[논문 리뷰] Sparse Concept Coded Tetrolet Transform for Unconstrained Odia Character Recognition

Kalyan S. Dash, Niladri B. Puhan외 1명|arXiv (Cornell University)|2020. 04. 03.

Handwritten Text Recognition Techniques참고 문헌 52인용 수 5

한 줄 요약

이 논문은 비제약 조건 하의 손글씨 올리아 문자 인식을 위해 새로운 희소 개념 코딩 테트로렛 변환(SCTT)을 제안한다. 형태에 적응하는 테트로렛을 활용해 국소적인 손글씨 변형을 포착하고, 희소 코딩을 적용해 분류에 유리한 특징을 추출한다. 이 방법은 MNIST에서 99.40% 및 ISI Kolkata 데이터셋에서 99.38%의 최신 기술 수준(SOTA) 정확도를 달성하여 PCA, SparsePCA, SparseLDA 및 전통적인 변환 기법인 웨이블릿과 스톡웰을 능가한다.

ABSTRACT

Feature representation in the form of spatio-spectral decomposition is one of the robust techniques adopted in automatic handwritten character recognition systems. In this regard, we propose a new image representation approach for unconstrained handwritten alphanumeric characters using sparse concept coded Tetrolets. Tetrolets, which does not use fixed dyadic square blocks for spectral decomposition like conventional wavelets, preserve the localized variations in handwritings by adopting tetrominoes those capture the shape geometry. The sparse concept coding of low entropy Tetrolet representation is found to extract the important hidden information (concept) for superior pattern discrimination. Large scale experimentation using ten databases in six different scripts (Bangla, Devanagari, Odia, English, Arabic and Telugu) has been performed. The proposed feature representation along with standard classifiers such as random forest, support vector machine (SVM), nearest neighbor and modified quadratic discriminant function (MQDF) is found to achieve state-of-the-art recognition performance in all the databases, viz. 99.40% (MNIST); 98.72% and 93.24% (IITBBS); 99.38% and 99.22% (ISI Kolkata). The proposed OCR system is shown to perform better than other sparse based techniques such as PCA, SparsePCA and SparseLDA, as well as better than existing transforms (Wavelet, Slantlet and Stockwell).

연구 동기 및 목표

• 비제약 조건 하의 손글씨 올리아 문자 인식에 있어 형태와 스타일의 높은 변동성을 다루는 데 도전한다.
• 고정 블록 기반 변환 대신 형태에 적응하는 테트로렛을 활용해 손글씨 문자 인식의 특징 표현을 향상시킨다.
• 낮은 엔트로피를 가진 테트로렛 계수에 희소 개념 코딩을 적용해 패턴의 분류 능력을 향상시킨다.
• 다양한 글자 및 대규모 데이터베이스를 대상으로 제안된 방법을 평가하여 강건성과 일반화 능력을 검증한다.
• 기존의 희소 및 변환 기반 방법보다 비제약 조건 하의 손글씨 문자 인식 정확도에서 승리한다.

제안 방법

• 이 방법은 테트로미노 기반의 비가역적이고 형태에 적응하는 변환인 테트로렛을 사용하여 이미지를 국소 스펙트럼 성분으로 분해함으로써 손글씨 기하학적 특징을 더 잘 포착한다.
• 테트로렛은 기존의 이진 웨이블릿 블록 대신 테트로미노 기반의 분할을 사용하여 손글씨 선의 구조적 변형을 유지한다.
• 낮은 엔트로피를 가진 테트로렛 계수를 추출하여 중복을 줄이고 주목할 만한 특징을 유지한다.
• 희소 개념 코딩을 테트로렛 계수에 적용하여 압축된 표현에서 고수준의 분류에 적합한 특징(개념)을 추출한다.
• 최종 특징 벡터는 SVM, 랜덤 포레스트, k-NN 및 MQDF와 같은 표준 분류기로 인식에 투입된다.
• 이 방법은 올리아, 벵골, 데바나가리, 영어, 아랍어 및 텔루구어 등 여섯 가지 글자 체계를 포함한 열 개의 데이터베이스에서 평가된다.

실험 결과

연구 질문

• RQ1 고정 블록 기반 변환 대비 형태에 적응하는 테트로렛 변환은 비제약 조건 하의 손글씨 문자 인식에 특징 표현을 향상시킬 수 있는가?
• RQ2 테트로렛 계수에 대한 희소 개념 코딩은 문자 인식의 분류 능력을 향상시키는가?
• RQ3 제안된 SCTT 방법은 PCA, SparsePCA, SparseLDA, 웨이블릿 및 스톡웰 변환과 같은 기존의 희소 및 변환 기반 기법보다 어떻게 비교되는가?
• RQ4 제안된 방법은 다양한 글자 체계와 비제약 조건 하의 손글씨 변형에 일반화될 수 있는가?
• RQ5 다양한 벤치마크 데이터베이스에서 제안된 특징 표현을 통해 달성할 수 있는 정확도 수준은 어느 정도인가?

주요 결과

• 제안된 희소 개념 코딩 테트로렛 변환은 MNIST 데이터셋에서 99.40%의 정확도를 달성하여 기존 최신 기술 수준의 방법을 능가한다.
• IITBBS 데이터베이스에서 올리아 문자는 98.72%, 벵골 문자는 93.24%의 정확도를 기록하여 자원이 제한된 글자 체계에서도 뛰어난 성능을 보였다.
• ISI Kolkata 데이터셋에서 올리아 문자는 99.38%, 데바나가리 문자는 99.22%의 정확도를 기록하여 높은 강건성을 입증했다.
• 모든 테스트된 데이터베이스에서 PCA, SparsePCA 및 SparseLDA를 일관되게 능가하여 테트로렛 기반 특징 표현의 효과성을 입증했다.
• 특히 비제약 조건 하의 손글씨 처리에서 웨이블릿, 슬랜틀릿, 스톡웰 변환과 같은 전통적 변환 기법보다도 정확도에서 뛰어나 SCTT 방법의 우수성을 입증했다.
• 여섯 가지 글자 체계에 걸친 대규모 실험을 통해 방법의 일반화 능력과 다양한 글자 체계에 대한 확장성(스케일러빌리티)을 확인했다.