1998年11月出版
作者
Y.Lecun、L.Bottou、Y.Bengio和P.Haffner
摘要
用反向传播算法训练的多层神经网络是基于梯度学习技术的成功范例。给定适当的网络体系结构，基于梯度的学习算法可用于合成复杂的决策面，该决策面可以用最少的预处理对高维模式（如手写字符）进行分类。本文回顾了手写字符识别的各种方法，并在标准手写数字识别任务中对它们进行了比较。卷积神经网络是专门为处理二维形状的可变性而设计的，其性能优于所有其他技术。现实生活中的文档识别系统由字段提取、分段识别和语言建模等多个模块组成。一种新的学习范式，称为图变换网络（GTN），允许使用基于梯度的方法对这种多模式系统进行全局训练，以最小化总体性能度量。描述了两种在线手写识别系统。实验证明了全局训练的优势和图变换网络的灵活性。还描述了用于读取银行支票的图形变换器网络。它使用卷积神经网络字符识别器结合全局训练技术来提供商业和个人支票的记录准确性。它被商业化部署，每天读取数百万张支票。
在IEEE Xplore上查看本文
