无监督特征学习用于书写者识别与书写者检索
计算机视觉与模式识别
2024-02-28 v3
摘要
深度卷积神经网络（CNN）在有监督分类任务（如字符分类或断代）中已展现出巨大成功。深度学习方法通常需要大量标注训练数据，而这在许多场景下并不可得。在这些情况下，传统方法往往优于或与深度学习方法相当。本文提出一种简单而有效的无监督方式学习CNN激活特征。为此，我们使用代理类（surrogate classes）训练一个深度残差网络。代理类通过对训练数据集进行聚类创建，其中每个聚类索引代表一个代理类。来自CNN倒数第二层的激活作为后续分类任务的特征。我们在两个公开数据集上评估特征表示。重点在于ICDAR17历史文档书写者识别竞赛数据集（Historical-WI）。我们表明，无监督训练的激活特征优于当前最先进书写者识别方法的描述子。此外，在使用ICFHR16历史拉丁文字类型竞赛数据集（CLaMM16）的手写分类任务中，我们取得了可比的结果。
引用
@article{arxiv.1705.09369,
title = {Unsupervised Feature Learning for Writer Identification and Writer Retrieval},
author = {Vincent Christlein and Martin Gropp and Stefan Fiel and Andreas Maier},
journal= {arXiv preprint arXiv:1705.09369},
year = {2024}
}
备注
ICDAR2017 camera ready (fixed p@2 values, missing table references)