[論文レビュー] Window-Based Descriptors for Arabic Handwritten Alphabet Recognition: A Comparative Study on a Novel Dataset

Marwan Torki, Mohamed E. Hussein+3 more|arXiv (Cornell University)|Nov 13, 2014

Handwritten Text Recognition Techniques被引用数 29

ひとこと要約

本稿では、分離型アラビア語手書きアルファベット認識のための新規ベンチマークであるAIA9kデータセットを紹介し、空間ピラミッド分割と複数の分類器を用いた窓ベース記述子（HOG、SIFT、SURF、LBP、GIST）の評価を行う。重複する空間的パーティショニングを用いたSIFT（SIFT7）が、テストセットで94.13%の最高精度を達成し、視覚的に類似した文字クラスの空間的識別能が向上することで、ベースライン記述子に比べ顕著な改善を示した。

ABSTRACT

This paper presents a comparative study for window-based descriptors on the application of Arabic handwritten alphabet recognition. We show a detailed experimental evaluation of different descriptors with several classifiers. The objective of the paper is to evaluate different window-based descriptors on the problem of Arabic letter recognition. Our experiments clearly show that they perform very well. Moreover, we introduce a novel spatial pyramid partitioning scheme that enhances the recognition accuracy for most descriptors. In addition, we introduce a novel dataset for Arabic handwritten isolated alphabet letters, which can serve as a benchmark for future research.

研究の動機と目的

• 分離型アラビア語手書きアルファベット認識のための新規で包括的なベンチマークデータセットの開発。
• 既存の窓ベース記述子（HOG、SIFT、SURF、LBP、GIST）がアラビア語文字認識に与える性能の評価。
• 重複領域を含む空間ピラミッドパーティショニングが認識精度に与える影響の調査。
• 新しいデータセット上で、複数の分類器（ロジスティック回帰、ANN、SVM）と異なる記述子を比較。
• 視覚的に類似したアラビア語文字を区別するのに最も効果的な記述子・分類器の組み合わせの特定。

提案手法

• 文字画像の水平および垂直の半分を重複させて用いた、新規の空間ピラミッドパーティショニング方式を提案。これにより、1枚の画像に対して7つの記述子パッチ（元画像＋3つの垂直重複＋3つの水平重複）が得られる。
• HOG、SIFT、SURF、LBP、GISTの5つの窓ベース記述子を、全画像および7つの重複領域に適用し、局所的特徴を抽出。
• 7つの領域からの記述子を連結して、マルチスケールの空間的配置を捉えた強化された記述子（例：SIFT7、HOG7）を構築。
• 一般化を確保するため、各分割に性別バランスを保つように70/15/15の訓練/検証/テスト分割を実施。
• 各分類器（ロジスティック回帰、ANN、線形カーネルおよびRBFカーネルを用いたSVM）について、検証セット上でハイパーパramータ（C、γ、λ）を最適化。
• 最適化されたモデルを用いてテストセット上で最終評価を実施し、認識精度を報告。

実験結果

リサーチクエスチョン

• RQ1 標準的な窓ベース記述子（HOG、SIFT、SURF、LBP、GIST）は、分離型アラビア語手書き文字認識においてどの程度の性能を示すか？
• RQ2 重複領域を含む空間ピラミッドパーティショニングは、曖昧なアラビア語文字クラスの認識精度を向上させ得るか？
• RQ3 記述子と分類器のどの組み合わせが、提案されたAIA9kデータセットで最高の認識精度を達成するか？
• RQ4 重複空間領域の組み込みは、LBPのようなテクスチャベース記述子やSIFTのような勾配ベース記述子の識別力にどのように影響するか？
• RQ5 提案された空間ピラミッド方式は、視覚的に類似したアラビア語文字の誤分類をどの程度低減するか？

主な発見

• 重複空間パーティショニングを用いたSIFT（SIFT7）が、94.13%という最高のテスト精度を達成し、他のすべての記述子および設定を上回った。
• 重複領域を含む空間ピラミッドは、すべての記述子の認識精度を向上させたが、特にLBP（LBP7では57.32%から75.30%に上昇）で顕著な相対的向上が見られた。
• LBPは元の記述子では成績が低かった（57.32%）が、重複パーティショニングにより著しく向上（75.30%）したため、空間的配置に敏感であることが示された。
• SURFは全体的に最も成績が低かった（SURF7では77.21%）、本設定ではアラビア語文字認識にあまり効果的でないことが示唆された。
• 提案されたAIA9kデータセットには、28クラスにまたがる8,737件の有効なサンプルが含まれており、性別ラベルと検証済みの正解ラベルが付与されており、今後の研究の信頼できるベンチマークである。
• 最良の設定（SIFT7＋RBF-SVM）を用いた場合、1,312件のテストサンプルのうちたった75件（約5.7%）が誤分類されたことから、高いロバスト性と識別力が確認された。