数式テキストベース画像における改善されたセグメンテーションのための古典的およびニューラル手法の橋渡し

科学分野:

• コンピュータビジョン
• 画像処理
• 人工知能

背景:

• 数式認識は、セグメンテーションの課題によって妨げられています。
• 既存の研究は、特にコンピュータビジョンと画像処理において、セグメンテーションよりも認識を優先しています。
• 手書きの数学テキストと式の認識には、堅牢なセグメンテーションが必要です。

研究 の 目的:

• 手書き数式認識における重要なセグメンテーション問題に対処すること。
• 数式の最適なセグメンテーションソリューションを分析および開発すること。
• 数式認識システムの精度と堅牢性を向上させること。

主な方法:

• 古典的なセグメンテーション方法の探索、分類、およびテスト。
• 多様な数式データセットでの比較ケース分析。
• 最適なニューラルネットワークベースのセグメンテーションアプローチの開発と提案。

主要な成果:

• 提案されたニューラルネットワークモデルは、複数のデータセット（CROHME、Aidapearson、HasyV）で競争力のある平均Intersection over Union（IOU）スコアを達成しました。
• パフォーマンス指標には、79.4％（CROHME 2014）、83.5％（CROHME 2016）、81.3％（CROHME 2019）、74.6％（Aidapearson）、および79.6％（HasyV）が含まれます。
• ニューラルネットワークアプローチは、従来のセグメンテーション方法と比較して優れたパフォーマンスを示しました。

結論:

• ニューラルネットワークベースのセグメンテーションは、古典的な方法の限界を効果的に克服します。
• 提案されたソリューションは、数式認識システムを強化する上で大きな可能性を示しています。
• この研究は、数学的文脈におけるコンピュータビジョンとAIに不可欠なセグメンテーション技術を進歩させます。