用于身份证件深度光学字符识别的自监督数据引导
计算机视觉与模式识别
2019-08-13 v1 机器学习
摘要
在机场和国境口岸核验人员身份这一基本任务非常耗时。为加速该过程，由于身份证件（IDs）中文本内容的高度变异性（例如个别街道名或姓氏），使用词典的身份证件光学字符识别并不合适。此外，身份证件中所用字体的属性未知。因此，我们提出一种迭代式自监督引导方法，采用智能策略从身份证件中挖掘真实字符数据。结合合成生成的字符数据，真实数据被用于训练高效的卷积神经网络以进行字符分类，从而兼顾实际运行时间与高准确率。在一个含 74 个字符类的数据集上，我们实现了 99.4% 的平均类精度。相比之下，若仅使用合成数据训练的分类器，精度降至 58.1%。最后，我们展示了我们提出的整个流程优于一个成熟的开源框架。
引用
@article{arxiv.1908.04027,
title = {Self-supervised Data Bootstrapping for Deep Optical Character Recognition of Identity Documents},
author = {Oliver Mothes and Joachim Denzler},
journal= {arXiv preprint arXiv:1908.04027},
year = {2019}
}
备注
4 pages, 2 figures