EMNIST (Extended MNIST) ist ein Datensatz handgeschriebener Zeichen, der den ursprünglichen MNIST-Datensatz mit Ziffern um sowohl Ziffern als auch Groß- und Kleinbuchstaben erweitert. Er enthält 240.000 Trainingsbilder und 40.000 Testbilder, jeweils als 28x28-Graustufenbild. EMNIST wird häufig in der Maschinenlern- und Deep-Learning-Forschung für Aufgaben wie Zeichenerkennung und das Benchmarking von Klassifikationsalgorithmen verwendet.
Der Datensatz wurde 2017 von Gregory Cohen, Saeed Afshar, Jonathan Tapson und André van Schaik am MARCS Institute for Brain, Behaviour and Development der Western Sydney University eingeführt. Er wurde erstellt, indem die NIST Special Database 19, die handgeschriebene Proben von über 3.600 Schreibern enthält, in dasselbe Format wie MNIST umgewandelt wurde. EMNIST bietet ein anspruchsvolleres Benchmark als MNIST, da es Buchstaben enthält, die mehr Klassen und eine größere visuelle Ähnlichkeit zwischen bestimmten Zeichen aufweisen (z. B. 'O' und '0', 'I' und 'l').
Varianten und Aufteilungen
EMNIST ist in mehreren Varianten verfügbar, jeweils mit einer unterschiedlichen Klassenstruktur. Die häufigste ist EMNIST Letters, die 26 Klassen (A-Z) und 145.600 Trainingsbilder enthält. Weitere Varianten umfassen EMNIST Digits (10 Klassen, 280.000 Trainingsbilder), EMNIST Balanced (47 Klassen, 112.800 Trainingsbilder), EMNIST ByClass (62 Klassen, 697.932 Trainingsbilder) und EMNIST ByMerge (47 Klassen, 697.932 Trainingsbilder). Die Varianten Balanced und ByMerge fassen bestimmte Buchstabenfälle zusammen (z. B. 'C' und 'c'), um Mehrdeutigkeiten zu reduzieren, während ByClass alle Klassen getrennt hält.
Verwendung in der Forschung
EMNIST ist zu einem Standard-Benchmark für die Bewertung von Neuronalen-Netzwerk- Architekturen und Trainingstechniken geworden. Es wird häufig verwendet, um Verbesserungen bei Datenaugmentierung, Dropout, Batch-Normalisierung und anderen Regularisierungsmethoden zu testen. Forscher verwenden EMNIST auch, um Transferlernen zu untersuchen, bei dem Modelle, die auf größeren Datensätzen vortrainiert wurden, auf EMNIST feinabgestimmt werden. Der Datensatz ist in gängigen Bibliotheken für maschinelles Lernen wie PyTorch und TensorFlow enthalten, was ihn für Experimente leicht zugänglich macht.
Beziehung zu MNIST
EMNIST ist als direkter Ersatz für MNIST konzipiert, mit derselben Bildgröße und demselben Format. Die Einbeziehung von Buchstaben erhöht jedoch die Schwierigkeit: Die Anzahl der Klassen steigt von 10 auf bis zu 62, und die Ähnlichkeit zwischen den Klassen ist höher. Dies macht EMNIST zu einem realistischeren Benchmark für die Handschrifterkennung in realen Anwendungen wie Postsortierung und Formularverarbeitung. Viele Studien berichten, dass Modelle, die auf MNIST nahezu perfekte Genauigkeit erreichen, bei EMNIST einen deutlichen Rückgang verzeichnen, was die Notwendigkeit robusterer Methoden unterstreicht.
Einschränkungen und Erweiterungen
Trotz seines breiteren Umfangs hat EMNIST weiterhin Einschränkungen. Es stammt aus einer einzigen Quelle (NIST), sodass es möglicherweise nicht die volle Vielfalt der Handschriftstile verschiedener Bevölkerungsgruppen erfasst. Die Bilder werden außerdem vorverarbeitet, um zentriert und normalisiert zu sein, was die Variabilität reduziert. Um diese Probleme zu adressieren, haben Forscher Erweiterungen wie Fashion-MNIST (Kleidungsbilder) und Kuzushiji-MNIST (japanische Zeichen) erstellt, aber EMNIST bleibt ein weit verbreiteter Ausgangspunkt. Seit den frühen 2020er Jahren wird EMNIST weiterhin in Hunderten von Papieren pro Jahr zitiert und häufig in Bildungskontexten verwendet, um Deep-Learning-Konzepte zu vermitteln.