混合式多元体光滑和标签传播技术用于卡纳达语手写字符识别
G Ramesh1, J Shreyas2, J Manoj Balaji3
1Department of AIML-Artificial Intelligence & Machine Learning, Alva's Institute of Engineering and Technology, Mangalore, Karnataka, India.
Frontiers in neuroscience
|April 29, 2024
概括
这项研究引入了半监督学习框架,用于卡纳达语手写字符识别,在显著减少标记样本的情况下达到99.13%的准确性. 该方法增强了深度学习模型,以提高新角色类的性能.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
- 图像识别 图像识别
背景情况:
- 手写字符识别是图像分类的一个关键挑战.
- 深度学习模型实现了高精度,但需要大量的标记数据.
- 现有的Kannada字符监督方法是有效的,但数据密集型.
研究的目的:
- 为卡纳达语手写字符识别提出一个新的半监督学习框架.
- 为了减少对大型标记数据集的依赖,培训.
- 为了在较少的标记样本中实现竞争力的准确性,为新类别提供标记样本.
主要方法:
- 使用卷积神经网络 (CNN) 骨干进行特征提取.
- 整合规范化技术来完善训练的功能.
- 采用标签传播来在情节性学习框架内分类未见的字符.
- 在Python中使用PyTorch库实现了框架.
主要成果:
- 在坎纳达语手写字符识别上达到99.13%的高精度.
- 与监督学习方法相比,已证明具有竞争力的表现.
- 即使对新类的标记样本显著减少 (每类一个或五个示例),也表现出有效性.
结论:
- 拟议的半监督框架为传统的监督方法提供了可行和高效的替代方案.
- 它显著降低了识别新的坎纳达手写字符的数据要求.
- 该方法强大且具有竞争力,为低资源场景中的更广泛应用铺平了道路.
