基于注意力网络集成的联机空中手写识别研究

针对联机空中手写识别的数据样本少、模型泛化能力不足、识别率低等问题,提出一种基于注意力网络集成的联机空中手写识别方法。该方法首先通过在形状特征中融入“联机”的时序特征,构建原始的多维数据;然后对多维融合数据降维投影到三个正交平面上,得到三组投影特征;其次,构建卷积神经网络用于提取视觉特征,同时引入字符嵌入作为图像的类标签,将类标签字符级语义特征通过注意力检测机制与三组视觉特征融合形成三组语义信息丰富的特征图,并基于特征图构建SoftMax分类器;最后,通过基于主学习器集成投票方法进行分类与识别。在两组空中手写数据集与哈工大(HIT-OR3C)联机数据上进行多组实验,在小样本的情况下,该方法识别率优于其他方法,分别达到95.68%,93.02%,94.96%。实验结果表明,该方法在小样本数据的情况下,充分发掘联机空中手写数据中有效特征,提高了空中手写识别效率。

基于CNN-ISVM的跨领域书写人自适应手写识别

用户书写风格、字形、笔迹、书写方式等方面都会存在差异,使手写识别应用具有特异性、小样本和多样式的特点,普适性的模型很难满足,必须在手写过程中对特定用户的书写进行自适应学习,使模型更好地服务于人们的个性化需求。针对此问题,研究者提出基于CNN-ISVM的跨领域书写人自适应手写识别方法,灵活地调整普适化模型,进行个性化的手写识别。在构造通用模型时,利用CNN作为特征提取器,对图像进行特征学习和提取,将提取的特征输入到SVM中进行分类。自适应手写识别时,引入基于错分样本触发的ISVM增量学习方法,使用增量样本和保存好的支持向量集对模型在线学习和更新。在实验中,当源域由静态手写图片组成,目标域为2组空写数据集时,每类别增量5张样本,识别率分别达到92.8%、90.42%。该方法简单易行,可以在目标域每类样本数据只有1张增量样本的情况下进行跨领域书写人自适应学习,与其它方法相比,识别率有较明显的提升。