AAAIJun, 2023

对比注意力网络用于早期现代印刷品的归因

PDF
TL;DR本文利用机器学习技术对早期现代 (1500-1800) 英文印刷书籍中的未知印刷机进行识别，特别关注匹配唯一损坏的字符类型值印迹到已知印刷机的作品上以提供证据，并设计了基于对比注意力度量学习方法来匹配字符图像对中的相似损伤以及随机数据合成程序以解决受监督数据不足问题。实验结果表明该方法在这一时期的印刷作品中成功匹配了有损坏的印刷品，并促进了对这些书籍起源和内容的研究。
发现论文，激发创造
  • 早期现代印刷排版分析的概率生成模型

    本研究提出了一个深度解释性的概率生成模型来分析印刷的早期现代文献中的字形。该模型引入神经网络来聚类提取的字形图像，以发现混杂多变的潜在模板。实验结果表明，我们的方法在无监督情况下发现文献中的字体，准确率优于刚性解释聚类和过度弹性的深度生成模型。

    May, 2020

  • 结合 OCR 模型阅读早期印刷书籍

    该论文研究了使用精细字体识别技术对 15 至 18 世纪印刷书籍进行 OCR 的方法。作者们使用了一个新的数据集，其中包含了早期印刷书籍的 OCR 信息，并标记了每个字体的边界框。研究结果表明，字体风格对 OCR 性能有很大影响，所选模型的精细程度对结果也有积极影响。此外，作者们开发了一个本地字体组识别系统，可以在识别多种字体的文本行时取得更好的识别效果。

    May, 2023

  • 利用文本 - 图像对比模型的能力自动检测在线谣言

    本研究旨在探究对抗学习在虚假信息识别中的应用。通过开发自学模型并在 COSMOS 数据集上进行全面实验，我们发现采用对抗学习能够大幅减少训练数据，同时在数据量不足时显示出优于传统分类器的非匹配图像 - 文本对检测性能提高约 10% 的稳定性和可比性。

    Apr, 2023

  • 从图书中构建图像与文本对数据集

    利用数字档案进行机器学习的新方法，通过光学字符阅读器（OCR）、物体检测器和布局分析器构建数据集，展示其在图像 - 文本检索和洞察力提取方面的有效性。

    Oct, 2023

  • 手写文件的非破坏性检验的新数据集

    司法笔迹鉴定是法医科学的一个分支，旨在通过全面比较内在的局部和全局特征，检验手写文件以准确定义或假设手稿的作者。该研究提出了一个新的数据集，包括传统手写文件和数字工具（如平板电脑）生成的文件之间的比较，并展示了数据的初步结果，显示第一子集可以达到 90％的分类准确率，第二子集可以达到 96％。

    Jan, 2024

  • 论书法

    本文介绍了一种基于复杂网络的方法来识别文本的作者，通过考虑故事流传来捕捉作者的主导结构。实验证明了该方法在可视化方面有很大潜力并能够揭示作者的个人特征。

    May, 2017

  • 使用开源引擎的 19 世纪 Fraktur 字体的最新光学字符识别技术

    本文介绍了一种使用混合模型的方法对 19 世纪 Fraktur 手写体进行 OCR，采用真实的数据训练混合模型的 OCR 引擎 Calamari 相较于 OCRopus、Tesseract 和 ABBYY 等其他引擎表现更佳，字符错误率平均降低超过 70％，平均字符错误率低于 1％。

    Oct, 2018

  • 深度视觉无模板形状解析

    本文提出了一种基于卷积网络的学习型、无模板的解决方案，用于检测先前印制文本和输入文本 / 手写文本，以及预测它们之间的成对关系，适用于噪声、退化和形式多种多样的历史表格图像数据集。

    Sep, 2019

  • 基于级联学习的源彩色激光打印机识别深度特征学习

    本文提出了一种基于级联深度神经网络的彩色激光打印机识别方法，其中利用对抗训练对合成数据集进行精细化处理以提高半色调颜色分解的准确性，将训练知识传输到打印机识别的卷积神经网络中以提高准确性和鲁棒性，实验结果表明该方法优于现有的源彩色激光打印机识别方法。

    Nov, 2017

  • 莎士比亚第一版本中的自动排字归属

    本文介绍一种新型的无监督模型，通过分析文字和视觉特征来区分排版工人，并应用于莎士比亚的第一本（Folio）上，并且其准确性可达 87％，即使是 OCR 输出的文本也一样。

    Apr, 2017