[논문 리뷰] An MLP based Approach for Recognition of Handwritten 'Bangla' Numerals

Subhadip Basu, Nibaran Das외 4명|arXiv (Cornell University)|2005. 01. 01.

Handwritten Text Recognition Techniques참고 문헌 9인용 수 24

한 줄 요약

이 논문은 수작업으로 쓴 반마다 숫자를 인식하기 위해 76개 요소로 구성된 특징 벡터(24개의 색감 특징, 16개의 중심점 특징, 36개의 최장 연속 특징)를 사용하는 다층 퍼셉트론(MLP) 분류기를 제안한다. 6,000개 샘플에 대해 3중 교차검증을 실시한 결과, 평균 인식 정확도가 96.67%에 도달하여 반마다 문자 인식 응용 분야에서 뛰어난 성능을 보이며, 향후 반마다 문자 인식으로의 확장 가능성도 보여준다.

ABSTRACT

The work presented here involves the design of a Multi Layer Perceptron (MLP) based pattern classifier for recognition of handwritten Bangla digits using a 76 element feature vector. Bangla is the second most popular script and language in the Indian subcontinent and the fifth most popular language in the world. The feature set developed for representing handwritten Bangla numerals here includes 24 shadow features, 16 centroid features and 36 longest-run features. On experimentation with a database of 6000 samples, the technique yields an average recognition rate of 96.67% evaluated after three-fold cross validation of results. It is useful for applications related to OCR of handwritten Bangla Digit and can also be extended to include OCR of handwritten characters of Bangla alphabet.

연구 동기 및 목표

• 인도 반도에서 언어적·문화적으로 중요한 의미를 지닌 반마다 문자의 효과적인 패턴 인식 시스템을 개발하기 위해.
• 분류 성능 향상을 위해 반마다 숫자의 구조적·공간적 특징을 잘 반영하는 특징 집합을 설계하기 위해.
• 실제 응용 분야의 데이터셋인 6,000개의 수작업 반마다 숫자 샘플에 대해 MLP 기반 분류기의 성능을 평가하기 위해.
• 수작업 반마다 문자 인식을 넘어서 전체 반마다 문자 인식으로의 확장 기반을 마련하기 위해.

제안 방법

• 각 수작업 반마다 숫자를 표현하기 위해 24개의 색감 특징, 16개의 중심점 특징, 36개의 최장 연속 특징으로 구성된 76개 요소의 특징 벡터를 사용한다.
• 색감 특징은 숫자 이미지의 수직 및 수평 투영에서 픽셀 밀도 분포를 캡처한다.
• 중심점 특징는 픽셀의 공간 분포에서 유도되며, 숫자의 기하학적 질량 중심을 반영한다.
• 최장 연속 특징는 여러 방향에서 연속된 픽셀의 최대 길이를 식별하여 획 패턴을 인코딩한다.
• 추출된 특징을 기반으로 다층 퍼셉트론(MLP) 신경망을 훈련하여 숫자를 10개의 반마다 숫자 클래스 중 하나로 분류한다.
• 모델 성능은 안정성과 일반화 능력을 확보하기 위해 3중 교차검증을 통해 평가된다.

실험 결과

연구 질문

• RQ1 색감, 중심점, 최장 연속 특징를 조합한 하이브리드 특징 집합이 분류를 위해 수작업 반마다 숫자를 효과적으로 표현할 수 있는가?
• RQ2 76개 요소의 특징 벡터를 기반으로 훈련된 MLP 분류기가 수작업 반마다 숫자를 얼마나 잘 인식하는가?
• RQ3 6,000개 샘플의 데이터셋에 대해 3중 교차검증을 실시했을 때 제안된 시스템의 인식 정확도는 얼마인가?
• RQ4 이 방법은 숫자를 넘어서 수작업 반마다 알파벳을 인식하는 데까지 얼마나 효과적으로 확장될 수 있는가?

주요 결과

• 제안된 MLP 기반 분류기는 6,000개의 수작업 반마다 숫자 샘플 데이터셋에서 평균 인식 정확도 96.67%를 달달했다.
• 24개의 색감 특징, 16개의 중심점 특징, 36개의 최장 연속 특징의 조합은 숫자의 구조를 강력하게 표현하여 높은 분류 정확도에 기여했다.
• 3중 교차검증은 모델이 다양한 훈련 및 테스트 분할에 걸쳐 안정적이고 일반화 능력이 있음을 확인시켰다.
• 시스템은 반마다 광학 문자 인식(OCR)의 실제 응용 분야에서 강력한 잠재력을 보였다.
• 이러한 방법론은 숫자를 넘어서 수작업 반마다 알파벳 인식으로도 확장 가능하며, 숫자 외 응용 분야로의 확장 가능성도 시사한다.