Resumen

En este documento, proponemos un nuevo modelo profundo para el Reconocimiento de Caracteres con distribución desequilibrada, empleando una función de pérdida focal basada en la clasificación temporal conexa (CTC). Trabajos anteriores utilizan el CTC tradicional para calcular las pérdidas de predicción. Sin embargo, algunos conjuntos de datos pueden estar compuestos por muestras extremadamente desequilibradas, como en el caso del chino. En otras palabras, tanto los conjuntos de entrenamiento como de prueba contienen grandes cantidades de muestras poco frecuentes. Estas muestras poco frecuentes tienen una influencia muy limitada en el modelo durante el entrenamiento. Para resolver este problema, modificamos el CTC tradicional fusionándolo con la pérdida focal y así hacemos que el modelo preste atención a las muestras poco frecuentes en la etapa de entrenamiento. Para demostrar la ventaja del método propuesto, realizamos experimentos en dos tipos de conjuntos de datos: conjuntos de datos de secuencias de imágenes sintéticas y reales. Los resultados en ambos conjuntos de datos muestran que la función

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Método propuesto; Pérdida focal; Distribución desequilibrada; Clasificación temporal conexionista; Conjuntos de datos chinos; Rendimiento.
• Keywords:Proposed method; Focal loss; Unbalanced distribution; Connectionist temporal classification; Chinese datasets; Performance.