跨抄本学习实现中世纪手稿中可靠的抄写员识别
计算机视觉与模式识别
2023-12-08 v1
摘要
历史抄写员识别是获取过去信息的重要任务。统一的字体风格，如卡洛林小草书体，使得分类任务难以聚焦于有意义的特征。因此，本文展示了跨抄本训练数据对于基于CNN的文本无关离线抄写员识别的重要性，以克服抄本依赖的过拟合。我们报告了三个主要发现：首先，我们发现使用掩码灰度图像而非RGB图像进行预处理明显提高了分类结果的F1分数。其次，我们在复杂数据上训练了不同的神经网络，验证时间和准确率差异，以确定最可靠的网络架构。使用AlexNet（在F1分数和时间之间取得最佳权衡的网络），我们在分类中实现了单个类别在行级别上高达0.96的F1分数，在页面级别上高达1.0。第三，我们验证了通过实施拒绝选项可以进一步改善CNN输出，从而获得更稳定的结果。我们在大规模开源数据集——克洛斯特新堡抄本数据库（CCl-DB）上展示了结果，该数据库包含来自多个抄本的不同抄写员的大量手写样本。我们首次在具有如此多样抄本的数据集上证明，古文字学决策可以通过CNN自动且精确地重现。这为古文字学家提供了多种快速获取未标注材料见解的新可能性，同时也为进一步提出假设提供了便利。
引用
@article{arxiv.2312.04296,
title = {Cross-codex Learning for Reliable Scribe Identification in Medieval Manuscripts},
author = {Julius Weißmann and Markus Seidl and Anya Dietrich and Martin Haltrich},
journal= {arXiv preprint arXiv:2312.04296},
year = {2023}
}