[논문 리뷰] BanglaLekha-Isolated: A Comprehensive Bangla Handwritten Character Dataset

Mithun Biswas, Rafiqul Islam외 5명|arXiv (Cornell University)|2017. 02. 22.

Handwritten Text Recognition Techniques인용 수 12

한 줄 요약

이 논문은 방글라어 손글씨 문자의 대규모이고 종합적인 데이터셋인 BanglaLekha-Isolated를 소개한다. 이 데이터셋은 방글라데시 전역의 다양한 지리적 및 연령대에서 수집된 166,105개의 분리된 방글라어 손글씨 문자(숫자, 기본 문자, 복합 문자 포함)를 포함한다. 데이터셋은 일관성 있게 사전 처리되었으며, 연령, 성별, 지역 등의 다중 레이블 메타데이터를 포함하고 있어 손글씨 인식, 글쓰는 이의 특성 추론, 손글씨 품질 평가 분야의 연구를 가능하게 한다.

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.

연구 동기 및 목표

• 현재 분산되고 일관성 없는 데이터 소스로 인해 방글라어 손글씨 문자 인식을 위한 통합된 대규모 데이터셋이 부족한 문제를 해결한다.
• 기계 학습 연구를 위한 종합적인 지원을 위해 숫자, 기본 문자, 자주 사용되는 복합 문자를 포함한 단일 표준화된 데이터셋을 제공한다.
• 손글씨 인식을 넘어서 연구를 가능하게 하기 위해 글쓰는 이의 특성 추론 및 손글씨 품질 평가를 위한 다중 레이블 메타데이터(연령, 성별, 지역, 기관)를 포함한다.
• 일관된 포맷, 노이즈 감소, 정사각형 이미지 리사이징을 통해 사전 처리된 데이터셋을 제공함으로써 결과 도달 시간을 단축시킨다. 이 과정에서 종횡비를 유지한다.
• 손글씨 특성(명확성, 형태, 매트라 사용 등)의 자동 분석을 가능하게 하여 법의학적 및 교육적 응용을 지원한다.

제안 방법

• 방글라데시 22개 지방에서 방글라어 모국어 사용자로부터 2,000장의 양식을 수집하였으며, 연령대(4–27세)가 다양하고 일부는 신체 장애가 있는 사람들을 포함하였다.
• 다양한 손글씨 품질과 글쓰기 속도를 캡처하기 위해 시간 제약(10분, 5분, 2분)을 적용한 표준화된 데이터 수집 프로토콜을 시행하였다.
• 이미지 사전 처리 과정에서 전경과 배경을 반전시켜 검은 배경에 흰 글씨로 변환하고, 노이즈 감소를 위해 중앙값 필터링을 적용하며, 읽기 쉽게 하기 위해 윤곽선 두껍게 조정하였다.
• 모든 이미지를 종횡비를 유지하면서 팞딩을 사용해 정사각형 형식으로 리사이징하여 기계 학습 모델에 균일한 입력을 제공하였다.
• 추적 가능성을 위해 고유한 22자리의 양식 ID를 할당하였으며, 이는 지방(2자리), 기관(4자리), 성별(1자리), 연령(2자리), 날짜(4자리), 일련번호(4자리)를 포함한다.
• 손글씨 전문가가 제시한 기준을 기반으로 세 명의 방글라어 모국어 사용자가 2,000장의 양식을 수동으로 표시하여 형태, 명확성, 매트라 사용, 미적 품질을 평가하였다.

실험 결과

연구 질문

• RQ1 대규모이고 통합된 분리된 방글라어 손글씨 문자 데이터셋이 기계 학습 모델의 손글씨 인식 작업에서 성능 향상과 일관성 향상에 기여할 수 있는가?
• RQ2 BanglaLekha-Isolated 데이터셋을 활용해 손글씨 문자 이미지에서 연령, 성별, 지역 등의 메타데이터를 얼마나 정확하게 예측할 수 있는가?
• RQ3 사전 처리 파이프라인은 후속 인식 작업을 위한 이미지 품질과 일관성 향상에 얼마나 효과적인가?
• RQ4 이 데이터셋은 명확성, 형태 정확도, 올바른 매트라 사용 등을 포함한 손글씨 품질의 자동 평가를 지원할 수 있는가?
• RQ5 다양한 글쓰기 스타일과 신체적 조건을 포함함으로써 이 데이터셋으로 훈련된 인식 모델의 일반화 능력은 어떻게 영향을 받는가?

주요 결과

• Bang라Lekha-Isolated 데이터셋은 총 84개 클래스로 구성된 166,105장의 정사각형 이미지를 포함하고 있으며, 이는 10개의 숫자, 50개의 기본 문자, 24개의 복합 문자로 이루어져 있다.
• 이 데이터셋은 현재까지 공개된 방글라어 손글씨 문자 데이터셋 중 가장 크며, 총 크기와 클래스 커버리지 면에서 CMATERDB 및 ISI 데이터셋을 능가한다.
• 클래스 분포가 거의 균형을 이루며, 기본 문자 98,950개, 숫자 19,748개, 복합 문자 47,407개로 구성되어 있으며, CMATERDB의 불균형한 복합 문자 세트와는 대조된다.
• 고유한 양식 ID에 포함된 다중 레이블 메타데이터(연령, 성별, 지역, 기관) 덕분에 글쓰는 이의 특성 추론 및 법의학적 분석 연구가 가능하다.
• 모든 이미지가 표준 기준에 따라 방글라어 모국어 사용자들이 수동으로 표시되었으며, 형태 정확도, 이미지 명확성, 매트라 정확도, 미적 품질을 평가하였다. 이 평가 결과는 별도의 스프레드시트에 제공되었다.
• 이 데이터셋은 공개되어 있으며 기계 학습에 즉각 활용 가능하도록 설계되었으며, 일관성 확보 및 모델 훈련 및 평가 시간 단축을 위해 사전 처리가 적용되었다.