[论文解读] Time Efficient Approach To Offline Hand Written Character Recognition Using Associative Memory Net

Tirtharaj Dash|arXiv (Cornell University)|Jun 19, 2013

Handwritten Text Recognition Techniques参考文献 11被引用 12

一句话总结

本文提出了一种基于C语言实现并采用OpenMP并行化的自联想记忆网络（AMN）的高效离线手写字符识别系统。该系统在52个英文字母（26个小写，26个大写）的手写英文字母识别中，平均识别率达到72.20%，处理时间从串行模式的3.57秒降低至并行模式的1.16秒，显著提升了实时应用的效率。

ABSTRACT

In this paper, an efficient Offline Hand Written Character Recognition algorithm is proposed based on Associative Memory Net (AMN). The AMN used in this work is basically auto associative. The implementation is carried out completely in 'C' language. To make the system perform to its best with minimal computation time, a Parallel algorithm is also developed using an API package OpenMP. Characters are mainly English alphabets (Small (26), Capital (26)) collected from system (52) and from different persons (52). The characters collected from system are used to train the AMN and characters collected from different persons are used for testing the recognition ability of the net. The detailed analysis showed that the network recognizes the hand written characters with recognition rate of 72.20% in average case. However, in best case, it recognizes the collected hand written characters with 88.5%. The developed network consumes 3.57 sec (average) in Serial implementation and 1.16 sec (average) in Parallel implementation using OpenMP.

研究动机与目标

• 开发一种快速且高效的离线手写英文字母识别系统。
• 通过并行处理技术减少字符识别中的计算时间。
• 评估自联想记忆网络（AMN）在手写字符数据集上的性能表现。
• 比较AMN在串行与并行实现下的效率与可扩展性。
• 评估系统在不同个体书写样本中的识别准确率。

提出的方法

• 使用从系统收集的手写字符（共52个字符：26个大写，26个小写）对自联想记忆网络（AMN）进行训练。
• 采用C编程语言实现AMN，以确保底层效率并最小化开销。
• 基于OpenMP API开发并行算法，以在多线程环境下加速计算。
• 训练数据由系统生成的字符构成，测试数据则来自不同个体的手写样本。
• 网络通过最小化输入与输出之间的误差实现模式重构，利用关联记忆原理。
• 通过串行与并行执行模式下的识别率和平均处理时间评估系统性能。

实验结果

研究问题

• RQ1 自联想记忆网络在识别离线手写英文字母方面的有效性如何？
• RQ2 通过OpenMP实现的并行化在AMN识别系统中能将处理时间减少多少？
• RQ3 AMN在来自多位不同个体的多样化手写样本上的识别准确率是多少？
• RQ4 与串行实现相比，该系统在计算效率方面表现如何？
• RQ5 在基于C语言的实现中，AMN能否在计算资源极少的情况下实现可接受的准确率？

主要发现

• 基于AMN的系统在所有测试样本上实现了72.20%的平均识别率。
• 在最佳情况下，系统对特定字符集的识别率可达到88.5%。
• 串行实现处理数据集的平均时间为3.57秒。
• 采用OpenMP的并行实现将平均处理时间减少至1.16秒。
• 使用OpenMP显著提升了计算效率，实现了更快的推理速度。
• 该系统在实时或近实时手写字符识别应用中具备可行性。