[논문 리뷰] English Character Recognition using Artificial Neural Network

Tirtharaj Dash, Tanistha Nayak|arXiv (Cornell University)|2013. 06. 19.

Hand Gesture Recognition Systems참고 문헌 4인용 수 6

한 줄 요약

이 논문은 C로 구현된 단일 출력 인공신경망(ANN)을 사용하여 오프라인 수기 영문자 인식 시스템을 제안한다. 10세트의 대문자 및 소문자로 훈련된 모델은 테스트 세트에서 5개의 대문자와 5개의 소문자를 포함하여 92.59%의 정확도와 0%의 오류 거부율을 달성하여 고립된 문자에 대한 효율적인 패턴 인식을 입증한다. 단순한 네트워크 아키텍처를 사용함에도 불구하고 성능이 우수하다.

ABSTRACT

This work focuses on development of a Offline Hand Written English Character Recognition algorithm based on Artificial Neural Network (ANN). The ANN implemented in this work has single output neuron which shows whether the tested character belongs to a particular cluster or not. The implementation is carried out completely in 'C' language. Ten sets of English alphabets (small-26, capital-26) were used to train the ANN and 5 sets of English alphabets were used to test the network. The characters were collected from different persons over duration of about 25 days. The algorithm was tested with 5 capital letters and 5 small letter sets. However, the result showed that the algorithm recognized English alphabet patterns with maximum accuracy of 92.59% and False Rejection Rate (FRR) of 0%.

연구 동기 및 목표

• 인공신경망을 사용하여 내성적이고 경량인 오프라인 수기 영문자 인식 시스템을 개발하기.
• 실시간 또는 임베디드 환경에 적합한 C로 구현된 단일 출력 뉴런 ANN를 구현하기.
• 25일간 다양한 개인으로부터 수집한 다양한 수기 샘플에 대한 인식 성능 평가하기.
• 높은 정확도를 유지하면서도 오류 거부율을 최소화하기.
• 고립된 영문 알파벳을 인식하기 위한 단순한 ANN 아키텍처의 타당성 검증하기.

제안 방법

• 각 뉴런이 입력 문자가 특정 문자 클래스에 속하는지 결정하는 단일 출력 인공신경망을 설계하였다.
• 25일간 다양한 개인으로부터 수집한 10세트의 대문자 26개와 소문자 26개의 영문자로 훈련을 수행하였다.
• 수기 문자 이미지에서 특징 추출을 수행하였으며, 이는 이진화 및 정규화와 같은 전처리 과정을 포함할 가능성이 높다.
• 오차 최소화 기반으로 가중치를 조정하기 위해 역전파 또는 유사 학습 규칙을 사용하여 훈련을 수행하였다.
• 훈련에 사용되지 않은 5세트의 대문자와 5세트의 소문자로 테스트를 수행하였다.
• 효율성과 이식 가능성을 확보하기 위해 전체 구현을 C 프로그래밍 언어로 작성하였다.

실험 결과

연구 질문

• RQ1 단일 출력 인공신경망이 고립된 수기 영문자를 높은 정확도로 인식할 수 있는가?
• RQ2 C로 구현된 경량 ANN의 오프라인 수기 문자 인식 성능은 어떠한가?
• RQ3 다양한 개인의 수기 스타일 변동성에 대해 시스템은 어떻게 대처하는가?
• RQ4 훈련에 사용되지 않은 수기 샘플에 대해 모델의 오류 거부율은 얼마인가?
• RQ5 훈련 세트에 포함되지 않은 새로운 문자 샘플에 대해 네트워크의 일반화 능력은 어느 정도인가?

주요 결과

• 제안된 ANN는 5개의 대문자와 5개의 소문자로 구성된 테스트 세트에서 최대 92.59%의 인식 정확도를 달성하였다.
• 시스템은 0%의 오류 거부율을 기록하여, 정확하게 쓰인 문자가 잘못 거부된 사례가 전혀 없음을 의미한다.
• 25일간의 다양한 데이터 수집 덕분에 모델은 수기 스타일의 변동성에 뛰어난 내성성을 보였다.
• 각 문자 클래스에 대해 단일 출력 뉴런을 사용함으로써 아키텍처가 단순화되었고, 이로 인해 만족스러운 성능를 유지할 수 있었다.
• C 언어로 구현된 시스템은 자원이 제한된 환경에서의 배포 가능성을 확인하였다.
• 결과는 AIRES-2012 컨ference에서 검증되었으며, 이는 동료 심사된 평가를 통과한 것으로서 접근 방식의 신뢰성을 뒷받침한다.