ScrabbleGAN：半监督变长手写文本生成
计算机视觉与模式识别
2020-03-25 v1 计算与语言
机器学习
摘要
在深度学习时代，光学字符识别（OCR）系统的性能得到了显著提升。对于手写文本识别（HTR）而言尤为如此，因为与印刷文本设计上变化较小不同，每位作者都有独特的书写风格。也就是说，与其他任务一样，基于深度学习的 HTR 受限于训练样本的数量。数据收集是一项具有挑战性且成本高昂的任务，而随后的标注任务更是如此，本文重点关注后者。减轻数据标注负担的一种可能方法是半监督学习。与全监督方法相比，半监督方法除标注数据外还利用一些未标注样本来提升性能。因此，这类方法在测试时可能适应未见过的图像。我们提出 ScrabbleGAN，一种半监督方法，用于合成在风格和词汇上均具多样性的手写文本图像。ScrabbleGAN 依赖于一种新颖的生成模型，能够生成任意长度单词的图像。我们展示了如何以半监督方式运行我们的方法，享有上述优势，例如相比最先进的监督 HTR 获得性能提升。此外，我们的生成器可以操控生成文本的样式。这使我们能够改变文本是否为草书，或笔划的粗细程度。
引用
@article{arxiv.2003.10557,
title = {ScrabbleGAN: Semi-Supervised Varying Length Handwritten Text Generation},
author = {Sharon Fogel and Hadar Averbuch-Elor and Sarel Cohen and Shai Mazor and Roee Litman},
journal= {arXiv preprint arXiv:2003.10557},
year = {2020}
}
备注
in CVPR 2020