Entrenamiento de Redes Neuronales Convolucionales que incorpora Patrones Generados Basados en Rotación y Reconocimiento de Números Manuscritos de los Principales Escritos Indios

El reconocimiento de números manuscritos ha ganado mucho interés en tiempos recientes debido a su diversidad de aplicaciones potenciales. Bangla e Hindi son los dos principales idiomas del subcontinente indio y una gran población en un vasto territorio utiliza los números en escrituras Bangla y Devnagari de estos dos idiomas. Un sistema de reconocimiento de números manuscritos para Bangla y Devnagari bien desempeñado es un reto debido a la similitud en la forma de los números en ambos escritos; pocos números difieren de sus similares con muy pocas variaciones incluso en forma impresa. En este estudio se han investigado dos métodos basados en redes neuronales convolucionales (CNN) para un mejor reconocimiento de números manuscritos Bangla y Devnagari. Ambos métodos utilizan patrones generados basados en rotación junto con patrones ordinarios para entrenar la CNN, pero en dos modos diferentes. En el caso de múltiples CNN, se preparan tres conjuntos de entrenamiento diferentes (uno con patrones ordinarios y dos con patrones generados basados en rotación en sentido horario y antihorario); tres CNN diferentes se entrenan individualmente con cada uno de estos conjuntos de entrenamiento; y sus decisiones se combinan para la decisión final del sistema. Por otro lado, en el caso de una sola CNN, se usa la combinación de los tres conjuntos de entrenamiento para entrenar una CNN. También se emplea un preprocesamiento moderado al generar patrones a partir de las imágenes escaneadas. Los métodos propuestos se han probado en conjuntos de datos de referencia prominentes de números manuscritos y han logrado precisiones de reconocimiento notables. Las precisiones obtenidas son mejores que las reportadas por métodos existentes destacados; y tal superioridad posiciona a los métodos propuestos como mejores sistemas de reconocimiento. Además, la mejora en el rendimiento de la CNN debido al uso de patrones generados ha sido claramente identificada en los resultados experimentales presentados.