《表2 增加样本前后测试准确度对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《卷积神经网络在古籍汉字识别中的应用实践》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于训练集对模型识别的结果影响较大，特地在原有样本基础上，新增王羲之书法字体和颜体书法字体，通过字体生成技术生成单字160个不同的样本，见图7。同样进行20轮迭代训练后，得出的测试结果如表2所示。可见，增加字体样本后未识别样本降低，整体的准确率有所提升。所以，训练样本字体的多样性有助于提升CNN网络的识别率。可以通过将古籍中的汉字切割、标注、预处理后构建训练样本，以此提高样本的多样性，进而提升识别性能。