Journal of the Korea Institute of Information and Communication Engineering (한국정보통신학회논문지)

The Korea Institute of Information and Commucation Engineering (한국정보통신학회)
권호 표지

A Study on the Implementation Methods of MLP Neural Networks for the Recognition of Handwritten Numerals and the Rejection of Non-Numerals

필기체 숫자의 인식과 비숫자의 기각을 위한 MLP 신경망의 구현 방법에 관한 연구

  • 임길택 (경주대학교 컴퓨터멀티미디어공학부)
  • Published : 2005.11.01
Download PDF
⟨ Previous Next ⟩

Abstract

This Paper describes the implementation methods of MLP (mulilayer perceptrons) neural networks to recognize or reject handwritten numerals and non-nummerals. The MLP has known to be a very efficient classifier to recognize handwritten numerals in terms of recognition accuracy, speed, and memory requirements. In the previous researches, however, researchers have focused on the only numeral inputs and have not payed attention to the non-numeral inputs with respect to recognition accuracy, rejection rates, and other characteristics. In this paper, we present some implementation methods of the MLP in the environments that numeral and non-numerals are mixed. The MLPs have been developed by three methods, and investigated with three error types introduced. The experiments have been conducted on a total of 66,701 images of numerals and non-numerals. The promising method to recognize numerals and reject non-numerals has been described in terms of the three error types.

본 논문은 MLP (multilayer perceptrons) 신경망을 이용하여 필기체 妾자와 비숫자를 인식하거나 기각할 경우의 MLP 구현 방법에 관한 것이다. MLP는 인식률 및 속도, 메모리 요구량 등에 있어서 필기체 숫자인식에 매우 효율적인 인식기로 알려져 있다. 그러나 기존 연구에서의 MLP는 숫자 입력에 대해서의 인식에만 초점이 맞춰져 있으며 비숫자 입력 경우의 인식률, 기각률 및 동작 특성에 대해서는 연구된 바가 거의 없다. 본 논문에서는 숫자와 비숫자가 혼재하는 경우의 MLP 인식기의 구현방법에 대해서 논한다. MLP 인식기는 세 가지 방법으로 구현되며, 세 가지의 오류유형을 정의하여 각 인식 방법의 인식 특성을 분석하였다. 인식 실험은 66,705자의 필기체 숫자와 비숫자를 이용하여 이루어지며, 세가지 오류유형의 측면에서 숫자와 비숫자에 대한 가장 적절한 인식 방법이 논의된다.

Keywords

References

  1. S. Cho, 'Neural-network classifiers for recognizing totally unconstrained handwritten numerals,' IEEE Transactions on Neural Networks, vol. 8, pp. 43-53, 1997 https://doi.org/10.1109/72.554190
  2. F. Kimura and M. Shridhar, 'Handwritten numeral recognition based on multiple algorithms,' Pattern Recognition, vol. 24, no. 10, pp. 976-983, 1991
  3. J. Cao, M. Ahmadi, and M. Shridhar, 'Recognition of handwritten numerals with multiple feature and multistage classifier,' Pattern Recognition, vol. 28, no. 2, pp. 153-160, 1995 https://doi.org/10.1016/0031-3203(94)00094-3
  4. C. Y. Suen, C. Nadal, R. Legault, T. A. Mai, and L. Lam, 'Computer recognition of unconstrained handwritten numerals,' Proc. of IEEE, vol. 80, no. 7, pp. 1162-1180, 1992
  5. S.N. Srihari, E.J. Keubert, 'Integration of hand-written address interpretation technology into the United States Postal Service remote computer reader system,' Proc. of 4th International Conference on Document Analysis and Recognition, Ulm, Germany, pp.892-896, 1997
  6. R. Plamondon and S. N. Srihari, 'On-line and off-line handwriting recognition: A comprehensive survey,' IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 22, pp. 63-84, 2000 https://doi.org/10.1109/34.824821
  7. D. E. Rumelhart, G.E. Hinton, and R.J. Williams, 'Learning Internal Representations by Error Propagation,' Parallel Distributed Processing, vol. 1, Eds. D. E. Rumelhart and J. L. McClelland, pp. 319-362, 1986
  8. 김호연, 임길택, 김두식, 남윤석, '서장 우편물 자동 처리를 위한 우편영상 인식 시스템', 정보처리학회 논문지, Vol.10 No.4, pp.429-442, 2003