《表6 文字识别方法实验对比结果》
注:*表示CBTR方法优于其他方法。
DLQDF[25]和MCDNN[9]方法是经典的文字识别方法,DeepCNet[22]方法是近年表现较好的一种基于CNN的文字识别方法。因此,本文选择上述3种方法作为实验基准方法。其中CBTR-none表示仅使用CNN模型训练学习;CBTR-ie表示仅包含图像增强方法的CNN模型;CBTR-ps表示包括路径签名的CBTR方法;CBTR-ps-8dir表示不包括假想笔画特征的CBTR方法;CBTR-ps-is表示不包括8方向特征的CBTR方法;CBTR方法则为本文完整集成CNN模型,包括假想笔画、路径签名和8方向特征。实验结果如表6所示,表中最后一列为模型评价指标精度。
图表编号 | XD00180063300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.25 |
作者 | 罗麟、张非、位一鸣、袁海范 |
绘制单位 | 国网浙江省电力有限公司舟山供电公司、国网浙江省电力有限公司舟山供电公司、国网浙江省电力有限公司舟山供电公司、国网浙江省电力有限公司舟山供电公司 |
更多格式 | 高清、无水印(增值服务) |