融合边缘注意力的手写蒙古文字元数据增强方法

针对手写蒙古文字元数据集样本少且多样性差的问题，提出融合边缘注意力的条件手写蒙古文字元生成模型。模型在条件生成对抗网络的基础上引入了边缘注意力机制，使得数据生成模块对手写蒙古文字元边缘变化更加敏感，增加特征多样正则项在一定程度损失避免模式崩溃并使得生成样本更具多样性。在MNIST和手写蒙古文数据集进行了大量实验，结果表明提出模型样本增强效果优于GAN、CGAN，并且增强后的样本能够有效提升文字识别模型的性能。     

基于结构特征的汉字识别

提出一种基于文字结构特征的神经网络手写汉字识别策略 ,根据所提取的文字笔画方向、基本轮廓和交叉点等特征 ,采用基于自组织神经网络的模式聚类该方法完成正规手写文字的识别 .该方法提取的笔画轮廓十分准确有效 ,对手写汉字的约束少 ,可识别的汉字数量大 ,在仿真实验中有效地识别了绝大多数手写汉字     

互相关模式识别中样本的数量

提出了一种新的确定互相关模式识别试验样本数量大小的通用方法 ,给出了试验样本集的建立原则 ,在手写汉字识别之中使用表明 :当待识别样本互相关联时 ,它是一种很有效的统计学方法 ,具有重大的理论意义和实用价值 .     

基于深度学习的任意形状场景文字识别

场景文字识别的一个具有挑战性的方面是处理具有扭曲或不规则布局的文字.尤其是侧视文字和曲线文字在自然场景中较为常见,且难以识别.本文提出了一个带有灵活矫正功能的注意力增强网络,将其用于任意形状场景文字识别.此网络由基于卷积神经网络的文字矫正网络和基于注意力增强的识别网络两部分组成.矫正网络自适应地将输入图像中的文字进行矫正,降低识别难度,使基于注意力增强的序列识别网络直接根据矫正后的图像预测字符序列.整个模型可以进行端到端的训练,训练只需要图像和相应的文字真实标签.在各种公开数据集上进行了广泛的实验,包括SVT、ICDAR 2003和CUTE80等数据集,验证了此网络具有优异的性能.     

LLE算法及其在手写文字识别中的应用

手写体识别有着广阔的应用前景和很高的理论价值,其主要分为在线识别和离线识别两种.在分析局部线性嵌入算法LLE和文字识别过程的基础上,实现了整个手写文字识别过程,包括图像获取、预处理、特征提取、分类、LLE降维、识别输出等过程.通过文字的相容度试验,确定了本过程的有效性.     

基于双向LSTM的手写文字识别技术研究

手写文字识别是计算机视觉、自然语言处理领域中的重要问题和研究热点.本文针对手写文字识别问题,提出一种基于双向LSTM网络的手写文字识别方法.首先根据数据集特点进行归一化等预处理;然后使用CNN网络对图像的特征进行提取;接着通过双向LSTM网络来记忆手写文字序列的字句关系,并对文字序列进行预测;最后使用CTC-Loss作为损失函数,可以让整句标注的训练集在上述网络下收敛.对比实验表明本文提出的算法模型的有效性.     

基于BP神经网络的湘西民间方块苗文特征提取方法

分析湘西民间方块苗文文字的结构特性,提取表征文字特性的特征并构造特征矩阵,然后利用BP神经网络和方块苗文手写体字库训练出苗文的识别系统,并使用此系统对手写的方块苗文文字进行识别和分类.     

一种手写文字图形输入理论方法

提供了一种计算机手写文字图形输入理论方法.这个理论,可以预见的,在任何一个少数民族的象形字与表声字词的手写识别上可被灵活的应用,在任何一个象形字或表声字上可被灵活的应用.     

印刷体蒙古文字识别技术中切分方法的设计与实现

文字识别是人工智能的一个重要研究领域．有些民族文字识别的成果已转化为商品化软件．蒙文文字识别的研究还处于起步阶段，蒙古文字的结构和书写方式与其他文种相比有许多特点．印刷体蒙文文字识别技术中字元切分的方法，经过实验其切分正确率在98％以上，并已成功地用于印刷体蒙文识别软件中．     

基于深度学习的维吾尔文扫描体识别

基于深度学习的神经网络在中英文的图像文字识别中有着广泛的应用,而在维吾尔文识别的相关研究中应用有限.针对维吾尔文属于粘连性文字难于识别的问题,建立了维吾尔文图像识别的数据集,提出了TRBGA模型,并与主流的网络做了对比实验.实验表明:所提出的识别方法准确率达到了99.395％,优于传统的识别方法.     

