[논문 리뷰] Handwritten Urdu Character Recognition using 1-Dimensional BLSTM Classifier

Saad Bin Ahmed, Saeeda Naz외 2명|arXiv (Cornell University)|2017. 05. 15.

Handwritten Text Recognition Techniques참고 문헌 27인용 수 6

한 줄 요약

이 논문은 500명의 글쓰기 스타일을 가진 자연스러운 손글씨를 포함하는 종합적인 오프라인 데이터셋인 우르두-나스타리크 손글씨 데이터셋(UNHD)을 소개하고, 순차적 의존성을 모델링하여 서사체인 우르두 문자를 인식하기 위한 1차원 양방향 장기 단기 기억(1D BLSTM) 네트워크를 제안한다. 이 방법은 이질적인 글쓰기 스타일과 결합 문자(ligatures)로 인한 과제를 해결하면서 높은 정확도를 달성한다.

ABSTRACT

The recognition of cursive script is regarded as a subtle task in optical character recognition due to its varied representation. Every cursive script has different nature and associated challenges. As Urdu is one of cursive language that is derived from Arabic script, thats why it nearly shares the same challenges and difficulties even more harder. We can categorized Urdu and Arabic language on basis of its script they use. Urdu is mostly written in Nastaliq style whereas, Arabic follows Naskh style of writing. This paper presents new and comprehensive Urdu handwritten offline database name Urdu-Nastaliq Handwritten Dataset (UNHD). Currently, there is no standard and comprehensive Urdu handwritten dataset available publicly for researchers. The acquired dataset covers commonly used ligatures that were written by 500 writers with their natural handwriting on A4 size paper. We performed experiments using recurrent neural networks and reported a significant accuracy for handwritten Urdu character recognition.

연구 동기 및 목표

• 우르두 손글씨 문자 인식을 위한 공개 가능하고 종합적인 오프라인 데이터셋의 부족을 해결하기 위해.
• 나스타리크 스타일의 글쓰기 방식과 빈번한 결합 문자로 인해 높은 변동성을 보이는 서사체인 우르두 문자를 위한 강력한 인식 시스템을 개발하기 위해.
• 특히 1D BLSTM을 포함한 순환 신경망이 서사체 우르두 문자의 순차적 패턴을 어떻게 모델링하는지 평가하기 위해.
• 표준화된 데이터셋과 딥 러닝 기반 접근을 통해 향후 연구를 위한 벤치마크를 설정하기 위해.

제안 방법

• 저자들은 A4 용지에 500명의 글쓰기 스타일을 포함하는 새로운 오프라인 손글씨 데이터셋인 우르두-나스타리크 손글씨 데이터셋(UNHD)을 수집하였다.
• 이 데이터셋은 일반적으로 사용되는 결합 문자를 포함하며, 나스타리크 스크립트에서 흔히 볼 수 있는 자연스러운 글쓰기 변형을 반영하고 있다.
• 1차원 양방향 장기 단기 기억(1D BLSTM) 네트워크를 사용하여 서사체 문자 획의 순차적 의존성을 모델링하였다.
• 1D BLSTM은 입력을 픽셀 행의 시퀀스로 처리하여 이미지 전반에 걸친 공간적 및 맥락적 관계를 포착한다.
• 백프로파게이션을 통한 시간에 따른 확률적 경사 하강법을 사용하여 네트워크를 엔드 투 엔드로 훈련시켰다.
• 모델 아키텍처는 우르두 스크립트의 방향성과 연결된 특성을 고려하여 설계되어 복잡한 결합 문자의 인식 성능을 향상시켰다.

실험 결과

연구 질문

• RQ1 나스타리크 스크립트의 높은 변동성에도 불구하고 1D BLSTM 모델이 손글씨로 쓴 우르두 문자를 효과적으로 인식할 수 있는가?
• RQ2 대규모 실세계 우르두 손글씨 데이터셋에서 전통적 방법과 비교해 본다면, 제안된 1D BLSTM 모델은 정확도 면에서 어떤가?
• RQ3 UNHD 데이터셋에 자연스러운 손글씨 변형과 결합 문자를 포함시킴으로써 모델의 일반화 능력은 어느 정도 향상되는가?
• RQ4 새로 도입된 UNHD 데이터셋에서 1D BLSTM 모델의 인식 정확도는 얼마인가?

주요 결과

• 제안된 1D BLSTM 모델은 UNHD 데이터셋에서 높은 인식 정확도를 달성하여 서사체 우르두 문자에 대해 뛰어난 성능을 보였다.
• UNHD 데이터셋의 도입은 향후 연구를 위한 표준화된 벤치마크를 제공한다.
• 모델는 서사체 스크립트의 순차적 의존성을 효과적으로 포착하여, 특히 결합 및 연결된 문자의 인식에 유리하다.
• 500명의 글쓰기 스타일에서 수집한 자연스러운 손글씨를 포함한 대규모이고 다양한 데이터셋을 활용함으로써 모델의 강건성과 일반화 능력이 향상되었다.