.png){kind=icon}
返回
Cursive character prediction using a deep learning model
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.3332.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
草书字符（CC）识别面临挑战，源于多样的CC书写风格和复杂的字符结构。因此，一个通用的CC识别系统至关重要。本研究聚焦于中文草书字符，提出了一种基于深度学习的CC预测模型，并配套开发了用于实时字符识别的移动应用程序。所提出的模型包含三个主要步骤：数据收集（源自历史手稿，经清理以去除噪声）；图像预处理（包括归一化、调整大小和数据增强）；以及预测（涉及超参数优化、正则化，并使用深度学习模型进行预测）。采用了来自卷积神经网络（如Residual neural network（ResNet）、Densely Connected Convolutional Networks（DenseNet）、very deep convolutional network（Visual Geometry Group, VGG）和EfficientNet）的迁移学习。该模型在一个精选的数据集上进行训练和评估，该数据集包含99,296张图像，涵盖331个字符类别，源自Wang Xizhi的'Grass Jue Song and Cursive Thousand Characters'。使用DenseNet-201，所提出的模型取得了卓越的性能，准确率、精确率、召回率和F1分数分别为0.92、0.92、0.93和0.92。与现有研究（通常关注较小数据集或不同文字）相比，本研究引入了一个针对复杂且视觉相似的中文草书字符的大规模识别框架，并通过移动应用程序展示了其实际部署。
Keyword:
Convolutional neural network
Cursive character
Deep learning
Image preprocessing
期刊
IF:
2.5
论文数:
3.4K
被引数:
7.0K
机构
引用论文
Low-shot transfer with attention for highly imbalanced cursive character recognition低镜头转移注意高度不平衡的草书字符识别.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏分享收藏Cursive Character Recognition in Natural Scene Images Using a Multilevel Convolutional Neural Network Fusion使用多级卷积神经网络融合的自然场景图像中的草书字符识别IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容