EMNIST（Extended MNIST）は、手書き文字のデータセットであり、数字のみを含む元のMNISTデータセットを拡張して、数字と大文字・小文字のアルファベットの両方を含むものです。240,000枚のトレーニング画像と40,000枚のテスト画像で構成され、各画像は28x28のグレースケール画像です。EMNISTは、機械学習や深層学習の研究において、文字認識や分類アルゴリズムのベンチマークなどのタスクで広く使用されています。
このデータセットは、2017年にグレゴリー・コーエン、サイード・アフシャー、ジョナサン・タプソン、アンドレ・ファン・シャイクによって、西シドニー大学の脳・行動・発達に関するMARCS研究所で導入されました。これは、3,600人以上の筆記者からの手書きサンプルを含むNIST特別データベース19を、MNISTと同じ形式に変換して作成されました。EMNISTは、MNISTよりも挑戦的なベンチマークを提供します。なぜなら、文字を含むためクラス数が多く、特定の文字間（例：'O'と'0'、'I'と'l'）の視覚的類似性が高いからです。
バリアントと分割
EMNISTには、それぞれ異なるクラス構造を持ついくつかのバリアントがあります。最も一般的なのはEMNIST Lettersで、26クラス（A-Z）と145,600枚のトレーニング画像を含みます。他のバリアントには、EMNIST Digits（10クラス、280,000枚のトレーニング画像）、EMNIST Balanced（47クラス、112,800枚のトレーニング画像）、EMNIST ByClass（62クラス、697,932枚のトレーニング画像）、EMNIST ByMerge（47クラス、697,932枚のトレーニング画像）があります。BalancedとByMergeのバリアントは、曖昧さを減らすために特定の文字の大文字と小文字（例：'C'と'c'）を統合しますが、ByClassはすべてのクラスを別々に保持します。
研究での使用
EMNISTは、ニューラルネットワークのアーキテクチャやトレーニング手法を評価するための標準的なベンチマークとなっています。これは、データ拡張、ドロップアウト、バッチ正規化、その他の正則化手法の改善をテストするためによく使用されます。研究者はまた、より大きなデータセットで事前トレーニングされたモデルをEMNISTで微調整する転移学習の研究にもEMNISTを使用します。このデータセットは、PyTorchやTensorFlowなどの一般的な機械学習ライブラリに含まれており、実験のために簡単にアクセスできます。
MNISTとの関係
EMNISTは、MNISTのドロップイン代替として設計されており、同じ画像サイズと形式を持ちます。しかし、文字を含めることで難易度が上がります：クラス数は10から最大62に増加し、クラス間の類似性も高くなります。これにより、EMNISTは、郵便物の仕分けやフォーム処理などの実世界のアプリケーションにおける手書き認識のための、より現実的なベンチマークとなります。多くの研究では、MNISTでほぼ完璧な精度を達成するモデルがEMNISTでは大幅な精度低下を経験することが報告されており、より堅牢な手法の必要性が強調されています。
制限と拡張
その広い範囲にもかかわらず、EMNISTにはまだ制限があります。これは単一のソース（NIST）から派生しているため、異なる集団間の手書きスタイルの多様性を完全には捉えていない可能性があります。画像はまた、中央に配置され正規化されるように前処理されており、変動性が減少します。これらの問題に対処するために、研究者はFashion-MNIST（衣類画像）やKuzushiji-MNIST（日本語の文字）などの拡張を作成しましたが、EMNISTは依然として広く使用されるベースラインです。2020年代初頭の時点で、EMNISTは毎年数百の論文で引用され続けており、深層学習の概念を教える教育現場でもよく使用されています。