基于神经网络的小样本手写汉字识别

文字图像识别具有重要的研究价值,为了完成复杂的字体图像识别任务,基于VGG结构思想,设计了基于卷积神经网络结构的手写字体识别模型,使用HWDB1. 1数据集中最常用的100个汉字组成的子数据集,应用Batch-Normalization等方法进行优化训练。实验结果表明,模型能够以很快的速度收敛,在有限的训练迭代次数下,模型在测试集上的识别准确率为96.77%。     

手写数字识别中组合式神经网络的构建方法

将聚类技术和遗传算法相结合, 提出一种基于相似度传播算法和遗传算法的神经网络集成方法应用于手写数字识别问题. 先分别利用主成分分析和Fisher线性判别分析对数据集进行特征提取, 得到两类特征数据集, 再利用Bagging方法分别为这两类特征数据集训练简单的BP神经网络, 然后采用相似度传播算法对这些BP神经网络进行聚类, 找到作为类簇中心的网络(中心网络), 最后利用遗传算法对所有中心网络的权值进行训练, 将中心网络进行加权线性集成作为最终分类器. 在标准手写数字数据集MNIST上进行测试的实验结果表明, 该方法的识别率优于单个神经网络的识别率, 并兼顾了分类效率.     

基于LVQ神经网络算法的脱机手写数字识别研究

针对BP神经网络进行脱机手写数字识别所存在的问题,提出用自组织竞争神经网络(LVQ)对脱机手写数字识别的方法.介绍了LVQ神经网络算法,并构建了LVQ神经网络的识别模型,用Matlab软件进行了仿真.将获得的仿真结果数据与BP神经网络的测试结果进行对比分析,发现LVQ神经网络对脱机手写数字的识别率明显高于BP神经网络,且收敛速度更快.该方法在脱机手写数字识别领域具有一定的可行性与指导性.     

基于笔划合并和动态规划的联机汉字切分算法

联机手写汉字识别已从单字识别走向多字,乃至整篇文档的识别,字符的正确切分很大程度上决定了系统的性能.为了提高系统对整页文档的切分识别性能,该文提出了一种联机手写汉字的切分算法.通过基于规则的笔划合并将单个笔划合并成字符块,在此基础上,采用动态规划算法,利用字符块的长宽比、大小、间距以及识别信息,寻找出最优的切分路径.同时,对于手写汉字的任意性,提出了一种对汉字外接矩形框进行裁减的调整算法,使外接框并不包含整个汉字.实验证明,该文所提出的算法对于字数较多的多行样本以及存在字符相互粘连的情况,都有着很好的效果.     

基于Transformer模型的手写数学公式语法树解码器

目前对数学公式进行树结构解码的方法大多基于循环神经网络的结构,训练效率低,训练过程复杂,基于此问题,提出一种基于Transformer结构的手写数学公式识别模型,可以直接对公式的语法树进行解码。在手写公式识别任务多个数据集上的实验结果表明,所提出的Transformer树解码方法都取得超越Transformer序列解码方法的性能,并展现出超越循环神经网络树解码方法的潜力。     

一种手写文字图形输入理论方法

提供了一种计算机手写文字图形输入理论方法．这个理论，可以预见的，在任何一个少数民族的象形字与表声字词的手写识别上可被灵活的应用，在任何一个象形字或表声字上可被灵活的应用．     

基于粗集方法的一种文字识别

文字识别作为模式识别的一个重要方面，其研究获得广泛重视。本文基于粗集理论的观点，把文字识别问题看作是模式识别中简化知识表达与信息分类处理问题，提出一种新的文字识别方法，这不仅对模式识别中如何提取有用特征是一种新的探索，而且对简化信息处理也是一种新的方法。本文介绍了基于粗集理论的文字知识表达的方法，探讨了模式识别中的特征提取及最小决策算法，并给出一个文字识别的例子来说明这种有效的方法。     

基于深度卷积神经网络的手写哈萨克文字母识别方法

利用卷积神经网络在图像识别方面的优势,提出了一种基于深度卷积神经网的哈萨克手写字母识别方法(DCNN-KLR),成功建立了一种哈萨克手写文字识别模型。 与传统的方法(SVM+HOG)相比,不仅训练方便、速度快,而且提高了哈萨克手写文字的识别率。在5708个数据样本上进行训练和测试,将样本分为33类和100类,正确识别率分别达到93.29%和92.38%。     

基于改进卷积神经网络及SVM的手写数字识别方法

手写数字识别在数据的自动读取、银行支票识别、邮政编码自动识别等领域有重要的实际应用价值.为了提高手写数字识别的准确率,提出一种将卷积神经网络与批量归一化(BN)网络结合来提取手写数字图片特征、并用支持向量机(SVM)进行分类的手写数字识别方法.经实验验证,所提出的手写数字识别方法准确率达到99.6％,相比于Vgg-16、Xception等改进卷积网络的识别准确率有较大的提高.     

基于KNN算法的手写数字识别研究

KNN算法用于手写数字识别的时候,需要将待识别的手写数字图像(测试集)与一些已知的手写数字图像(训练集)联合在一起求向量之间的最短距离,才能判断待识别数字图像的分类.设计了一种将测试集图像中的数据与尺寸转换为与训练集图像完全相似的转换算法,并在此基础上,将测试集和训练集都转换成有相同列数量的一维向量,进而求出向量之间的距离,并通过编写Python程序对该算法进行了验证.测试结果表明,该方法对手写数字图像的正确识别率能够达到95%以上.