利用对抗学习在低资源文字中进行手写识别
计算机视觉与模式识别
2019-02-26 v5
摘要
手写单词识别与检索是一个具有挑战性的领域，处理具有不规则且复杂形状的手写文本。深度神经网络模型的设计使得有必要扩充训练数据集以引入变化并增加样本数量；因此，在低资源文字中单词检索非常困难。现有文献多包含预处理策略，但往往不足以覆盖所有可能的变化。我们提出对抗特征形变模块（AFDM），以可扩展的方式学习弹性扭曲所提取特征的方法。AFDM 插入到中间层之间，并与原始框架交替训练，提升其学习高度信息性特征而非平凡特征的能力。我们在流行的单词检索与单词识别框架之上构建并经由 AFDM 增强的元框架，不仅在大量拉丁文单词数据集上，也在更稀疏的印度系文字上进行了测试。我们记录了不同训练数据规模下的结果，并观察到我们的增强网络在低数据情形下泛化能力明显更好；整体单词错误率与 mAP 分数也得到提升。
引用
@article{arxiv.1811.01396,
title = {Handwriting Recognition in Low-resource Scripts using Adversarial Learning},
author = {Ayan Kumar Bhunia and Abhirup Das and Ankan Kumar Bhunia and Perla Sai Raj Kishore and Partha Pratim Roy},
journal= {arXiv preprint arXiv:1811.01396},
year = {2019}
}
备注
IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), 2019