多字体字符识别的分级协同模型

提出了一种用于多字体字符识别的分级协同神经网络模型 .该分级模型的识别由两部分组成 :Haken的协同网络确定识别进入哪个协同子网 ;用协同子网进行具体识别 .对大量实际采集得到的多字体字符样本的测试表明 :新模型能有效地提高协同神经网络对多字体字符的识别率 ,但由于仍保留了识别速度快的特点 ,所以新模型适用于实时的光学字符识别应用 .对加噪字符的识别试验表明该模型具有很好的鲁棒性 .

多字体字符识别的协同模型

提出了一种新的用于多字体字符识别的神经网络模型一协同模型，同时提出了一种新的迭代的协同学习算法，该算法将误识率最高的模式的误识样本作为反馈量来修正原型模式．对大量实际采集所得的多字体字符样本的测试表明，该模型能对训练样本集取得１００％的识别率，对多字体字符测试样本的识别也能取得很高的识别率（９８．２％），而且识别速度很快，适用于实时的ＯＣＲ应用．另外，对加噪字符的识别试验表明该模型具有很好的鲁棒性．

一种有效的多字体印刷字符识别系统实现

提出了一种基于神经网络和浮动模板的多字体印刷字符识别方法。在研究大量的多字体印刷字符图像后,给出了一种有效的预处理方法,并在综合抽取宏观特征与微观特征后,送入神经网络的浮动模板法分类器进行识别。实验证明该方法具有相当高的识别率,应用前景十分广泛。

手写多字体藏文古籍文本检测方法研究

为更好利用和挖掘藏文古籍文献内容,文章首先研究了手写藏文古籍文本的特点,按照其字形大小构建了3种数据集;其次采用PSENet、PixelLink、PANNet 3种基于分割的深度学习文本检测算法对多种字体的手写藏文古籍文本进行了检测;再评估了3种算法对手写藏文古籍文本的检测性能,分析了3种算法检测多种手写藏文古籍字体和字形大小的效果,指出了在同库实验中PSENet和PANNet性能优于Pixel⁃Link,跨库实验中PixelLink性能优于PSENet和PANNet。