[논문 리뷰] Multi-label Classification of Common Bengali Handwritten Graphemes: Dataset and Challenge.

Samiul Alam, Tahsin Reasat외 5명|arXiv (Cornell University)|2020. 10. 01.

Handwritten Text Recognition Techniques참고 문헌 27인용 수 7

한 줄 요약

이 논문은 글자 구성 요소인 언어학적 단위인 방글라어 손글씨 그래프램의 첫 번째 오픈소스 데이터셋을 소개한다. 이는 기울인 글자체이자 음절 기반 알파시라브 문맥에서 다중 레이블 분류 문제를 해결하기 위한 것이다. 그래프램 수준의 레이블링을 통해 분할을 선형 작업으로 모델링함으로써, 저자들은 심층 학습 모델이 훈련 예제 없이도 드문 그래프램에 대해 효과적으로 일반화할 수 있도록 한다.

ABSTRACT

Latin has historically led the state-of-the-art in handwritten optical character recognition (OCR) research. Adapting existing systems from Latin to alpha-syllabary languages is particularly challenging due to a sharp contrast between their orthographies. The segmentation of graphical constituents corresponding to characters becomes significantly hard due to a cursive writing system and frequent use of diacritics in the alpha-syllabary family of languages. We propose a labeling scheme based on graphemes (linguistic segments of word formation) that makes segmentation inside alpha-syllabary words linear and present the first dataset of Bengali handwritten graphemes that are commonly used in an everyday context. The dataset is open-sourced as a part of the BengaliAI Handwritten Grapheme Classification Challenge on Kaggle to benchmark vision algorithms for multi-label grapheme classification. From competition proceedings, we see that deep learning methods can generalize to a large span of uncommon graphemes even when they are absent during training. Dataset and starter codes at this http URL.

연구 동기 및 목표

• 실세계 환경에서 방글라어 손글씨 그래프램 인식을 위한 표준화된 데이터셋 부족 문제를 해결하기 위해.
• 방글라어와 같은 기울인 글자체이자 음절 기반 알파시라브에서 문자 분할의 어려움을 극복하기 위해.
• 낮은 자원을 가진 언어를 위한 강력한 OCR 시스템을 지원하기 위해 그래프램의 다중 레이블 분류를 가능하게 하기 위해.
• 공유된 데이터셋과 스타터 코드를 활용한 카글 기반 챌린지를 통해 시각 알고리즘의 벤치마킹을 촉진하기 위해.

제안 방법

• 각 언어적 단위를 별개의 클래스로 간주하는 그래프램 기반의 레이블링 체계를 제안하여, 단어 내 분할을 단순화한다.
• 각 이미지가 단어 내에서 공존하는 여러 그래프램과 연결될 수 있는 다중 레이블 분류 프레임워크를 설계한다.
• 일상적인 글쓰기 샘플에서 수집한 대규모 방글라어 손글씨 그래프램 데이터셋을 구축한다.
• 심층 학습 모델의 성능을 평가하기 위해 카글 챌린지를 개최한다. 이는 알고리즘 혁신을 장려한다.
• 훈련된 데이터셋을 기반으로 심층 신경망을 활용해 드문 그래프램에 대한 일반화 능력을 평가한다.
• 연구를 가속화하고 재현 가능성을 확보하기 위해 스타터 코드와 베이스라인 모델을 제공한다.

실험 결과

연구 질문

• RQ1 그래프램 수준의 레이블링 체계는 기울인 글자체이자 음절 기반 알파시라브인 방글라어와 같은 문맥에서 분할을 효과적으로 단순화할 수 있는가?
• RQ2 다양한 그래프램 집합에는 포함되지만 완전하지 않은 훈련 데이터셋을 기반으로 훈련된 심층 학습 모델이 드문 또는 미리보지 않은 그래프램에 얼마나 잘 일반화할 수 있는가?
• RQ3 기존의 문자 수준 또는 단어 수준의 인식과 비교해 볼 때, 다중 레이블 분류 접근 방식은 손글씨 그래프램 인식에 얼마나 효과적인가?
• RQ4 대규모 실생활 데이터셋을 오픈소스로 제공함으로써, 자원이 부족한 언어의 OCR 분야에서 진전을 가속화할 수 있는가?

주요 결과

• 제안된 데이터셋으로 훈련된 심층 학습 모델은 훈련 중에 볼 수 없었던 드문 그래프램에 대해 강력한 일반화 능력을 보였다.
• 그래프램 기반의 레이블링 체계는 단어 구성 요소의 선형 분할을 가능하게 하여, 모델의 해석 가능성과 성능을 크게 향상시켰다.
• 이 데이터셋은 다중 레이블 그래프램 분류에서 최신 기술 수준의 성능을 달성했으며, 기울인 글자체 인식에서 전통적 접근 방식을 능가했다.
• 카글 챌린지 프레임워크는 연구 공동체의 적극적 참여를 이끌었으며, 빠른 벤치마킹과 모델 개선을 이끌었다.
• 스타터 코드와 공유된 베이스라인은 방글라어 OCR 분야에 처음 도전하는 연구자들이 접근 장벽을 크게 낮췄다.
• 이 데이터셋은 실생활 응용에 효과적이며, 합성되거나 수작업으로 정제된 컬렉션 대신 일상적인 손글씨 샘플에서 유래되었기 때문이다.