Система распознавания для английского курсивного рукописного текста

Одним из основных направлений в области распознавания текстов в настоящее время является задача распознавания курсивных рукописных текстов. Почерк каждого человека уникален и некоторые буквы могут быть совершенно не похожими по начертанию, иметь различные размеры и форму, наклон письма. Кроме того, курсивное написание слов содержит соединение между буквами. По этой причине применение алгоритмов для распознавания отдельных символов после сегментации слова на буквы приводит к меньшему уровню качества распознавания по сравнению с рукописным «печатным» текстом. В данной работе для распознавания курсивного текста применялись скрытые марковские модели и сверточно-рекуррентные нейронные сети. Данные алгоритмы позволяют решать проблему расшифровки текстов без применения сегментации строки на слова и буквы. Неявная сегментация строк является одним из результатов работы данных алгоритмов. В качестве одного из способов извлечения признаков для реализации скрытой марковской модели был рассмотрен вариационный автокодировщик. Данный метод позволяет переводить входной вектор в пространство меньшей размерности. При этом моделируются не сами латентные переменные, а их распределение. Наличие случайности в извлечении признаков вносит в модель регуляризацию. Получить хорошие результаты распознавания с помощью скрытых марковских моделей не удалось. Данный алгоритм требует много вычислительных ресурсов, поэтому была проведена только одна итерация обучения. Однако в работе показано, что вариационный автокодировщик может быть использован как метод извлечения признаков для скрытых марковских моделей. Результаты применения сверточно-рекуррентных нейронных сетей показали хорошие результаты распознавания. Согласно метрике, основанной на расстоянии Левенштейна, верная транскрипция и прогноз модели схожи на 95%. Полученная модель безошибочно распознает 46% строк.