脫機(jī)-聯(lián)機(jī)樣本骨架化聯(lián)合訓(xùn)練的DBLSTM手寫英文識別.pdf

1、手寫英文識別因其實用背景和較高的難度吸引了大批研究者的興趣，而近年來無切分方法和深度學(xué)習(xí)方法的興起也為這一領(lǐng)域注入了新的活力。傳統(tǒng)上手寫英文識別因為原始數(shù)據(jù)形式的不同分為脫機(jī)手寫識別和聯(lián)機(jī)手寫識別兩種，因而一般會對其分別建立識別系統(tǒng)。本文將無切分方法和深度學(xué)習(xí)框架基礎(chǔ)上，對脫機(jī)-聯(lián)機(jī)手寫英文識別的聯(lián)合訓(xùn)練方法進(jìn)行研究。
　　我們在得到圖像對比度歸一化及手寫文字歪斜矯正的文字行圖像基礎(chǔ)上，首先構(gòu)建了基于DBLSTM-HMM框架的手寫

2、識別系統(tǒng)，其基本思想為：首先訓(xùn)練GMM-HMM模型以實現(xiàn)自動切分，在強(qiáng)制對齊算法下得到每一幀特征向量和HMM狀態(tài)之間的一一對應(yīng)關(guān)系，并利用這種對應(yīng)關(guān)系來訓(xùn)練DBLSTM循環(huán)神經(jīng)網(wǎng)絡(luò)，使其能夠?qū)π碌臄?shù)據(jù)結(jié)合其上下文信息進(jìn)行分類。識別時將HMM轉(zhuǎn)移概率，DBLSTM網(wǎng)絡(luò)對每個HMM狀態(tài)預(yù)測的后驗概率，詞表限制及語言模型概率結(jié)合起來，在Viterbi解碼算法下尋找最優(yōu)路徑。本文在IAM脫機(jī)手寫英文數(shù)據(jù)集上對此系統(tǒng)進(jìn)行了驗證，并優(yōu)化了DBLST

3、M網(wǎng)絡(luò)結(jié)構(gòu)。
　　為了進(jìn)行脫機(jī)和聯(lián)機(jī)手寫樣本的聯(lián)合訓(xùn)練，本文中將聯(lián)機(jī)手寫樣本繪制為了靜態(tài)手寫圖像，并使用骨架化方法將脫機(jī)樣本和聯(lián)機(jī)樣本都轉(zhuǎn)化為筆劃為1像素寬的手寫骨架圖像以模糊兩者的界限。之后使用融合樣本進(jìn)行DBLSTM-HMM系統(tǒng)的訓(xùn)練。融合樣本的使用能夠極大地擴(kuò)充訓(xùn)練樣本的數(shù)據(jù)量，提升識別系統(tǒng)的魯棒性。在IAM脫機(jī)-聯(lián)機(jī)手寫數(shù)據(jù)集和微軟INK聯(lián)機(jī)手寫數(shù)據(jù)集上的實驗表明，使用融合樣本訓(xùn)練得到的系統(tǒng)相較于使用單一樣本能夠在脫機(jī)和聯(lián)