文献类型：期刊文章

作　　者：方定邦[1] 冯桂[1] 曹海燕[1] 杨恒杰[1] 韩雪[1] 易银城[1]

Fang Dingbang;Feng Gui;Cao Haiyan;Yang Hengjie;Han Xue;Yi Yincheng(Xiamen Key Laboratory of Mobile Mutimedia Communications,College of Information Science and Engineering,Huaqiao University,Xiamen,Fujian 361021,China)

机构地区：[1]华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室,福建厦门361021

出　　处：《激光与光电子学进展》

基　　金：福建省自然科学基金(2016J01306);华侨大学研究生科研创新能力培育计划(17014082020)

年　　份：2019

卷　　号：56

期　　号：7

起止页码：256-263

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比,DenseNet-SE采用数据驱动的方法,无需手工提取特征。该框架包含了稠密残差块的结构,能够获取深度特征。通过跳跃连接的方式,从浅层获取细粒度特征来辅助深度特征。同时,融合特征有助于网络结构获取更多全局信息,更好地表示公式符号的类别。利用在线手写数学表达式识别的竞赛组织(CROHME)提供的标准数学公式符号库来验证所提算法,结果表明,CROHME2014和CROHME2016的识别率分别达到93.38%和92.93%,高于目前已有算法的识别率。

关 键 词：光计算 稠密卷积神经网络  手写公式符号  稠密残差块  深度特征  细粒度特征  

分 类 号：TP391]