FEDS——滤波编辑距离代理
计算机视觉与模式识别
2021-05-27 v2
摘要
本文提出一种利用鲁棒学习的编辑距离代理来训练场景文本识别模型的方法。该方法借鉴自步学习（self-paced learning），过滤掉对代理而言困难的训练样本。过滤通过使用斜坡函数判断近似质量来实现，从而支持端到端训练。遵循已有文献，实验在微调（post-tuning）设定下进行，即使用学习的编辑距离代理对训练好的场景文本识别模型进行调优。在 IIIT-5K、SVT、ICDAR、SVTP 和 CUTE 等多个具有挑战性的场景文本数据集上取得的改进证明了该方法的有效性。所提方法在总编辑距离上平均提升 11.2%，在准确率上错误率降低 9.5%。
引用
@article{arxiv.2103.04635,
title = {FEDS -- Filtered Edit Distance Surrogate},
author = {Yash Patel and Jiri Matas},
journal= {arXiv preprint arXiv:2103.04635},
year = {2021}
}
备注
ICDAR 2021 camera-ready version