論文の概要: Online trajectory recovery from offline handwritten Japanese kanji characters

• arxiv url: http://arxiv.org/abs/2009.04284v1
• Date: Wed, 9 Sep 2020 13:05:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 08:54:26.885243
• Title: Online trajectory recovery from offline handwritten Japanese kanji characters
• Title（参考訳）: オフライン手書き漢字によるオンライン軌道復元
• Authors: Hung Tuan Nguyen, Tsubasa Nakamura, Cuong Tuan Nguyen and Masaki Nakagawa
• Abstract要約: 本稿では,大規模なオンライン手書きデータベースを用いて,回復作業を解決するディープニューラルネットワークに基づく手法を提案する。 提案手法の性能を視覚的検証と手書き文字認識の両方を用いて評価する。
• 参考スコア（独自算出の注目度）: 7.057916977441261
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In general, it is straightforward to render an offline handwriting image from an online handwriting pattern. However, it is challenging to reconstruct an online handwriting pattern given an offline handwriting image, especially for multiple-stroke character as Japanese kanji. The multiple-stroke character requires not only point coordinates but also stroke orders whose difficulty is exponential growth by the number of strokes. Besides, several crossed and touch points might increase the difficulty of the recovered task. We propose a deep neural network-based method to solve the recovered task using a large online handwriting database. Our proposed model has two main components: Convolutional Neural Network-based encoder and Long Short-Term Memory Network-based decoder with an attention layer. The encoder focuses on feature extraction while the decoder refers to the extracted features and generates the time-sequences of coordinates. We also demonstrate the effect of the attention layer to guide the decoder during the reconstruction. We evaluate the performance of the proposed method by both visual verification and handwritten character recognition. Although the visual verification reveals some problems, the recognition experiments demonstrate the effect of trajectory recovery in improving the accuracy of offline handwritten character recognition when online recognition for the recovered trajectories are combined.
• Abstract（参考訳）: 一般的に、オフラインの手書き画像をオンラインの手書きパターンから描画するのは簡単である。 しかし、オフラインの手書き画像、特に日本語漢字のような多行字に対して、オンラインの手書きパターンを再構築することは困難である。 多重ストローク文字は点座標だけでなく、ストロークの数によって指数的な成長が難しいストローク順序も要求する。 さらに、いくつかの交差したタッチポイントは、回復したタスクの難易度を高める可能性がある。 本稿では,大規模なオンライン手書きデータベースを用いて,回復作業を解決するディープニューラルネットワーク方式を提案する。 提案モデルは,畳み込みニューラルネットワークに基づくエンコーダと,アテンション層を有する長期短期記憶ネットワークに基づくデコーダの2つの主成分を有する。 エンコーダは特徴抽出に焦点を当て、デコーダは抽出された特徴を参照し、座標の時系列を生成する。 また,リコンストラクション中にデコーダを誘導するアテンション層の効果を示す。 提案手法の性能を視覚的検証と手書き文字認識の両方を用いて評価する。 視覚検証ではいくつかの問題点が明らかになったが,認識実験では,オンライン認識を併用した場合のオフライン手書き文字認識精度向上における軌道回復効果が実証された。

