评估希腊纸卷中二值化对书写者识别的影响
计算机视觉与模式识别
2025-06-23 v1
摘要
本文解决希腊纸卷的书写者识别任务。书写者识别管道中的常见预处理步骤是图像二值化，这会防止模型学习背景特征。在历史文档中，这一点尤其具有挑战性，尤其是我们这里的希腊纸卷，因为背景常常是非均匀的、碎片化的和褪色的，且存在可见纤维结构。我们比较传统的二值化方法与最新深度学习（DL）模型，评估二值化质量对随后书写者识别性能的影响。训练 DL 模型时使用与否自定义数据增强技术以及应用不同的模型选择标准。随后在 DIBCO 2019 数据集上系统评估这些二值化方法的性能。随后使用最新方法评估二值化对书写者识别的影响。该分析的结果突显了 DL 方法数据增强的影响。此外，发现二值化在 DIBCO 2019 数据集的纸卷文档上的有效性与随后的书写者识别性能之间存在强相关性。
引用
@article{arxiv.2506.15852,
title = {Assessing the impact of Binarization for Writer Identification in Greek Papyrus},
author = {Dominic Akt and Marco Peer and Florian Kleber},
journal= {arXiv preprint arXiv:2506.15852},
year = {2025}
}
备注
Accepted for publication for AIROV 2025