纸质文献片段的笔迹检索与鉴定特征混合
本文提出了一个基于单词或文本块图像的笔迹识别的新基准研究,旨在提取有效特征。通过使用 FragNet 这个深层神经网络来解决这个问题,得到了准确的结果。实验表明,该方法可以基于单词和页面图像进行高效和稳健的笔迹识别。
Mar, 2020
本文提出了一种基于注意力驱动的卷积神经网络的作者识别系统,该系统利用从词图像中提取的图像片段进行训练,采用金字塔策略。该系统能够全面捕捉数据的细节和粗糙特征,以及不同抽象层次上的信息。此外,文中探讨了使用注意力机制来增强学习特征的表征能力。该算法在三个基准数据库上进行了评估,证明了其在作者识别任务中的有效性,尤其是在有限手写数据的情景中。
Apr, 2024
通过使用卷积神经网络的激活特征作为本地描述符,结合高斯混合模型超向量编码和 KL-Kernel 归一化,我们提出了一种用于笔迹识别的全局描述符方法,在 ICDAR 2013 基准数据库和 CVL 数据集上进行了评估,在挑战性的双语 ICDAR 数据集上改进了 0.21 个 mAP 的绝对值。
Feb, 2024
该论文提出了一种基于多任务深度自适应学习的方法,利用深度卷积神经网络从显式内容识别的辅助任务中学习通用的特征,从而提高单词图像的写作者识别性能。
Sep, 2018
提出了一种全局正则网络(GRN),其由一个带有全局特征提取器的分支和一个带有局部特征提取器的分支组成,两者以一种全局残差方式融合,可以有效地识别手写字的写作人,实验表明该模型在 CVL 数据集上取得了卓越的 99.98%-1 准确率和 100% top-5 准确率,具有更短的训练时间和更少的网络参数。
Jan, 2022
本研究通过半监督特征学习管道建立起加权标签平滑正则化(WLSR)方法,将额外的无标签数据分配给加权一致的标签分布,用以解决线下手写体识别中监督学习方法所需的训练数据和潜在的过度拟合误差问题。在 ICDAR2013 和 CVL 等知名基准数据集上,实验结果表明,该方法显著提高了基线度量,并具有现有线下写字的识别方法相竞争的表现。这些发现为离线写字体识别提供了新的视角。
Jul, 2018
该研究引入了一个名为 DeepWriterID 的系统,该系统利用深度卷积神经网络进行笔迹、手写体识别,并引入了一种名为 DropSegment 的新方法来实现数据增强和改善 CNN 的泛化适用性。通过在笔放置状态下只使用笔位信息,该系统在 NLPR 手写数据库中实现了 95.72%的中文文本识别率和 98.51%的英文文本识别率,创造了新的最高记录。
Aug, 2015
本文提出 Feature Fusion Net 模型,使用手工制作的直方图和纹理特征,能够与卷积神经网络 (CNN) 特征互补,可以得到一个更具区分性和紧凑的深度特征表示,并在 VIPeR、CUHK01 和 PRID450s 三个数据集上进行了验证。
Apr, 2016
本文提出了一种基于无监督方法的作者检索方法,其采用 SIFT 描述符进行聚类,并通过 NetRVLAD 进行编码,同时提出了一种基于图的重新排序算法(SGR)以提高检索性能,该方法在两个历史数据集上表现出色。
May, 2023
通过把一个字符级 RNN 语言模型的输出层划分成几个独立的预测子模型,每个子模型代表一个作者,而循环层被所有子模型共享,本文提出了一种新的方法,该方法允许循环层模拟整个语言而不会产生过拟合,同时输出选择反映其作者风格的潜在模型方面,该方法在四种语言中两次排名第一,证明了它的有效性。
Jun, 2015