基于中文手写短语的在线作者检索：一种协同时频表示学习方法

目前，在线手写的普及催生了对有效检索系统的迫切需求，以准确搜索来自特定作者的相关手写实例，即在线作者检索。尽管需求日益增长，但该领域缺乏成熟的方法和公开的大规模数据集。本文针对中文手写短语应对这些挑战。首先，我们提出了DOLPHIN，一种新颖的检索模型，通过协同时频分析增强手写表示。对于频率特征学习，我们提出了HFGA模块，它在原始时间手写序列及其高频子带之间执行门控交叉注意力，以放大显著的书写细节。对于时间特征学习，我们提出了CAIR模块，旨在促进通道交互并减少通道冗余。其次，为了解决数据不足的问题，我们引入了OLIWER，一个大规模在线作者检索数据集，包含来自1731个人的超过67万个中文手写短语。通过广泛的评估，我们证明了DOLPHIN相对于现有方法的优越性能。此外，我们探索了跨域作者检索，并揭示了增加特征对齐在弥合不同手写数据分布差距中的关键作用。我们的发现强调了点采样频率和压力特征在提高手写表示质量和检索性能方面的重要性。代码和数据集可在https://github.com/SCUT-DLVCLab/DOLPHIN获取。