[论文解读] A GA Based approach for selection of local features for recognition of handwritten Bangla numerals

Nibaran Das, Subhadip Basu+4 more|arXiv (Cornell University)|Jan 22, 2015

Neural Networks and Applications参考文献 15被引用 8

一句话总结

本文提出一种基于两阶段遗传算法（GA）的方法，通过优化局部特征选择来提升手写孟加拉数字识别性能。首先，利用全局特征进行粗分类，缩小候选类别范围；随后，通过遗传算法（GA）选择最优局部区域以实现精细化分类，最终实现95.25%的识别准确率——较第一轮的93.35%显著提升，证明了GA优化的局部特征选择在复杂模式识别任务中的有效性。

ABSTRACT

Soft computing approaches are mainly designed to address the real world ill-defined, imprecisely formulated problems, combining different kind of novel models of computation, such as neural networks, genetic algorithms (GAs. Handwritten digit recognition is a typical example of one such problem. In the current work we have developed a two-pass approach where the first pass classifier performs a coarse classification, based on some global features of the input pattern by restricting the possibility of classification decisions within a group of classes, smaller than the number of classes considered initially. In the second pass, the group specific classifiers concentrate on the features extracted from the selected local regions, and refine the earlier decision by combining the local and the global features for selecting the true class of the input pattern from the group of candidate classes selected in the first pass. To optimize the selection of local regions a GA based approach has been developed here. The maximum recognition performance on Bangla digit samples as achieved on the test set, during the first pass of the two pass approach is 93.35%. After combining the results of the two stage classifiers, an overall success rate of 95.25% is achieved.

研究动机与目标

• 为解决手写孟加拉数字识别中存在高度类内差异性和复杂空间模式的挑战。
• 通过早期利用全局特征缩小候选类别范围，降低分类复杂度。
• 通过智能选择最具判别力的局部特征进行精细化处理，提升识别准确率。
• 利用遗传算法（GA）优化局部特征选择，提升第二阶段分类决策的准确率。
• 实现整体识别率高于仅使用全局特征的模型，验证全局-局部特征融合策略的有效性。

提出的方法

• 采用两阶段分类框架：第一阶段利用全局特征进行粗分类，缩小搜索空间。
• 第二阶段聚焦于从输入数字图像中选定感兴趣区域提取的局部特征。
• 使用遗传算法（GA）演化特征区域组合，以优化分类准确率。
• GA基于识别性能评估适应度，选择在第二阶段中能最大化正确分类的区域组合。
• 在第二阶段将全局特征与局部特征结合，以优化粗分类结果。
• 特征选择由适应度函数引导，以促进所选局部区域的高判别力与低冗余性。

实验结果

研究问题

• RQ1 与单阶段全局特征方法相比，两阶段分类方法是否能提升手写孟加拉数字的识别准确率？
• RQ2 遗传算法在选择最具信息量的局部图像区域以提升分类性能方面效果如何？
• RQ3 当与全局特征结合时，局部特征对整体识别准确率的贡献有多大？
• RQ4 基于GA的特征选择是否能在保持或提升识别率的同时减少候选类别数量？
• RQ5 在孟加拉数字的混合识别框架中，全局与局部特征的最优平衡点是什么？

主要发现

• 仅使用全局特征的第一轮分类器在测试集上实现了93.35%的识别准确率。
• 在第二轮中整合通过GA方法选择的局部特征后，整体识别准确率提升至95.25%。
• 基于GA的特征选择过程有效识别出具有判别力的局部区域，显著提升了分类性能。
• 两阶段方法在第二阶段减少了候选类别数量，提升了计算效率与决策准确率。
• 全局与经优化的局部特征的混合使用优于仅依赖全局特征的模型。
• 结果表明，通过遗传算法实现的智能局部特征选择，是复杂文字系统（如孟加拉文）手写数字识别中一种可行且有效的策略。