蒙古文脱机手写字识别的轻量化模型设计

摘要

组织1 000余名书写者，构建涵盖10 000个蒙古文字、共计300 000张样本的手写图像数据集。基于该数据集，提出轻量化识别模型MLCNet，该模型以MobileNetV3为主干网络，在高层特征提取阶段引入高效通道注意力模块，以增强关键特征的表达能力，利用双向长短期记忆网络进行时序建模，通过连接时序分类实现从序列到文本映射。在6万张测试样本上验证的结果表明，MLCNet识别准确率达91.57%，相较以ResNet为特征提取网络的基准模型仅下降2.47%，但参数量为基准模型的约1/44，明显提升了在资源受限设备上的部署可行性。研究构建的数据集与轻量化模型，为蒙古文手写字识别任务提供了一种可行的参考方案。

关键词

蒙古文手写字识别 / ECA-MobileNetV3 / BiLSTM / CTC