蘋果推高精度手寫識別系統，可準確識別3萬字符集

　　在手機、平板和可穿戴設備不斷普及的今天，手寫識別比以往任何時候都重要。但這并非易事，拿漢字來說，讓移動設備識別大量手寫漢字字符還是個挑戰。

　　今天，蘋果機器學習博客發表文章《Real-Time Recognition of Handwritten Chinese Characters Spanning a Large Inventory of 30,000 Characters》，介紹了蘋果如何在iPhone、iPad和Apple Watch的Scribble模式中解決上述問題。

　　這套基于深度學習的識別系統，能準確處理多達3萬個字符。為了提高準確性，蘋果研究人員還特別注意了數據的收集環境、典型字體和訓練方案。他們發現，這套系統還能支持更大的字符庫。

　　蘋果研究人員的實驗表明，只要訓練數據集的數量夠大質量夠好，準確率只會隨著字符量的增加緩慢下降。量子位將這篇博客中的要點翻譯整理，與大家分享——

　　簡介

　　手寫識別能夠提高用戶在移動設備上的體驗，尤其適用于漢字這種相對復雜文字的使用者。由于漢字數量和書寫樣式多，手寫識別確實是個大挑戰。

　　字母類的語言也就涉及到100多個字母的排列順序，但在中國國家標準GB 18030-2005《信息技術中文編碼字符集》中就收錄了27533個字符。

　　日常生活中，人們只用得到最具代表性的一小部分。因此，國標GB2312-80《信息交換用字符編碼字符集·基本集》中僅包含6763個字符。中科院自動化研究所創建的CASIA數據庫中所用字符有6763個，其中一級字符(常用字)3755個，二級字符(非常用字)3008個。

　　然而，早期識別算法主要依賴分析筆畫的構造。后來，研究人員對研究漢字整體結構的方法產生了興趣。由于眾多漢字具有相似性，漢字識別的難度加大，研究人員通過分類降低錯誤識別。

　　在MNIST數據集的拉丁文任務中，卷積神經網絡(CNN)嶄露頭角。因為訓練數據足夠大，根據需要補充合成樣例，CNN無疑是最好的方法。美中不足的是，這些研究中分的類別很少。

　　當我們開始研究漢字的大規模識別時，CNN似乎是個不錯的選擇。但這種方法需要將CNN擴展至約3萬個字符，并且在嵌入設備上實時保持性能。

　　系統結構

　　我們采用的是CNN通用架構，類似于之前在MNIST上手寫識別實驗中的架構。系統結構如圖所示：

　　△典型的CNN架構

　　出于性能原因，我們將輸入設定為一個中等分辨率的圖像(48x48像素)，這是普通手寫漢字的大小。之后我們將它輸入至特征提取層，交替進行卷積和子采樣。最后一個特征提取層通過全連接層輸出。

　　從一個卷積層到下一個卷積層，我們選擇了kernel的大小和特征映射的數量得出粗粒度特征。通過用2x2 kernel，我們對最大池化層進行了采樣，每個輸出層都有一個節點。

　　下圖展示了使用CNN的運行結果，其中“Hz-1”指的是一級字符庫(3755個字符)，“CR(n)”表示輸入法界面排序為n的可能字符的準確度。除了常見的“最可能字”(top-1)和top-10的準確性外，我們也特意提到了top-4的準確性，因為輸入法界面一開始會顯示4個可能漢字，而top-4的準確性是用戶體驗提升的重要指標。

　　△在CASIA在線數據庫3755個字符上的運行結果

　　除此以外，我們對在iOS設備內部收集的額外訓練數據感興趣。此數據涵蓋了更多字體樣式，并包含每個字符大量的訓練實例。在同一個有3775個字符測試集的訓練結果如下：

　　這次訓練準確度有些許提高，總體來說，在測試集中出現的大多數漢字書寫風格已經在CASIA訓練集中得到了很好覆蓋，也表明折疊訓練數據不會使準確性下降，附加樣式在對底層模型沒有負影響。

　　擴展至3萬字

　　我們想為用戶提供從印刷體到草書等各種可能的輸入字體。為了盡可能多涵蓋不同的漢字書寫風格，我們從中國幾個地區找到了一些書法家的數據。讓我們驚訝的是，大多數用戶表示沒有見過這些罕見的漢字。

　　因此，我們又收集了不同年齡段、性別和不同教育背景的用戶數據，發現了各種各樣的書寫風格。下圖顯示了樣例中“花”字在楷書、草書和“隨便畫幾筆”風格下的樣本。

　　事實上，在日常生活中，用戶輸入經常是“隨便畫幾筆”，出現一種非常不相似的曲線變化。有時也會讓系統混淆成其他字符。下圖展示了我們在數據中觀察到的一些具體例子。需要注意的是，有足夠的訓練數據能區分像Figure 7這樣的草書變化很重要。

　　用這種方法，我們收集了大量漢字，將可識別字符從3755增加到大約3萬。

　　△30000個字符在CASIA在線數據庫的結果

　　為了解系統如何支持30000個手寫字符識別，我們還在許多不同測試集上對其進行評估，這些測試集支持所有字體的字符。平均測試結果如下：

　　△不同字體的30000個字符在多個內部測試集的平均結果

　　當然，上面兩張圖的結果不能直接比較，因為它們屬于不同的測試集上。但我們能發現，top-1和top-4的準確性相當，top-4達到了95.1%的準確率，結果尚好。

　　綜上所述，我們在嵌入式設備上構建了覆蓋3萬個字符的高精度手寫識別系統。只要有足夠數量和質量的訓練數據，識別準確度就不會大幅降低。未來，我們能精確識別的漢字字符還會更多。