[논문 리뷰] Multiple models of Bayesian networks applied to offline recognition of Arabic handwritten city names

Mohamed Ali Mahjoub, Nabil Ghanmy외 2명|arXiv (Cornell University)|2013. 01. 18.

Handwritten Text Recognition Techniques인용 수 11

한 줄 요약

이 논문은 블록 단위 특징 추출을 통해 Zernike 및 Hu 모멘트, K-means 군집화, 그리고 네 가지 베이지안 분류기(Naïve Bayes, TAN, FAN, DBN)를 사용하여 오프라인 아랍어 수기 도시명 인식을 위한 다중 모델 베이지안 네트워크 접근법을 제안한다. FAN과 DBN이 가장 높은 인식률을 기록하여 다수의 작성자에 대한 튀니지 도시명 데이터셋에서 뛰어난 성능을 입증한다.

ABSTRACT

In this paper we address the problem of offline Arabic handwriting word recognition. Off-line recognition of handwritten words is a difficult task due to the high variability and uncertainty of human writing. The majority of the recent systems are constrained by the size of the lexicon to deal with and the number of writers. In this paper, we propose an approach for multi-writers Arabic handwritten words recognition using multiple Bayesian networks. First, we cut the image in several blocks. For each block, we compute a vector of descriptors. Then, we use K-means to cluster the low-level features including Zernik and Hu moments. Finally, we apply four variants of Bayesian networks classifiers (Na\\"ive Bayes, Tree Augmented Na\\"ive Bayes (TAN), Forest Augmented Na\\"ive Bayes (FAN) and DBN (dynamic bayesian network) to classify the whole image of tunisian city name. The results demonstrate FAN and DBN outperform good recognition rates

연구 동기 및 목표

• 다수의 작성자에 의해 발생하는 높은 변동성과 불확실성을 고려한 오프라인 아랍어 수기 단어 인식의 과제를 해결한다.
• 작은 어휘 크기와 제한된 작성자 다양성으로 인해 제약을 받는 기존 시스템의 한계를 극복한다.
• 아랍 문자의 다양한 글쓰기 스타일을 처리할 수 있는 강력한 인식 프레임워크를 개발한다.
• 다양한 베이지안 네트워크 변형을 평가하여 아랍어 도시명 인식에 가장 효과적인 모델을 규명한다.
• 공간 블록 분석과 통계적 특징 군집화를 통합하여 인식 정확도를 향상시킨다.

제안 방법

• 입력 이미지의 아랍어 수기 도시명을 공간 블록으로 분할하여 국소적인 구조 패턴을 캡처한다.
• 각 블록에서 Zernike 및 Hu 모멘트를 사용하여 저수준의 시각적 서술자를 추출하여 강력한 형태 표현을 확보한다.
• 유사한 특징 벡터를 군집화하기 위해 K-means 군집화를 적용하여 차원 축소 및 분류 능력 향상에 기여한다.
• 군집화된 특징에 대해 네 가지 베이지안 네트워크 변형(Naïve Bayes, Tree Augmented Naïve Bayes(TAN), Forest Augmented Naïve Bayes(FAN), Dynamic Bayesian Network(DBN))을 훈련시킨다.
• 최종 도시명 예측을 위해 블록 수준 특징을 조합한 전체 이미지 표현을 분류기의 입력으로 사용한다.
• 특징 간 조건부 의존성을 모델링하여 분류 성능을 최적화하며, DBN은 블록 순서 간의 시간적 또는 순차적 구조를 포착한다.

실험 결과

연구 질문

• RQ1 다양한 베이지안 네트워크 아키텍처는 다수의 작성자 조건 하에서 오프라인 아랍어 수기 도시명 인식에 어떻게 성능을 발휘하는가?
• RQ2 K-means를 통한 특징 군집화는 글쓰기 변동성이 존재하는 상황에서 인식 정확도를 얼마나 향상시키는가?
• RQ3 FAN과 DBN 모델은 전통적인 Naïve Bayes와 TAN보다 아랍 문자 특징의 복잡한 의존성을 얼마나 잘 포착할 수 있는가?
• RQ4 Zernike 및 Hu 모멘트를 사용한 블록 단위 특징 추출 전략은 아랍어 단어 인식에 얼마나 효과적인가?
• RQ5 공간 블록 특징과 확률 모델링을 통합할 경우 전체 인식 성능에 어떤 영향을 미치는가?

주요 결과

• FAN과 DBN 분류기가 모든 테스트 모델 중에서 가장 높은 인식률을 기록하여 Naïve Bayes와 TAN을 능가했다.
• Zernike 및 Hu 모멘트 특징에 대한 K-means 군집화 적용으로 특징 표현과 분류의 강건성이 향상되었다.
• 블록 단위 처리 방식은 국소적 특징 캡처를 향상시켜 다양한 글쓰기 스타일에 대한 일반화 능력을 향상시켰다.
• 공간 블록 특징과 베이지안 네트워크의 통합은 전역 특징만을 사용하는 방법에 비해 인식 정확도를 크게 향상시켰다.
• DBN은 블록 간 순차적 의존성을 모델링하여 수기 패턴에 시간적 구조가 존재할 수 있음을 시사했다.
• 본 연구는 FAN과 DBN 변형을 사용할 경우 다수의 작성자에 대한 아랍어 수기 단어 인식에 다중 모델 베이지안 네트워크가 효과적임을 확인하였다.