结合基于旋转生成模式的卷积神经网络训练及印度主要文字手写数字识别

手写数字识别近年来因其广泛的应用潜力而备受关注。孟加拉语和印地语是印度次大陆的两大主要语言，广大地区的众多人口使用这两种语言的孟加拉和天城体数字书写系统。由于两种书写体系中数字形状相似，且极少数数字在印刷形式中也仅有微小差异，孟加拉语和天城体的高性能手写数字识别系统具有挑战性。本研究探讨了基于卷积神经网络（CNN）的两种不同方法，以改进孟加拉和天城体手写数字的识别效果。两种方法均采用基于旋转生成的模式与普通模式结合训练CNN，但方式不同。在多CNN方法中，准备了三组不同的训练集（包括普通模式及顺时针和逆时针旋转生成的模式），训练三种不同的CNN模型，并结合它们的决策得出最终识别结果。而在单CNN方法中，将上述三种训练集组合用于训练单个CNN。生成模式过程中还采用了适度的预处理。所提方法在著名的基准手写数字数据集上进行了测试，取得了显著的识别准确率。该准确率优于现有多种知名方法的报道结果，使得提出的方法成为更优的识别系统。此外，实验结果也清晰地展示了生成模式对CNN性能提升的贡献。