手写字符识别中的书写人自适应方法研究

The large variability of handwriting styles across individuals makes handwriting recognition a challenging problem. With the investigation of writer adaptation methods, we can significantly improve the accuracy for unconstrained and personalized handwriting document analysis and recognition. This project studies the theory and technique of writer adaptation from different aspects including: (1) writer adaptation with online feedback, (2) writer adaptation for the mixture of handwriting styles, (3) integrating writer adaptation with deep neural network models, and (4) integrating writer adaptation for handwritten text recognition. This project will improve the development of personalized online input method editor and the document analysis system which has multiple writers or font styles. Furthermore, this project will make the writer adaptation technique to be more suitable for the requirement of unconstrained cursive writing. Based on these investigations, we will build a general framework for writer adaptation to further improve the accuracy and promote real applications. The theories and techniques proposed in this project can be further extended to other domains in pattern recognition and machine learning for solving the problems such as speaker adaptation, view condition adaptation, transfer learning and so on.

不同书写人的迥异书写风格是制约手写字符识别精度的一个关键因素。通过书写人自适应方法的研究，将显著提升字符识别的水平，促进个性化、无约束的手写字符识别和文档分析技术的发展。本项目从多角度对书写人自适应的理论和方法进行研究，主要研究内容包括：（1）联机反馈的书写人自适应；（2）混合风格中的书写人自适应；（3）结合深度神经网络模型的自适应；以及（4）结合手写文本识别的自适应。本项目的研究将促进个性化的联机手写输入法研制，以及多人书写和混合排版的手写文档分析技术发展，并且使得书写人自适应技术更加贴近自然连续书写的实际需求。在这些研究的基础上，我们将试图建立统一的书写人自适应理论框架，以指导不同环境下自适应方法的研究，从而达到提高识别性能、推动实际应用的目的。本项目的理论和方法还可进一步推广到模式识别和机器学习中的其他领域，用来解决诸如说话者自适应、视角自适应、迁移学习等一系列问题。

书写人自适应能够充分利用手写文字中的风格上下文信息来提升识别精度。本项目系统的研究了手写字符识别中的书写人自适应方法，通过系统深入的研究，本项目的主要研究贡献在于：（1）基于风格迁移映射的卷积神经网络自适应，目前卷积神经网络已经在文字识别领域取得了非常高的识别精度，甚至超越了人的识别精度，但即便如此，通过引入书写人自适应，仍然能够显著的提升识别准确率；（2）汉字的自动书写系统，通过使用条件的递归神经网络对汉字的动态笔画进行模拟，可以自动生成手写汉字样本，生成的样本可以正确的被人和机器所识别，为后续开展个性化的文字生成与自适应提供了技术支撑；（3）混合风格的自适应，在书写人自适应过程中，传统的书写人自适应方法通常假设测试集中只有一个书写人的数据（一种风格），我们称这种情况下的自适应为风格一致的自适应。但是，在实际应用中，更常出现的情形是测试集中包含多个书写人的数据（多种风格），并且我们不知道这些数据的书写人（风格）信息，我们称这种情况下的自适应为混合风格的自适应，我们提出了一种新的方法，称之为K-风格混合自适应（K-SMA）较好的解决了这个问题。此外，我们还将这些方法扩展到自然图像中的自适应问题上取得较好性能。

内容获取失败，请点击重试