AKHCRNet: Erkennung bengalischer handschriftlicher Zeichen mittels Deep Learning

Ich stelle eine moderne tief neuronale Architektur für die Erkennung handschriftlicher Zeichen im Bengali-Alphabet sowie zusammengesetzter Zeichen und numerischer Ziffern vor, die eine state-of-the-art Genauigkeit von 96,8 % bereits in nur 11 Epochen erreicht. Ähnliche Arbeiten wurden bereits von Chatterjee, Swagato, et al. durchgeführt, wobei jedoch eine Genauigkeit von 96,12 % in etwa 47 Epochen erzielt wurde. Die tief neuronale Architektur in jener Studie war im Vergleich beträchtlich groß, insbesondere aufgrund der Einbindung der Gewichte des ResNet-50-Modells, eines 50-Schichten-Residual-Netzwerks. Das vorgeschlagene Modell erreicht eine höhere Genauigkeit im Vergleich zu allen vorherigen Arbeiten und zwar in deutlich weniger Epochen. Obwohl ResNet50 ein gut trainiertes Modell auf dem ImageNet-Datensatz darstellt, schlage ich hier ein spezifisches HCR-Netzwerk vor, das von Grund auf auf Bengali-Schriftzeichen trainiert wurde und ohne „Ensemble Learning“ eine Überlegenheit gegenüber früheren Architekturen zeigt.