文献

J-GLOBAL ID：201802278854728416   整理番号：18A0444652

続LSTM(長期短期メモリ)訓練を用いた個人化手書き認識【Powered by NICT】

Personalized Hand Writing Recognition Using Continued LSTM Training

著者 (7件)： Sahu Pragya Paramita ,  Singh Vikrant ,  Kiran Indra ,  Veera Viswanath ,  Abhinav Thanda ,  Vijay Ankit ,  Venkatesan Shankar M.
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICDAR  ページ： 218-223  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： オンライン手書き文字認識は深層学習技術の成功した適用過去数年における主要な改善が見られた。訓練データが大量と訓練時間は大きいが,電流精度は合理的な小モデルサイズ(画像認識タスクにおけるモデルと比較した場合)であっても非常に良好であった。しかし,有意に高い精度で改良モデルをもたらし,新しいユーザの書体にこのような深いモデル(新しいユーザはモバイル機器へのモデルをダウンロードした後)を個別化する重要な課題は,これまで調べられていない。各新しいユーザのための大量訓練データをダウンロードし,デバイス自体(オリジナルデータを混合訓練サンプルの限られた量後に新しいユーザを供給できる)に関するモデルを再訓練するための実現可能な明確にされていない。著者らの知る限り,これは再訓練はデバイスにどのように役立つか,どの程度精度利得が期待できる,とモデルを再訓練の結果として単純化できるかどうかどのような適応法を用いた今まで知られていない,古い訓練データ(ユーザの新しい試料に加えて)を示した。本論文では,デバイスに及ぼす深いネットワークモデルに関する全ての重要な疑問に取り組む:特定のユーザの書体に事前モデルを適合させるための単純だがロバストな連続訓練技術を実証した。事前訓練は,長い短期記憶(LSTM)ネットワークとコネクショニスト時間分類(CTC)損失関数を用いて行った。小集合古い訓練データのみがモデルを再訓練しユーザの試料と共に用いることができることが分かった。再訓練した(適応)モデルをオンライン手書きヒンディー語テキスト認識のための非個別化モデルの約92%の精度よりも約2.5%以上の精度を達成し,すべての既存の技術を凌駕した。も提起された疑問へのいくつかの追加洞察を導いた。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： ネットワーク ,  ロバスト性 ,  利得 ,  簡素化 ,  画像認識 ,  フォント ,  損失関数 ,  *手書き文字認識 ,  *記憶装置
準シソーラス用語： *手書き ,  短期記憶 ,  ネットワークモデル ,  訓練データ ,  深層学習 ,  オンライン , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： LSTM ,  長期 ,  短期 ,  訓練 ,  個人化 ,  手書き認識