딥러닝 기반 벵골어 수기 문자 인식:Kaggle Bengali.AI 대회를 중심으로 (Deep Learning-based Bengali Handwritten Grapheme Classification for Kaggle Bengali.AI Challenge)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 57권 / 9호 / 67 ~ 76페이지
· 저자명 : 이채현, 최재협, 정희철

초록

최근 Kaggle에서는 벵골어 인식을 위한 새로운 데이터 셋이 공개되었고 Bengali.AI라는 국제적인 대회가 열렸다. 본 연구에서는 Bengali.AI 대회에 참가하여 달성한 결과에 대해 공유하고자 한다. 벵골어 문자는 다른 언어에 비해 구조가 복잡하기 때문에 다른 언어의 인식보다 벵골어 문자에 대한 인식이 더 어렵다. 벵골 수기 데이터 셋에 대한 인식 알고리즘을 개발하기 위해서는 주어진 수기 벵골 영상에서 그래핌 루트(Grapheme root), 모음 디아크리틱스(Vowel diacritic), 자음 디아크리틱스(Consonant diacritic) 세 가지 성분을 개별적으로 분류해야 했다. 본 연구에서는 이러한 벵골 수기 데이터 세트에 대해 세 개의 출력을 갖는 branch를 갖는 모델을 기반으로 GhostNet, EfficientNet, SENet 등 세 가지 backbone 아키텍처를 이용하여 인식을 수행하였다. 나아가 Mixup, Cutout, Cutmix, GridMask 등 4가지 데이터 증강 방법에 대해 비교 분석하여 인식률 향상을 꾀하였다. 결론적으로 우리는 GridMask 데이터 증강 기법을 사용한 EfficientNet-B5 1개, SE-ResNeXt-50 2개를 이용한 앙상블 네트워크를 기반으로 93.74%의 최고 정확도를 달성하였으며, 이 결과는 Kaggle 벵갈리 대회에 참가하는 2,059개 팀 중 상위 3.1%에 해당한다.

영어초록

Recently, a new dataset for a Bengali recognition was released at Kaggle and an international challenge called Bengali.AI was held. In this paper, we share the results of our participation in the competition. Since Bengali character has a more complex structure than other languages, recognition of Bengali character is more challenging than the recognition of other languages. To develop the recognition algorithm on Bengali handwritten dataset, we had to classify three components individually: Grapheme root, Vowel diacritics, and Consonant diacritics from a given handwritten Bengali image. We propose a method to improve the performance of recognition for Bengali handwritten dataset in this paper. In order to compare the quality of different models and find the optimal strategy to get better accuracies, we have trained several models based on three modern architectures (GhostNet, EfficientNet, SENet). Furthermore, we have analyzed four kinds of data augmentation methods such as Mixup, Cutout, Cutmix, and GridMask. Finally, we have achieved the best accuracy of 93.74% based on an ensemble network using one EfficientNet-B5 and two SE-ResNeXt-50 with GridMask data augmentation, and this result is the top 3.1% of the 2,059 teams participating in the Kaggle Bengali.AI challenge.

참고자료

· 없음