GR-RNN：用于笔迹识别的全局上下文残差循环神经网络
计算机视觉与模式识别
2021-04-13 v1
摘要
本文提出了一种端到端神经网络系统，通过手写单词图像识别书写者，其联合融合了全局上下文信息以及一系列基于局部片段的特征。全局上下文信息由神经网络末端通过全局平均池化步骤提取。局部与基于片段的特征序列提取自包含书写风格细微信息的低级深度特征图。片段序列之间的空间关系由循环神经网络（RNN）建模，以增强局部片段特征的判别能力。我们利用全局上下文与局部片段之间的互补信息，从而提出全局上下文残差循环神经网络（GR-RNN）方法。所提方法在四个公开数据集上进行了评估，实验结果表明其能提供最先进的性能。此外，在灰度图像上训练的神经网络比在二值化和轮廓图像上训练的神经网络提供更好的结果，表明纹理信息对笔迹识别起着重要作用。源代码将公开：\url{https://github.com/shengfly/writer-identification}。
引用
@article{arxiv.2104.05036,
title = {GR-RNN: Global-Context Residual Recurrent Neural Networks for Writer Identification},
author = {Sheng He and Lambert Schomaker},
journal= {arXiv preprint arXiv:2104.05036},
year = {2021}
}
备注
To appear: Pattern Recognition