基于CenterNet的小学生英文手写体区域检测

摘要

为了探索智能批阅小学生作业的可行性,以小学生英文手写体为研究对象,建立了基于关键点的CenterNet模型.首先,针对低显存环境下CenterNet模型的构造与学习,提出了一种新的以组规范化(GN)替换批量规范化(BN)的池化模块结构改造方案,得到了改造版CenterNet模型;之后,将改造版CenterNet模型用于小学生英文手写体区域检测,实现了基于深度学习的英文手写体区域检测.将改造版CenterNet模型与原始CenterNet模型和CornerNet-Lite基准模型进行检测比较.实验表明:2种版本CenterNet模型的英文手写体区域检测精度和平均召回率均高于基准模型的相应值,改造版CenterNet模型的AP0.5值甚至可达到73.1％,比基准模型高出近6％;此外,相比于基准模型,改造版的CenterNet模型的漏检情况更少,并在一定程度上有效抑制了误检.改造版的CenterNet模型不仅检测性能优于原始CenterNet模型,而且其学习过程更稳定、收敛更快,这为小学生作业智能批阅方案的设计提供了有价值的解决途径.