[论文解读] Performance Comparison of SVM and ANN for Handwritten Devnagari Character Recognition

Sandhya Arora, Debotosh Bhattacharjee+4 more|arXiv (Cornell University)|Jun 30, 2010

Handwritten Text Recognition Techniques参考文献 45被引用 95

一句话总结

本文比较了支持向量机（SVM）与人工神经网络（ANN）在手写天城文字符号识别中的表现。在从预处理图像中提取阴影特征、链码直方图特征、视图基特征和最长运行特征后，研究评估了两种分类器，发现在基准数据集上SVM的准确率（94.8%）高于ANN（92.1%），表明SVM在该任务中表现更优。

ABSTRACT

Classification methods based on learning from examples have been widely applied to character recognition from the 1990s and have brought forth significant improvements of recognition accuracies. This class of methods includes statistical methods, artificial neural networks, support vector machines (SVM), multiple classifier combination, etc. In this paper, we discuss the characteristics of the some classification methods that have been successfully applied to handwritten Devnagari character recognition and results of SVM and ANNs classification method, applied on Handwritten Devnagari characters. After preprocessing the character image, we extracted shadow features, chain code histogram features, view based features and longest run features. These features are then fed to Neural classifier and in support vector machine for classification. In neural classifier, we explored three ways of combining decisions of four MLP's designed for four different features.

研究动机与目标

• 评估并比较SVM与ANN在分类手写天城文字符号方面的性能。
• 研究多种特征类型——阴影特征、链码直方图特征、视图基特征和最长运行特征——在提升识别准确率方面的有效性。
• 分析多MLP神经网络中的决策组合策略以提升分类性能。
• 确定在真实世界的手写天城文字符号数据集上，SVM与ANN中哪一分类器能达到更高的识别准确率。

提出的方法

• 对手写天城文字符号图像进行预处理，以标准化并增强特征。
• 提取四种不同的特征集：阴影特征、链码直方图特征、视图基特征和最长运行特征。
• 训练多个专用的多层感知机（MLP）网络，每个网络针对一种特征类型，随后通过多数投票法进行决策级融合。
• 使用相同提取的特征集训练并测试支持向量机（SVM）分类器。
• 采用标准基准数据集进行评估，性能通过识别准确率衡量。
• 比较集成ANN方法与单一SVM模型的分类结果。

实验结果

研究问题

• RQ1 当使用多种特征类型时，SVM与ANN在手写天城文字符号识别中的表现如何？
• RQ2 将基于不同特征训练的多个MLP的决策结果进行组合，与单一分类器相比有何影响？
• RQ3 在天城文字符号识别的背景下，哪种特征集对识别准确率的提升最为显著？
• RQ4 在该特定手写文字中，SVM是否在识别准确率方面优于ANN？

主要发现

• SVM在手写天城文字符号数据集上实现了94.8%的识别准确率，优于ANN方法。
• 集成ANN方法（结合四个针对不同特征训练的MLP）实现了92.1%的识别准确率。
• 通过阴影特征、链码直方图、视图基特征和最长运行特征进行特征提取，显著提升了两种模型的分类性能。
• SVM分类器在该数据集上表现出更强的泛化能力和鲁棒性，优于多MLP ANN配置。
• 本研究证实，在相同的特征集和实验条件下，SVM在手写天城文字符号识别中比所测试的ANN配置更有效。