研究人员推出 uTHCD-C,一个旨在评估泰米尔手写字符识别系统在各种损坏情况下的鲁棒性的新基准。该基准基于 uTHCD 数据集,包含五个严重程度级别的十种损坏类型,重点关注手写特有的笔画变细。测试了九种不同的卷积和基于 Transformer 的架构,结果显示 ConvNeXt 和 Swin Transformer 模型在损坏误差方面表现最佳,而 ShuffleNet 和 MNASNet 的鲁棒性较低。研究还分析了这些模型在鲁棒性和计算效率之间的权衡。 AI
影响 为评估和改进 AI 模型在特定字符识别任务中的鲁棒性建立了标准化方法。
排序理由 该条目描述了一个新基准和针对特定研究任务(手写字符识别)的模型评估。[lever_c_demoted from research: ic=1 ai=1.0]
- ConvNeXt
- Handwritten character recognition based on CNN
- MNASNet
- ShuffleNet
- Swin Transformer
- Tamil
- uTHCD
- uTHCD-C
- VGG16 BN
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →