| 基于多特征卷积神经网络的手写公式符号识别 |
| |
| 引用本文： | 方定邦,冯桂,曹海燕,杨恒杰,韩雪,易银城.基于多特征卷积神经网络的手写公式符号识别[J].激光与光电子学进展,2019,56(7):256-263. |
| |
| 作者姓名： | 方定邦 冯桂 曹海燕 杨恒杰 韩雪 易银城 |
| |
| 作者单位： | 华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室,福建厦门,361021;华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室,福建厦门,361021;华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室,福建厦门,361021;华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室,福建厦门,361021;华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室,福建厦门,361021;华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室,福建厦门,361021 |
| |
| 基金项目： | 福建省自然科学基金;华侨大学研究生科研创新能力培育计划 |
| |
| 摘 要： | 提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比,DenseNet-SE采用数据驱动的方法,无需手工提取特征。该框架包含了稠密残差块的结构,能够获取深度特征。通过跳跃连接的方式,从浅层获取细粒度特征来辅助深度特征。同时,融合特征有助于网络结构获取更多全局信息,更好地表示公式符号的类别。利用在线手写数学表达式识别的竞赛组织(CROHME)提供的标准数学公式符号库来验证所提算法,结果表明,CROHME2014和CROHME2016的识别率分别达到93.38%和92.93%,高于目前已有算法的识别率。
|
| 关 键 词： | 光计算 稠密卷积神经网络 手写公式符号 稠密残差块 深度特征 细粒度特征 |
Handwritten Formula Symbol Recognition Based on Multi-Feature Convolutional Neural Network |
| |
| Fang Dingbang,Feng Gui,Cao Haiyan,Yang Hengjie,Han Xue,Yi Yincheng.Handwritten Formula Symbol Recognition Based on Multi-Feature Convolutional Neural Network[J].Laser & Optoelectronics Progress,2019,56(7):256-263. |
| |
| Authors: | Fang Dingbang Feng Gui Cao Haiyan Yang Hengjie Han Xue Yi Yincheng |
| |
| Affiliation: | (Xiamen Key Laboratory of Mobile Mutimedia Communications,College of Information Science and Engineering,Huaqiao University,Xiamen,Fujian 361021,China) |
| |
| Abstract: | Fang Dingbang;Feng Gui;Cao Haiyan;Yang Hengjie;Han Xue;Yi Yincheng(Xiamen Key Laboratory of Mobile Mutimedia Communications,College of Information Science and Engineering,Huaqiao University,Xiamen,Fujian 361021,China) |
| |
| Keywords: | optics in computing dense convolutional neural network handwritten formula symbols dense residual blocks deep features fine-grained features |
| 本文献已被 维普 万方数据 等数据库收录！ |
|
