DARE：大规模手写日期识别系统
计算机视觉与模式识别
2022-10-04 v1
摘要
历史文档的手写文本识别是一项重要任务，但由于缺乏充足的训练数据，加之书写风格差异巨大且历史文档存在退化，该任务仍然困难。尽管循环神经网络架构常用于手写文本识别，其训练往往计算代价高昂，且循环结构的收益因任务而异显著不同。出于这些原因，考虑非循环架构十分重要。在手写日期识别背景下，我们提出一种基于EfficientNetV2类模型的架构，其训练快速、对参数选择鲁棒，并能准确转录来自多种来源的手写日期。为训练，我们引入一个包含近1000万词元（token）的数据库，这些词元来自从不同的历史文档中分割出的逾220万个手写日期。由于日期是历史文档上最常见的信息之一，且历史档案包含数百万此类文档，高效自动的日期转录相比人工转录有潜力带来显著的成本节约。我们表明，在以书写风格高度多变的 handwriting 文本上训练可得到面向通用手写文本识别的鲁棒模型，且来自DARE系统的迁移学习大幅提升了转录准确率，使得即使在相对较小的训练样本下也能获得高准确率。
引用
@article{arxiv.2210.00503,
title = {DARE: A large-scale handwritten date recognition system},
author = {Christian M. Dahl and Torben S. D. Johansen and Emil N. Sørensen and Christian E. Westermann and Simon F. Wittrock},
journal= {arXiv preprint arXiv:2210.00503},
year = {2022}
}