by concatenating them. After that, we applied the attention module to produce the contextual information from the ensemble features. Finally, we applied a classification module to refine the features and classification. We evaluated the proposed model using the CAMTERdb 3.1.2 data set and achieved 92\% accuracy for the raw dataset and 98.00\% for the preprocessed dataset. We believe that our contribution to the Bengali handwritten character recognition domain will be considered a great development.
Abstract（参考訳）: ベンガル語は世界で5番目に話されている言語であり、7番目に話されている言語である。しかし、英語、アラビア語、トルコ語、中国語などの他の言語は、手書き文字認識システムの開発に大きく貢献している。それでも、ベンガル文字認識についてはほとんど研究されていないのは、文字、曲率、その他の複雑さの類似性のためである。しかし、多くの研究者はベンガルの手書き認識を行うために、伝統的な機械学習とディープラーニングモデルを使用してきた。この研究では、アンサンブルトランスファーラーニングとマルチチャネルアテンションネットワークを備えた畳み込みニューラルネットワーク(CNN)を用いた。我々は、インセプションネットとResNetを含むCNNの2つのブランチからこの機能を生成し、それらを結合してアンサンブル機能融合を生成した。その後,アテンションモジュールを適用し,アンサンブルの特徴からコンテキスト情報を生成する。最後に,特徴と分類を洗練させるために分類モジュールを適用した。提案手法をCAMTERdb 3.1.2データセットを用いて評価し, 原データセットの精度92\%, 前処理データセットの精度98.00\%を達成した。我々はベンガル文字認識領域への我々の貢献が大きな発展とみなすだろうと考えている。

関連論文リスト

A Novel Cartography-Based Curriculum Learning Method Applied on RoNLI: The First Romanian Natural Language Inference Corpus [71.77214818319054]
自然言語推論は自然言語理解のプロキシである。ルーマニア語のNLIコーパスは公開されていない。 58Kの訓練文対からなるルーマニア初のNLIコーパス(RoNLI)を紹介する。
論文参考訳（メタデータ） (2024-05-20T08:41:15Z)
BanglaNet: Bangla Handwritten Character Recognition using Ensembling of Convolutional Neural Network [0.0]
本稿では,複数の畳み込みニューラルネットワーク(CNN)のアンサンブルに基づく分類モデルを提案する。 Inception、ResNet、DenseNetといった最先端CNNモデルのアイデアに基づいた3つの異なるモデルが、拡張入力と非拡張入力の両方でトレーニングされている。 CMATERdb(英語版)、BanglaLekha-Isolated(英語版)、Ekush(英語版)の3つのベンチマークによる厳密な実験は、かなりの認識精度を示した。
論文参考訳（メタデータ） (2024-01-16T01:08:19Z)
Cross-Lingual NER for Financial Transaction Data in Low-Resource Languages [70.25418443146435]
半構造化テキストデータにおける言語間名前認識のための効率的なモデリングフレームワークを提案する。我々は2つの独立したSMSデータセットを英語とアラビア語で使用し、それぞれが半構造化された銀行取引情報を持っている。わずか30のラベル付きサンプルにアクセスすることで、我々のモデルは、英語からアラビア語までの商人、金額、その他の分野の認識を一般化することができる。
論文参考訳（メタデータ） (2023-07-16T00:45:42Z)
Bengali Handwritten Digit Recognition using CNN with Explainable AI [0.5156484100374058]
我々は様々な機械学習アルゴリズムとCNNを用いて手書きベンガル数字を認識した。 Grad-CAMは私たちのCNNモデルのXAIメソッドとして使われました。
論文参考訳（メタデータ） (2022-12-23T04:40:20Z)
Efficient approach of using CNN based pretrained model in Bangla handwritten digit recognition [0.0]
手書き文字認識は、様々な産業において多くの応用に不可欠である。形状、サイズ、書体スタイルの多様性でベンガル文字を書くのが複雑であるため、研究者はSupervisedの機械学習アルゴリズムを使って精度を向上できなかった。 Inception-v3, EfficientNetB0を含むCNNベースの手書き文字認識モデルを提案する。
論文参考訳（メタデータ） (2022-09-19T15:58:53Z)
Hindi/Bengali Sentiment Analysis Using Transfer Learning and Joint Dual Input Learning with Self Attention [0.0]
我々の研究は、深層ニューラルネットワークをトランスファーラーニングや統合二重入力学習設定で効果的に活用し、感情を効果的に分類し、ヒンディー語とベンガル語のヘイトスピーチを検出する方法について検討している。統合二重入力学習環境では自己注意のBiLSTMを使用し、ヒンディー語とベンガル語のデータセット上に1つのニューラルネットワークを同時に、それぞれの埋め込みを用いてトレーニングする。
論文参考訳（メタデータ） (2022-02-11T05:36:11Z)
Utilizing Wordnets for Cognate Detection among Indian Languages [50.83320088758705]
ヒンディー語と10のインド諸語間の単語対を検出する。深層学習手法を用いて単語対が共生か否かを予測する。性能は最大26%向上した。
論文参考訳（メタデータ） (2021-12-30T16:46:28Z)
Harnessing Cross-lingual Features to Improve Cognate Detection for Low-resource Languages [50.82410844837726]
言語間単語埋め込みを用いた14言語間のコニャートの検出を実証する。インドの12言語からなる挑戦的データセットを用いて,コニャート検出手法の評価を行った。我々は,コグネート検出のためのFスコアで最大18%の改善点を観察した。
論文参考訳（メタデータ） (2021-12-16T11:17:58Z)
Bengali Handwritten Grapheme Classification: Deep Learning Approach [0.0]
画像中のベンガルグラフの3つの構成要素を分類することが課題となるKaggleコンペティション citek_link に参加する。我々は,Multi-Layer Perceptron(MLP)やResNet50の現状など,既存のニューラルネットワークモデルの性能について検討する。そこで我々は,ベンガル語文法分類のための独自の畳み込みニューラルネットワーク(CNN)モデルを提案し,検証根の精度95.32%,母音の精度98.61%,子音の精度98.76%を示した。
論文参考訳（メタデータ） (2021-11-16T06:14:59Z)
Skeleton Based Sign Language Recognition Using Whole-body Keypoints [71.97020373520922]
手話は聴覚障害者や言語障害者のコミュニケーションに使用される。また,RGB-D法と組み合わせて最先端の性能を実現することで,Skeletonに基づく音声認識が普及しつつある。近年のボディポーズ推定用citejin 2020wholeの開発に触発されて,全身キーポイントと特徴に基づく手話認識を提案する。
論文参考訳（メタデータ） (2021-03-16T03:38:17Z)
Soft Gazetteers for Low-Resource Named Entity Recognition [78.00856159473393]
本稿では、英語知識ベースからユビキタスに利用可能な情報をニューラル名付きエンティティ認識モデルに組み込む「ソフトガゼッタ」を提案する。 4つの低リソース言語に対する実験により,F1得点の4点の平均的改善が示された。
論文参考訳（メタデータ） (2020-05-04T21:58:02Z)

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。