関連論文リスト

• Graph Neural Network based Handwritten Trajectories Recognition [4.318047857743103]
  この研究は、チェーンコードとグラフニューラルネットワークを併用した手書きトラジェクトリの新たな組み合わせを初めて提示する。 オフライン手書きテキスト用手書きトラジェクトリは描画順序の回復を用いて評価され、オンライン手書きトラジェクトリはチェーンコードで直接使用される。
  論文  参考訳（メタデータ） (2024-05-15T11:00:42Z)
• Look-back Decoding for Open-Ended Text Generation [62.53302138266465]
  本研究では,現在の復号化過程と過去の復号化過程の分布距離を追跡する改良された復号化アルゴリズムであるLook-backを提案する。 ルックバックは、潜在的反復句とトピックドリフトを自動的に予測し、障害モードを引き起こす可能性のあるトークンを削除することができる。 文書の継続とストーリー生成に関する復号実験を行い、Look-backがより流動的で一貫性のあるテキストを生成することを実証する。
  論文  参考訳（メタデータ） (2023-05-22T20:42:37Z)
• An end-to-end, interactive Deep Learning based Annotation system for cursive and print English handwritten text [0.0]
  我々は、印刷版とカーシブ版の両方で書かれたオフライン手書きの原稿に注釈を付ける、革新的で完全なエンドツーエンドパイプラインを提示する。 本手法は,最先端のテキスト検出モデルに基づいて構築された検出システムと,認識システムのための独自のDeep Learningモデルとのアーキテクチャ結合を含む。
  論文  参考訳（メタデータ） (2023-04-18T00:24:07Z)
• Complex Handwriting Trajectory Recovery: Evaluation Metrics and Algorithm [10.642342653937794]
  そこで我々は,様々なストローク幅の影響を排除したアダプティブ・コンベンション(AIoU)と,トラジェクティブ・ポイントアライメント問題を解決する長さ非依存動的時間ワープ(LDTW)という2つの新しい指標を考案した。 次に、複雑なグリフと長い軌跡を持つ文字に対して、PEN-Net(Parsing-and-tracing ENcoder-decoder Network)と呼ばれる新しい手書き軌道復元モデルを提案する。 実験の結果,AIoU と LDTW の2つの新しい指標は,手書き軌道復元の精度を真に評価できることがわかった。
  論文  参考訳（メタデータ） (2022-10-28T03:57:07Z)
• Boosting Modern and Historical Handwritten Text Recognition with Deformable Convolutions [52.250269529057014]
  自由進化ページにおける手書き文字認識(HTR)は難しい画像理解課題である。 本稿では,手入力に応じて変形し,テキストの幾何学的変化に適応できる変形可能な畳み込みを導入することを提案する。
  論文  参考訳（メタデータ） (2022-08-17T06:55:54Z)
• Letter-level Online Writer Identification [86.13203975836556]
  我々は文字レベルのオンラインライタIDという新たな問題に焦点をあてる。 主な課題は、しばしば異なるスタイルで手紙を書くことである。 我々はこの問題をオンライン書記スタイルのばらつき(Var-O-Styles)と呼ぶ。
  論文  参考訳（メタデータ） (2021-12-06T07:21:53Z)
• TRACE: A Differentiable Approach to Line-level Stroke Recovery for Offline Handwritten Text [1.559929646151698]
  ストロークオーダーとベロシティは、署名検証、手書き認識、手書き合成の分野で有用な特徴である。 オフラインテキストの長い行から時間的ストローク情報を推測するTRACEと呼ばれる新しいモデルを提案する。 TRACEはおそらく、任意の幅のテキスト行全体に対してエンドツーエンドでトレーニングされた最初のシステムである。
  論文  参考訳（メタデータ） (2021-05-24T22:15:50Z)
• SmartPatch: Improving Handwritten Word Imitation with Patch Discriminators [67.54204685189255]
  本稿では,現在の最先端手法の性能を向上させる新手法であるSmartPatchを提案する。 我々は、よく知られたパッチ損失と、平行訓練された手書きテキスト認識システムから収集された情報を組み合わせる。 これにより、より強化された局所識別器が実現し、より現実的で高品質な手書き文字が生成される。
  論文  参考訳（メタデータ） (2021-05-21T18:34:21Z)
• Vectorization and Rasterization: Self-Supervised Learning for Sketch and Handwriting [168.91748514706995]
  自己監督型機能学習のための2つの新しいクロスモーダル翻訳プリテキストタスクを提案する:ベクトル化とラスタリゼーション。 当社の学習したエンコーダモジュールは、手書きデータを分析するために、ベースとベクターの両方のダウンストリームアプローチに役立ちます。
  論文  参考訳（メタデータ） (2021-03-25T09:47:18Z)
• Neural Computing for Online Arabic Handwriting Character Recognition using Hard Stroke Features Mining [0.0]
  オンラインアラビア文字認識における書字ストローク特徴の垂直方向と水平方向から所望の臨界点を検出する方法を提案する。 バックプロパゲーション学習アルゴリズムと修正シグモイド関数に基づくアクティベーション関数を備えた多層パーセプトロンを用いて、文字の分類のためにこれらのトークンから最小の特徴セットを抽出する。 提案手法は,文字認識技術に匹敵する98.6%の平均精度を実現する。
  論文  参考訳（メタデータ） (2020-05-02T23:17:08Z)
• Separating Content from Style Using Adversarial Learning for Recognizing Text in the Wild [103.51604161298512]
  画像中の複数の文字の生成と認識のための逆学習フレームワークを提案する。 我々のフレームワークは、新しい最先端の認識精度を達成するために、最近の認識手法に統合することができる。
  論文  参考訳（メタデータ） (2020-01-13T12:41:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。