通过零推理开销的对比学习提升基于 IMU 的在线手写体识别
计算机视觉与模式识别
2026-02-12 v1 机器学习
摘要
基于惯性测量单元（IMU）的在线手写体识别为纸质手写输入开辟了用于数字设备的路径。将其部署在边缘硬件上可提升隐私并降低延迟，但受限于内存约束。为此，我们提出了一种名为 Error-enhanced Contrastive Handwriting Recognition（ECHWR）的训练框架，旨在改进特征表示和识别准确率，而不增加推理成本。ECHWR 利用临时辅助分支在训练阶段将传感器信号与语义文本嵌入对齐。该对齐通过双重对比目标维持：一种用于一般模态对齐的批内对比损失，以及一种区分正确信号与合成硬负样本的创新基于错误的对比损失。训练后丢弃该辅助分支，使部署模型保持原始高效架构。在 OnHW-Words500 数据集上的评估表明，ECHWR 显著优于最先进的基准方法，在独立作家分割下将字符错误率降低最高 7.4%，在依赖作家分割下降低 10.4%。最后，尽管我们的消融研究表明解决特定挑战需要特定的架构与目标配置，但基于错误的对比损失在处理未见编写风格方面显示出有效性。
引用
@article{arxiv.2602.07049,
title = {Enhancing IMU-Based Online Handwriting Recognition via Contrastive Learning with Zero Inference Overhead},
author = {Jindong Li and Dario Zanca and Vincent Christlein and Tim Hamann and Jens Barth and Peter Kämpf and Björn Eskofier},
journal= {arXiv preprint arXiv:2602.07049},
year = {2026}
}