深度卷积神经网络用于孤立的阿拉伯手写字符识别:设计,评估和比较研究
1Department of Electrical and Computer Engineering, Faculty of Engineering, King Abdulaziz University, Jeddah, 21589, Saudi Arabia. etattar@kau.edu.sa.
Scientific reports
|November 27, 2025
概括
一个新的深度卷积神经网络 (CNN) 准确地识别手写的阿拉伯字母,达到96.8%的准确性. 这种先进的模型在阿拉伯手写识别任务中显著优于传统方法.
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
背景情况:
- 由于脚本的复杂性,手写阿拉伯字符的识别具有挑战性.
- 传统的方法与形形式,位置变化和多样化的风格作斗争.
研究的目的:
- 开发一个深度的卷积神经网络 (CNN) 来分类孤立的手写阿拉伯字母.
- 为了评估CNN的表现与经典的机器学习技术相比.
主要方法:
- 提出了一个量身定制的深度卷积神经网络 (CNN) 架构.
- 使用了28个阿拉伯字母表类的平衡数据集,并进行了预处理和增强.
- 通过交叉验证,混矩阵分析和统计测试来评估性能.
主要成果:
- 拟议的CNN实现了96.8%的分类准确度.
- 这显著超过了支持矢量机 (SVM) 的85.3%和K-最近邻居 (KNN) 的82.1%.
- 一个配对的t测试证实了CNN优势的统计学意义 (p < 0.01).
结论:
- 开发的CNN为孤立的手写阿拉伯字符识别提供了高度准确的解决方案.
- 该模型显示了诸如文档数字化和辅助技术等应用的潜力.
- 该架构可扩展到其他基于斜体的语言,未来的工作包括连接脚本识别.
