[論文レビュー] BanglaLekha-Isolated: A Comprehensive Bangla Handwritten Character Dataset

Mithun Biswas, Rafiqul Islam+5 more|arXiv (Cornell University)|Feb 22, 2017

Handwritten Text Recognition Techniques被引用数 12

ひとこと要約

この論文は、バングラ国から多様な地理的・年齢的背景を持つ人々から収集された、166,105個の分離型バングラ手書き文字からなる大規模かつ包括的なデータセットBanglaLekha-Isolatedを紹介する。このデータセットは、数字、基本文字、および複合文字をカバーしており、一貫性のある前処理が施されており、年齢、性別、地域などのマルチラベルメタデータを含む。本データセットは、手書き文字認識、著者属性の推定、および手書き品質の評価に関する研究を可能にする。

ABSTRACT

Bangla handwriting recognition is becoming a very important issue nowadays. It is potentially a very important task specially for Bangla speaking population of Bangladesh and West Bengal. By keeping that in our mind we are introducing a comprehensive Bangla handwritten character dataset named BanglaLekha-Isolated. This dataset contains Bangla handwritten numerals, basic characters and compound characters. This dataset was collected from multiple geographical location within Bangladesh and includes sample collected from a variety of aged groups. This dataset can also be used for other classification problems i.e: gender, age, district. This is the largest dataset on Bangla handwritten characters yet.

研究の動機と目的

• 現在、バングラ手書き文字認識の分野において、統一的で大規模なデータセットが不足しており、データソースが散逸的かつ一貫性に欠けるという問題に対処する。
• 機械学習研究を包括的に行うために、数字、基本文字、および頻出する複合文字を含む、単一で標準化されたデータセットを提供する。
• 認識研究を超えて、著者属性の推定や手書き品質の評価を可能にするために、年齢、性別、地域、機関などのマルチラベルメタデータを含める。
• 一貫性のあるフォーマット、ノイズ低減、正方形へのリサイズを施した前処理済みデータセットを提供することで、モデルのトレーニングと評価にかかる時間を短縮する。
• 手書き特徴（明瞭さ、形状、マトラ使用法など）の自動分析を可能にすることで、法医学的および教育的応用を支援する。

提案手法

• バングラ国22の県にまたがる母語話者から2,000枚のフォームを収集し、年齢層は4〜27歳の多様な年齢層をカバー。一部には身体的障害を有する被験者も含まれる。
• 多様な手書きの質や筆者の速度を捉えるために、時間制限付き（10分、5分、2分）の標準化されたデータ収集プロトコルを適用した。
• 画像を前処理する段階で、前景と背景を反転（黒背景、白文字）、ノイズ低減のためのメディアンフィルタリング、および読みやすさ向上のためのエッジの太さ増強を実施した。
• アスペクト比を保持しながら、すべての画像をパディングを用いて正方形フォーマットにリサイズし、機械学習モデルの入力の一貫性を確保した。
• 地域（2桁）、機関（4桁）、性別（1桁）、年齢（2桁）、日付（4桁）、シリアル番号（4桁）を符号化した22文字の固有フォームIDを各フォームに割り当て、トレーサビリティを確保した。
• 3名の母語話者が、手書き専門家が提示した基準に従い、形状、明瞭さ、マトラ使用法、美術的質の4項目を評価して、全2,000枚のフォームを手動でマークした。

実験結果

リサーチクエスチョン

• RQ1 大規模かつ統一された分離型バングラ手書き文字データセットは、機械学習モデルの手書き文字認識タスクにおける性能と一貫性を向上させることができるか？
• RQ2 年齢、性別、地域などのメタデータを、BanglaLekha-Isolatedデータセットを用いて、手書き文字画像からどの程度正確に予測できるか？
• RQ3 前処理パイプラインは、下流の認識タスクにおける画像品質と一貫性を向上させるためにどの程度効果的か？
• RQ4 このデータセットは、明瞭さ、形状の正確さ、正しいマトラ使用法を含む手書き品質の自動評価を可能にするか？
• RQ5 多様な筆跡スタイルや身体的条件を含むことが、このデータセットでトレーニングされた認識モデルの一般化性能にどのように影響するか？

主な発見

• BanglaLekha-Isolatedデータセットには、84クラスに分類された166,105枚の正方形画像が含まれており、そのうち10個が数字、50個が基本文字、24個が複合文字である。
• このデータセットは、現在入手可能な最大のバングラ手書き文字データセットであり、総サイズおよびクラスカバレッジの点でCMATERDBおよびISIデータセットを上回っている。
• クラスの分布はほぼバランスが取れており、基本文字が98,950個、数字が19,748個、複合文字が47,407個である。これは、CMATERDBの不均衡な複合文字セットとは対照的である。
• 固有のフォームIDにエンコードされたマルチラベルメタデータ（年齢、性別、地域、機関）を含んでおり、著者属性の推定や法医学的分析に関する研究を可能にしている。
• 全画像は母語話者による手動マークが施されており、形状の正確さ、画像の明瞭さ、マトラの正しさ、美術的質の基準に従って評価された。評価結果は別途のスプレッドシートに提供されている。
• このデータセットは公開されており、機械学習への即時利用を想定して設計されており、一貫性の確保とモデルトレーニング・評価までの時間を短縮するための前処理が施されている。