为什么 EMNIST ByMerge 和 Balanced 数据集各有 47 个类？

Question

我使用 EMNIST 作为使用深度学习进行文本检测和识别的数据集。我从https://pypi.org/project/emnist/下载数据集（使用pip install emnist）。数据集来自https://www.nist.gov/itl/products-and-services/emnist-dataset，其描述如下：

EMNIST ByClass：814,255 个字符。62 个不平衡类。

EMNIST ByMerge：814,255 个字符。47 个不平衡类。

EMNIST 平衡：131,600 个字符。47个平衡班级。

EMNIST 信件：145,600 个字符。26个平衡班级。

EMNIST 数字：280,000 个字符。10个平衡班级。

EMNIST MNIST：70,000 个字符。10个平衡班级。

其中大多数都是有意义的，例如 62 个类别由 10 个数字、26 个大写字母和 26 个小写字母组成。但对于 ByMerge 和 Balanced，我们有 47 个。

我自己查看了数据，找到了 10 个数字，26 个字母（大写和小写的混合），然后据我所知，剩下的 11 个是随机小写字母（'a'，'b'，'d'，' e'、'f'、'g'、'h'、'n'、'q'、'r'、t'）。

有谁知道为什么要特别包括这额外的11个？

Answer 1

此后，我通过研究论文 EMNIST：G. Cohen 的 MNIST 手写信件扩展找到了这个问题的答案（可在此处获取： https: //arxiv.org/pdf/1702.05373v1.pdf）。

这解释了许多字母在字符识别中存在问题，即大小写变体非常相似。这会导致尝试对这些字母进行分类时出现问题。为了解决这个问题，他们合并了他们认为有问题的字母。

来自论文：

根据 NIST 的建议，合并的类别适用于字母 C、I、J、K、L、M、O、P、S、U、V、W、X、Y 和 Z。

这说明了缺失的类别（尽管我希望看到 62 个平衡类别选项或所有字母合并的 36 个类别选项）。