37、高效的印刷泰米尔字符识别与红肉新鲜度分类方法

高效的印刷泰米尔字符识别与红肉新鲜度分类方法

1. 印刷泰米尔字符识别研究

在印刷泰米尔字符识别领域，研究人员进行了一系列实验以开发鲁棒的数据集和有效的识别方法。

1.1 卷积神经网络基础

卷积神经网络（CNN）由卷积层、非线性函数（如ReLU）、池化层和全连接神经网络组成。CNN具有稀疏交互、参数共享和等变表示等属性。研究中使用了DIGI - Net架构，为适应数据集需求，对其输入大小、输出大小等进行了微调。

1.2 实验数据集与特征提取

实验使用了UJTDchar数据集和Mepco泰米尔字符数据集，训练测试比例为50:50。所有字符图像通过双三次插值调整为32×32和64×64像素。使用HOG特征描述符以4种不同方式提取特征，块大小固定为2×2，bins为9。不同单元大小和图像尺寸下提取的HOG特征数量如下表所示：
| 单元大小 | 图像尺寸64×64 | 图像尺寸32×32 |
| ---- | ---- | ---- |
| 8×8 | 1736 | 324 |
| 16×16 | 324 | 36 |

这些提取的特征使用具有3种不同核（RBF、多项式和线性）的SVM分类器进行分类。

1.3 实验结果分析

• 特征性能比较 ：从64×64图像使用8×8单元大小提取的HOG特征在两个数据集上表现更好，尽管计算成本较高。324个特征的性能明显优于1736个特征，且从64×64图像提取的324个特征比从32×32图像提取的性能略好，但两者结果相近。