APP下载

基于小规模手写体汉字数据集的数据增强方法

2021-04-06沈强李辉*张燕

北京化工大学学报(自然科学版) 2021年1期
关键词:方法模型

沈 强 李 辉* 张 燕

(1.北京化工大学 信息科学与技术学院,北京 100029; 2.北京市电气工程学校,北京 100123)

引 言

手写体汉字识别长期以来都是模式识别的一个重要研究领域,由于汉字字符种类庞大、书写风格迥异、存在很多形似字符以及手写体汉字数据集不足等原因,给识别带来极大挑战。近年来,基于卷积神经网络(CNN)的图像识别方法取得了大量成果。Krizhevsky等[1]在2012年ImageNet竞赛上提出的AlexNet网络模型以超过第二名10.9%的绝对优势一举夺冠,并由此在该领域内引发CNN研究热潮;2015年,GoogleNet模型在比赛中脱颖而出[2],在加强网络深度的同时提出了创新结构;2016年,He等[3]提出ResNet网络结构,该结构拥有超过100层的网络,通过引入残差单元来解决退化问题,成为里程碑事件。在手写体汉字识别方面也有诸多学者提出不同特点的训练网络,均获得了不错的分类效果[4-6]。在以上文献中,除改进模型结构外,良好性能的取得也离不开大规模数据集的支撑。原因在于卷积神经网络需要训练大量带有标签的数据样本才能获得更优的分类效果,小规模数据集训练容易出现过拟合现象,即神经网络模型过于复杂(例如AlexNet具有6千万级的参数规模)虽然可以很好地适应每一个训练数据的分布,但会忽略其中的通用趋势,使之对未知数据无法作出可靠的判断。

目前研究领域内常见的手写体汉字数据集存在字符类别少、书写者数量少(字符多样性差)、样本不均衡和总体样本数少等不足。例如北京邮电大学发布的HCL2000[7]与哈尔滨工业大学发布的HIT- MW手写体数据集[8],两者虽采样于真实书写环境,具有丰富多样的书写风格,但字符种类和样本规模较小;……

登录APP查看全文

猜你喜欢

方法模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
学习方法
3D打印中的模型分割与打包
用对方法才能瘦
FLUKA几何模型到CAD几何模型转换方法初步研究
四大方法 教你不再“坐以待病”!
赚钱方法
捕鱼
一个相似模型的应用