[논문 리뷰] Classifier Fusion Method to Recognize Handwritten Kannada Numerals

H. R. Mamatha, Shyamgopal Karthik외 1명|arXiv (Cornell University)|2013. 01. 02.

Handwritten Text Recognition Techniques참고 문헌 8인용 수 4

한 줄 요약

이 논문은 수기 칸나다 숫자 표절을 향상시키기 위해 런 레인지 카운트(Run Length Count, RLC)와 방향성 체인 코드(Directional Chain Code, DCC)를 사용한 특징 추출과 함께 K-최근접 이웃(K-Nearest Neighbors, KNN) 및 선형 분류기(Linear Classifiers, LC)를 융합하는 분류기 융합 방법을 제안한다. 이 방법은 평균 96%의 인식률을 달성하여, 최소한의 효과적인 특징을 사용한 분류기 융합이 저자원이자 저자원 인도 문자에 있어 정확도를 향상시킬 수 있음을 보여준다.

ABSTRACT

Optical Character Recognition (OCR) is one of the important fields in image processing and pattern recognition domain. Handwritten character recognition has always been a challenging task. Only a little work can be traced towards the recognition of handwritten characters for the south Indian languages. Kannada is one such south Indian language which is also one of the official language of India. Accurate recognition of Kannada characters is a challenging task because of the high degree of similarity between the characters. Hence, good quality features are to be extracted and better classifiers are needed to improve the accuracy of the OCR for Kannada characters. This paper explores the effectiveness of feature extraction method like run length count (RLC) and directional chain code (DCC) for the recognition of handwritten Kannada numerals. In this paper, a classifier fusion method is implemented to improve the recognition rate. For the classifier fusion, we have considered K-nearest neighbour (KNN) and Linear classifier (LC). The novelty of this method is to achieve better accuracy with few features using classifier fusion approach. Proposed method achieves an average recognition rate of 96%.

연구 동기 및 목표

• 높은 문자 유사성으로 인해 수기 칸나다 숫자를 인식하는 데 발생하는 과제를 해결하기 위해.
• 저자원 인도 문자에 적합한 효과적인 특징 추출 기법을 사용하여 인식 정확도를 향상시키기 위해.
• KNN와 선형 분류기를 융합 전략을 통해 조합함으로써 그 효과성을 탐색하기 위해.
• 최소한의 특징으로도 높은 인식 성능를 달성하기 위해.

제안 방법

• 수기 숫자의 구조적 특성과 윤곽을 포착하기 위해 런 레인지 카운트(Run Length Count, RLC)와 방향성 체인 코드(Directional Chain Code, DCC)를 사용한 특징 추출.
• 추출된 특징에 기반해 별도의 K-최근접 이웃(K-Nearest Neighbor, KNN) 및 선형 분류기(Linear Classifier, LC) 모델을 훈련.
• 다수결 투표 또는 가중치 기반 결합 규칙을 사용하여 KNN 및 LC 분류기의 예측을 융합.
• 전반적인 인식 정확도를 향상시키면서도 특징 복잡도를 최소화하기 위해 융합 과정을 최적화.
• 성능을 측정하기 위해 수기 칸나다 숫자 기준 데이터셋에서 시스템을 평가.

실험 결과

연구 질문

• RQ1 RLC와 DCC 특징는 수기 칸나다 숫자의 인식에 효과적으로 표현할 수 있는가?
• RQ2 KNN와 LC 분류기 간의 융합은 개별 분류기 대비 인식 정확도를 얼마나 향상시키는가?
• RQ3 칸나다 숫자에 대해 몇 가지 분류에 효과적인 특징만으로도 높은 인식 정확도를 달성할 수 있는가?
• RQ4 유사한 모양을 가진 칸나다 숫자를 인식하는 데 있어 융합 방법이 단독 분류기보다 뛰어난가?

주요 결과

• 제안된 분류기 융합 방법은 수기 칸나다 숫자 데이터셋에서 평균 96%의 인식률을 달성하였다.
• RLC와 DCC 특징의 조합은 매우 적은 특징 수로도 강력한 분류 능력을 제공하였다.
• KNN 및 선형 분류기의 융합은 개별 분류기보다 성능이 뛰어나며, 의사결정에서 상호보완적 효과를 보였다.
• 이 방법은 칸나다 숫자 인식에서 주요 과제인 문자 유사성 문제를 효과적으로 다루었다.
• 지능적인 융합 전략을 사용할 경우, 제한된 특징으로도 높은 정확도를 확보할 수 있음을 결과가 확인하였다.