[論文閱讀]EMNIST: an extension of MNIST to handwritten letters

論文閱讀

EMNIST: an extension of MNIST to handwritten letters

/ 2020-01 Howard wonanut

最近遇到一個問題，需要識別手寫字母，這個問題本身沒啥難度，難在如何找到訓練數據集，因爲之前做過手寫數字的識別，知道有個MNIST手寫數字數據集，可這手寫字母數據集還真沒注意過。第一個映入眼簾的手寫字母數據集是Chars74k數據集,裏面的EnglishHnd即爲手寫數字數據集，不過數據量比較少，每個字母只有55個圖片數據。

直到今天，在kaggle上看到了EMNIST數據集，真的是發現了一個寶藏，所以整理一下這個論文：
論文下載地址：EMNIST: an extension of MNIST to handwritten letters

產生背景

衆所周知，MNIST是一個權威的手寫數字數據集，而且一直有一個手寫數字+大小寫字母數據集NIST，只不過由於NIST數據集使用起來不太方便，而且沒有像EMNIST將訓練集和測試集劃分，因此在使用以及對比結果的時候很不方便，從而有了ENMIST（extension of MNIST）。

數據集劃分

該數據集基於NIST Special Database 19產生。論文作者已經將數據按照不同的劃分方法進行了劃分，而且都已經劃分了訓練集和測試集：

• By_page：裏面含有未經處理的整頁的字符黑白掃描
• By_Author: 裏面根據不同的書寫者，將屬於同一個人的所有字符都歸成一類
• By_Field: 分成字母，數字，可以用於字母或者數字分割
• By_Class: 按類別，即 數字 10 類[0-9]，26 類 [a-z]，26 類 [A-Z]，共 62 類
• By_Merge: 因爲有的因爲字母，大小寫手寫體基本很難分辨，所有這裏將這些字母大小寫合併，又構成一個新的分類，被合併的字母有 15 類 [C,I,J,K,L,M,O,P,S,U,V,W,X,Y,Z]，所以最後最剩下 47 類
  

EMNIST數據集的部分劃分結果如下圖：

banchmark結果

不太重要，略

（完）