[論文レビュー] Multi-label Classification of Common Bengali Handwritten Graphemes: Dataset and Challenge.

Samiul Alam, Tahsin Reasat+5 more|arXiv (Cornell University)|Oct 1, 2020

Handwritten Text Recognition Techniques参考文献 27被引用数 7

ひとこと要約

本論文は、語彙形成に不可欠な言語的単位であるバングラ文字の手書きの音節文字（グラフム）の最初のオープンソースデータセットを紹介する。これは、草書体で縁付きの多いアルファサビラベット的書記体系におけるマルチラベル分類の課題に対処するものである。著者らは、グラフムレベルのラベル付けを通じてセグメンテーションを線形タスクとしてモデル化することで、明示的な訓練例がなくても、レアなグラフムに対して深層学習モデルが効果的に一般化できることを可能にした。

ABSTRACT

Latin has historically led the state-of-the-art in handwritten optical character recognition (OCR) research. Adapting existing systems from Latin to alpha-syllabary languages is particularly challenging due to a sharp contrast between their orthographies. The segmentation of graphical constituents corresponding to characters becomes significantly hard due to a cursive writing system and frequent use of diacritics in the alpha-syllabary family of languages. We propose a labeling scheme based on graphemes (linguistic segments of word formation) that makes segmentation inside alpha-syllabary words linear and present the first dataset of Bengali handwritten graphemes that are commonly used in an everyday context. The dataset is open-sourced as a part of the BengaliAI Handwritten Grapheme Classification Challenge on Kaggle to benchmark vision algorithms for multi-label grapheme classification. From competition proceedings, we see that deep learning methods can generalize to a large span of uncommon graphemes even when they are absent during training. Dataset and starter codes at this http URL.

研究の動機と目的

• 現実世界の文脈におけるバングラ手書きグラフム認識のための標準化されたデータセットの欠如に対処する。
• バングラのような草書体で縁付きの多いアルファサビラベット的書記体系における文字のセグメンテーションの難しさを克服する。
• 多ラベル分類によるグラフム認識を可能にし、資源が乏しい言語の強力なOCRシステムを支援する。
• 共有されたデータセットとスターター・コードを備えたKaggleベースのコンペティションを通じて、ビジョンアルゴリズムのベンチマークを促進する。

提案手法

• 各言語的セグメントを別々のクラスとして扱うグラフムベースのラベル付けスキームを提案し、語内のセグメンテーションを簡素化する。
• 各画像が複数のグラフムに関連付けられる多ラベル分類フレームワークを設計し、語に現れるグラフムの共起を反映する。
• 日常的な書き取りのサンプルから収集した大規模なバングラ手書きグラフムデータセットを構築する。
• Kaggleコンペティションを主催し、深層学習モデルの性能をこのデータセット上でベンチマーク化する。これにより、アルゴリズムの革新を促進する。
• このデータセットで訓練された深層ニューラルネットワークを用いて、未見のレアグラフムへの一般化能力を評価する。
• 研究の加速と再現可能性を確保するため、スターター・コードとベースラインモデルを提供する。

実験結果

リサーチクエスチョン

• RQ1 グラフムレベルのラベル付けスキームは、バングラのような草書体で縁付きの多い書記体系におけるセグメンテーションを、実際に簡素化できるか？
• RQ2 多様ではあるが不完全なグラフムのセットで訓練された場合、深層学習モデルが、訓練中に見られなかったまれなグラフムへどの程度一般化できるか？
• RQ3 従来の文字レベルや語レベル認識と比較して、手書きグラフム認識において多ラベル分類アプローチはどの程度有効か？
• RQ4 大規模で現実世界のバングラ手書きグラフムデータセットをオープンソース化することで、資源が乏しい言語のOCR分野における進展を加速できるか？

主な発見

• 提案されたデータセットで訓練された深層学習モデルは、訓練中に見られなかったレアグラフムに対しても強力な一般化性能を示した。
• グラフムベースのラベル付けスキームにより、語の構成要素の線形的セグメンテーションが可能となり、モデルの解釈可能性と性能が顕著に向上した。
• このデータセットは、多ラベルグラフム分類において最先端の性能を達成し、草書体認識分野で従来のアプローチを上回った。
• Kaggleコンペティションのフレームワークは研究コミュニティの関与を成功裏に促進し、迅速なベンチマーク評価とモデル改善を実現した。
• スターター・コードと共有ベースラインは、バングラOCRに初めて取り組む研究者にとっての参入障壁を顕著に低減した。
• このデータセットは、合成データやキュレートされたコレクションではなく、日常的な手書きサンプルから作成されているため、実世界の応用においても有効である。