基于深度学习的儿童手写阿拉伯字符识别和手写歧视
Maram Saleh Alwagdani1, Emad Sami Jaha1
1Department of Computer Science, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Sensors (Basel, Switzerland)
|August 12, 2023
概括
识别儿童的手写很有挑战性. 这项研究引入了一种新的卷积神经网络 (CNN) 模型,通过将成人数据纳入培训,实现了儿童阿拉伯字符识别的93%以上准确性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 模式识别 模式识别
背景情况:
- 现有的手写识别系统主要集中在成人数据上.
- 儿童手写带来了独特的挑战,原因是质量较差,变化较高和扭曲.
- 目前的系统往往没有优化,无法识别儿童的手写.
研究的目的:
- 开发一种新的卷积神经网络 (CNN) 模型,用于识别儿童手写的孤立阿拉伯字母.
- 调查训练数据组合 (儿童,成人或两者) 对识别准确性的影响.
- 通过将深度特征与补充特征相结合,增强作家组分类.
主要方法:
- 开发一种新的CNN模型,用于阿拉伯字符识别.
- 使用儿童 (Hijja) 和成人 (AHCD) 手写的数据集进行实验评估.
- 整合补充功能与CNN提取的功能,以改善分类.
- 使用软max,SVM,KNN和随机森林等分类器进行性能比较.
主要成果:
- 培训策略显著影响认可绩效.
- 在培训组中包括成人数据,提高了儿童手写字符识别准确度,达到大约93%.
- 补充和深度特征的融合提高了儿童手写区分的准确性,达到约94%.
结论:
- 拟议的CNN模型在识别儿童手写的阿拉伯字符方面表现出有效性.
- 包括成人数据对于提高儿童手写识别系统的性能至关重要.
- 结合深度和补充特征,为区分儿童和成人手写提供了一个有希望的方法.
