SqueezeNet和动态网络手术的脱机手写汉字识别

传统和基于CNN的脱机手写汉字识别模型多数是为了追求更高准确率,未重视模型体积大小,模型中存在大量冗余参数,模型训练周期长并且很难在资源有限的平台上运行.针对这些问题,本文提出改进的SqueezeNet模型,保留了用小卷积核替代大卷积核的策略,采用层间的特征融合算法和L2范数约束的Softmax分类函数;然后再对参数裁剪进一步压缩,避免裁剪掉重要参数而损失过多准确率,采用动态网络手术算法来保证将误删重要参数重新拼接.并将改进后的模型与其它模型在测试集ICDAR-2013下进行对比,本文模型参数变少、训练速度快并且可移植性强,模型大小为3.2MB,在测试集ICDAR-2013中其准确率达到96.03%,对输入图预处理后再训练所得模型准确率达到96.32%.