重建了SqueezeNext和C-CBAM,用于离线手写汉字识别
Ruiqi Wu1, Feng Zhou1, Nan Li1
1School of Information Technology, Yancheng Institute of Technology, Yancheng, Jiangsu, China.
PeerJ. Computer science
|September 14, 2023
概括
这项研究引入了一种轻量级的手写汉字识别 (HCCR) 模型,显著减少了87%的计算需求和模型大小,同时提高了1.71%的精度,以实现高效的部署.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 手写的中文字符识别 (HCCR) 由于字符多样性和高计算需求而面临挑战,阻碍了在资源有限的平台上部署.
- 现有的HCCR模型通常需要大量的计算资源,这对实际应用构成了障碍.
研究的目的:
- 开发一个改进的,轻量级的HCCR模型,减少计算消耗,提高运营效率.
- 为了使HCCR模型在资源有限的设备上部署,而不会影响准确性.
主要方法:
- 重建SqueezeNext网络模块以整合注意力机制和模型压缩技术.
- 引入跨阶段卷积块注意模块 (C-CBAM),以改善深层和浅层之间的特征相互作用.
- 使用一种新的卷积内核重要性评估标准和模型压缩的量子化意识培训实施结构化修剪.
主要成果:
- 通过使用拟议的重要性评估标准,实现了50.79%的修剪率,对准确度的影响最小.
- 将模型压缩到1.06 MB,体积减少了87.15%,在CASIA-HWDB数据集上准确率为97.36%.
- 与初始模型相比,显示了1.71%的精度改进,同时减少了运行时间和存储要求.
结论:
- 拟议的轻量级HCCR模型有效地平衡了模型压缩和准确性.
- 优化的模型显著降低了资源需求,使HCCR更容易在各种平台上部署.
- 这项研究为有效和准确的手写汉字识别提供了实际解决方案.
