TRACE：一种用于离线手写文本行级笔画恢复的可微分方法
计算机视觉与模式识别
2021-05-26 v1 机器学习
摘要
笔画顺序与速度在签名验证、手写识别和手写合成等领域是有用的特征。从离线手写文本中恢复这些特征是一个具有挑战性且被广泛研究的问题。我们提出了一种称为 TRACE（Trajectory Recovery by an Adaptively-trained Convolutional Encoder，自适应训练卷积编码器轨迹恢复）的新模型。TRACE 是一种可微分方法，它使用卷积循环神经网络（CRNN）从包含多个字符的长行离线手写文本中推断时间笔画信息，并使用动态时间规整（DTW）对齐预测点与真值点。TRACE 或许是首个在任意宽度的整行文本上端到端训练的系统，且不需要使用动态样本。此外，该系统不需要对图像进行任何预处理，预测结果也不需要任何后处理。因此，恢复出的轨迹是可微分的，并可用作其他任务（包括合成离线手写文本）的损失函数。我们证明了 TRACE 从离线数据恢复的时间笔画信息可用于手写合成，并建立了在 IAM 在线手写数据集上训练的笔画轨迹恢复系统的首个基准。
引用
@article{arxiv.2105.11559,
title = {TRACE: A Differentiable Approach to Line-level Stroke Recovery for Offline Handwritten Text},
author = {Taylor Archibald and Mason Poggemann and Aaron Chan and Tony Martinez},
journal= {arXiv preprint arXiv:2105.11559},
year = {2021}
}
备注
Accepted as a conference paper at the 16th International Conference on Document Analysis and Recognition (ICDAR), Lausanne, Switzerland, 2021