刘宝宝 杨雪 吴治虎 侯飞 穆姣

摘要：为了提高手写数字的识别率，论文提出了一种改进的全卷积神经网络手写图像识别方法。首先通过传统的卷积神经网络获取手写数字图像的轮廓特征，其次在模型训练的初始阶段，传统的修正线性单元（RELU）激活函数被指数线性单元（ELU）激活函数所代替，然后应用支持向量机（SVM）分类器替换原始卷积神经网络的多项逻辑回归（Softmax）分类器，并对输出的像素分类结果进行反卷积操作，从而获得分割结果。最后，使用提出的算法在MNIST数据集进行验证，与其他算法比较具有较高的识别精度。

关键词：MNIST数据集;全卷积神经网络;ELU函数;手写识别;识别率

中图分类号： TP391        文献标识码：A

文章编号：1009-3044（2020）35-0001-03

开放科学（资源服务）标识码（OSID）：

Application of an Improved Fully Convolutional Neural Network in the Handwritten Digit Recognition

LIU Bao-bao， YANG Xue， WU Zhi-Hu， HOU Fei， MU-Jiao

（Xian Polytechnic University， Xian 710048， China）

Abstract：In order to improve the recognition rate of handwritten digits， the paper proposes an improved handwritten image recognition method of fully convolutional neural network. Firstly，the outline features of the handwritten digital image are obtained by the traditional convolutional neural network. In the initial stage of model training， the exponential linear unit （ELU） activation function is replacedby the traditional rectified linear unit（RELU） activation function. Secondly， the multiple logistic regression （Softmax） classifier of the convolutional neural network is replaced by a support vector machine （SVM） classifier and the pixel classification results from the classifier are deconvolved to obtain the segmentation results. Finally， the presented algorithm isverified in the MNIST dataset， which has higher recognition accuracy than other algorithms.

Key words： MNIST dataset;fully convolutional neural network; ELU; handwritten digit recognition; recognition rate

手写是从古至今人类不可忽视的交流方式，是目前文字识别的重要组成部分，在很多领域中手写识别都有广泛的商业价值和科研运用。作为图像识别领域中的一个重要分支，对手写字体的识别研究具有十分重要的实际意义[1]。

我国对手写体数字识别的研究起步相对较晚，但也取得了一定的成果。如娄正良等人[2]提出一种新的基于小波变换和局部傅立叶变换的脱机手写数字特征提取方法，在MNIST数据上该方法取得了较好的识别效果。付庆玲等人[3]基于手写体数字的几何结构提取端点及其方向等数字特征值，应用单字单网的10个并行BP神经网络进行数字识别，获得较好的识别效果。双小川等人[4]提出了基于统计和结构特征的手写数字识别，利用模式识别与回归软件包Lib SVM对综合特征进行分类识别，得到较高的识别分类准确率。……