[論文レビュー] Deep Learning based Isolated Arabic Scene Character Recognition

Saad Bin Ahmed, Saeeda Naz+2 more|arXiv (Cornell University)|Apr 22, 2017

Handwritten Text Recognition Techniques被引用数 6

ひとこと要約

本稿では、ねじれ、向きのばらつき、草書体の複雑さといった課題に対処するため、分離されたアラビア語シーン文字認識に畳み込みニューラルネットワーク（ConvNets）を用いた深層学習手法を提案する。3×3および5×5のフィルタを用い、最適化されたストライドおよび学習率の設定により、アラビア語シーンテキスト画像のサブセットで14.57%の誤差率を達成し、限られた公的データセットを考慮しても草書体認識において優れた性能を示している。

ABSTRACT

The technological advancement and sophistication in cameras and gadgets prompt researchers to have focus on image analysis and text understanding. The deep learning techniques demonstrated well to assess the potential for classifying text from natural scene images as reported in recent years. There are variety of deep learning approaches that prospects the detection and recognition of text, effectively from images. In this work, we presented Arabic scene text recognition using Convolutional Neural Networks (ConvNets) as a deep learning classifier. As the scene text data is slanted and skewed, thus to deal with maximum variations, we employ five orientations with respect to single occurrence of a character. The training is formulated by keeping filter size 3 x 3 and 5 x 5 with stride value as 1 and 2. During text classification phase, we trained network with distinct learning rates. Our approach reported encouraging results on recognition of Arabic characters from segmented Arabic scene images.

研究の動機と目的

• 自然なシーン画像における分離アラビア文字の認識という課題に取り組むこと。これらの文字はしばしばねじれており、ノイズが多く、向きがばらついている。
• アラビア語のような文脈的形状の変化や語の間隔がないために困難をきたす草書体の認識において、ConvNetsの有効性を評価すること。
• カスタムアラビア語シーンテキストデータセット上で、明示的な前処理、向きの増強、ハイパーパrameterチューニングを通じて認識精度を向上させること。
• 今後の研究のためのベンチマークを提供するため、データセットを収集・準備すること。

提案手法

• 特徴抽出のため、3×3および5×5のフィルターサイズ、ストライド値1および2、ReLU活性化関数を用いたConvNetsを採用する。
• 学習中に各文字に対して5つの異なる向きを用いることで、シーン画像におけるねじれや回転のばらつきに対応する。
• ネットワークアーキテクチャは2つの畳み込み層に続き、全結合層を含み、一部の構成では各畳み込み層の後にマックスプーリングを適用する。
• 学習率は経験的にチューニングされ、0.005が最良のパフォーマンスを示した。モデルは確率的勾配降下法を用いて学習される。
• 分類の前に、分離されたアラビア文字の均一な表現を保証するための前処理が施される。
• 本手法はインスタンスレベルの学習に注力し、文脈的なシーケンスパターンではなく、ピクセルレベルの詳細な特徴を抽出することを目的としている。

実験結果

リサーチクエスチョン

• RQ1 ねじれ、ノイズ、向きのばらつきがあるにもかかわらず、ConvNetsは自然なシーン画像における分離アラビア文字を効果的に認識できるか？
• RQ2 異なるフィルターサイズ（3×3対5×5）および学習率の値は、アラビア語シーンテキスト認識の精度にどのように影響するか？
• RQ3 誤差を最小化するための最適なフィルターサイズ、ストライド、および学習率の組み合わせは何か？
• RQ4 向きの増強は、制約のない環境におけるアラビア文字の認識パフォーマンスをどのように向上させるか？

主な発見

• 3×3のフィルターサイズが、学習率0.005と組み合わせることで、14.57%の最低誤差率を達成し、5×5のフィルターカンfigurationを上回った。
• 1文字あたり5つの向きのバリエーションを用いることで、シーン画像におけるねじれや回転のばらつきに対する耐性が著しく向上した。
• 各畳み込み層の後にマックスプーリングを適用し、追加の全結合層を追加することで、ベースライン設定の27.01%から誤差率が19.57%に低下した。
• アラビア語シーンテキスト画像のサブセットで14.57%の誤差率を達成し、草書体認識における強力な可能性を示した。
• 結果から、小さなフィルターサイズが、特に記号や複雑な形状を持つ文字において、より詳細な特徴を捉えられることを示した。
• 提案手法は、アラビア語シーンテキストにおいて、従来のSIFTベースの手法を上回り、Tounsiら[23]が報告した0.24よりも低い誤差率を達成した。