Enhancing handwritten mathematical expression recognition with convolutional block attention refinement module and multi-task learning

doi:10.1080/24751839.2026.2716432

Enhancing handwritten mathematical expression recognition with convolutional block attention refinement module and multi-task learning

2026-08-19

0

OA

AI

DOI：10.1080/24751839.2026.2716432

原文链接

原文求助

摘要

En 中文

手写数学表达式识别（HMER）因复杂的结构关系、隐含符号和书写风格的变化而具有挑战性。因此，本文提出了一种结合多任务学习（MTL）与先进注意力机制的新方法，包括将卷积块注意力模块（CBAM）整合到注意力精炼模块（ARM）中，以优化注意力机制，实现情境感知解释，并提高架构的泛化能力。通过整合MTL，增强了模型在主任务上的表现能力。通过跨任务知识共享，模型减少了过拟合，并在推理阶段实现了更好的泛化。先进的注意力机制细化了注意力权重，以有效捕捉高度复杂的结构表达式和隐含修正。该方法解决了传统方法的局限性，并提高了CROHME数据集中的表达式识别率。实验结果表明，与当前最佳方法相比，本模型具有竞争力且参数更少。

Keyword:

Handwritten mathematical expression recognition

transformer

attention mechanism

convolutional block attention module

multi-task learning

Enhancing handwritten mathematical expression recognition with convolutional block attention refinement module and multi-task learning

摘要

期刊

机构

引用论文