論文の概要: Robust and Efficient Writer-Independent IMU-Based Handwriting Recognization

• arxiv url: http://arxiv.org/abs/2502.20954v1
• Date: Fri, 28 Feb 2025 11:09:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:41:16.221946
• Title: Robust and Efficient Writer-Independent IMU-Based Handwriting Recognization
• Title（参考訳）: 文字非依存IMUによる筆跡認識のロバスト化と効率化
• Authors: Jindong Li, Tim Hamann, Jens Barth, Peter Kaempf, Dario Zanca, Bjoern Eskofier,
• Abstract要約: 慣性測定単位(IMU)のデータを用いたオンライン手書き認識(HWR)は依然として困難である。 伝統的なモデルは、目に見えない作家から手書きを認識するのに苦労することが多い。 本稿では,特徴抽出用CNNエンコーダとシーケンスモデリング用BiLSTMデコーダを特徴とする,IMUデータ用のエンコーダデコーダ構造を持つHWRモデルを提案する。
• 参考スコア（独自算出の注目度）: 2.022040536958726
• License:
• Abstract: Online handwriting recognition (HWR) using data from inertial measurement units (IMUs) remains challenging due to variations in writing styles and the limited availability of high-quality annotated datasets. Traditional models often struggle to recognize handwriting from unseen writers, making writer-independent (WI) recognition a crucial but difficult problem. This paper presents an HWR model with an encoder-decoder structure for IMU data, featuring a CNN-based encoder for feature extraction and a BiLSTM decoder for sequence modeling, which supports inputs of varying lengths. Our approach demonstrates strong robustness and data efficiency, outperforming existing methods on WI datasets, including the WI split of the OnHW dataset and our own dataset. Extensive evaluations show that our model maintains high accuracy across different age groups and writing conditions while effectively learning from limited data. Through comprehensive ablation studies, we analyze key design choices, achieving a balance between accuracy and efficiency. These findings contribute to the development of more adaptable and scalable HWR systems for real-world applications.
• Abstract（参考訳）: 慣性測定単位(IMU)のデータを用いたオンライン手書き文字認識(HWR)は、書き込みスタイルのバリエーションと高品質な注釈付きデータセットの可用性の制限により、依然として困難である。 伝統的なモデルは、目に見えない作家から手書き文字を認識するのに苦労することが多く、作家に依存しない(WI)認識は決定的だが難しい問題である。 本稿では,IMUデータのためのエンコーダ・デコーダ構造を持つHWRモデルについて,特徴抽出のためのCNNベースのエンコーダと,長さの異なる入力をサポートするシーケンスモデリングのためのBiLSTMデコーダを特徴とする。 当社のアプローチでは,OnHWデータセットと当社のデータセットのWI分割など,WIデータセット上の既存のメソッドよりも強い堅牢性とデータ効率を示す。 広範囲な評価結果から,本モデルは年齢差や筆記条件にまたがって高い精度を保ちながら,限られたデータから効果的に学習できることが示唆された。 総合的なアブレーション研究を通じて、我々は重要な設計選択を分析し、精度と効率のバランスをとる。 これらの知見は、現実のアプリケーションのためのより適応的でスケーラブルなHWRシステムの開発に寄与する。

関連論文リスト

• Detecting Document-level Paraphrased Machine Generated Content: Mimicking Human Writing Style and Involving Discourse Features [57.34477506004105]
  機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。 これらの課題を克服するために、新しい方法論とデータセットを導入します。 人間の筆記スタイルをエミュレートするエンコーダデコーダモデルであるMhBARTを提案する。 また,PDTB前処理による談話解析を統合し,構造的特徴を符号化するモデルであるDTransformerを提案する。
  論文  参考訳（メタデータ） (2024-12-17T08:47:41Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Large Language Models for Page Stream Segmentation [0.03495246564946555]
  ページストリーム(PSS)は、大規模に自動化されたドキュメント処理に必要な必須条件である。 本稿では,商用光文字認識(OCR)アノテーションを特徴とする拡張ベンチマークであるTABME++を紹介する。 我々は,パラメータ効率のよいデコーダモデルに着目し,大規模言語モデル(LLM)の性能評価を行った。
  論文  参考訳（メタデータ） (2024-08-21T20:28:42Z)
• Bidirectional Trained Tree-Structured Decoder for Handwritten Mathematical Expression Recognition [51.66383337087724]
  Handwriting Mathematical Expression Recognition (HMER) タスクは、OCRの分野における重要な分岐である。 近年の研究では、双方向コンテキスト情報の導入により、HMERモデルの性能が大幅に向上することが示されている。 本稿では,MF-SLT と双方向非同期トレーニング (BAT) 構造を提案する。
  論文  参考訳（メタデータ） (2023-12-31T09:24:21Z)
• How to Choose Pretrained Handwriting Recognition Models for Single Writer Fine-Tuning [23.274139396706264]
  近年のDeep Learning-based Handwriting Text Recognition (HTR) の進歩は、現代の写本や歴史文書に顕著な性能を持つモデルを生み出している。 これらのモデルは、言語、紙の支持、インク、著者の筆跡など、独特の特徴を持つ写本に適用した場合、同じパフォーマンスを得るのに苦労している。 本稿では,手書きテキスト生成モデルを用いて得られた,大規模で実際のベンチマークデータセットと合成データセットについて考察する。 我々は,5行の実際の微調整行数で,原稿を効果的に書き起こし可能なHTRモデルを得るための,そのようなデータの最も関連性の高い特徴を定量的に示す。
  論文  参考訳（メタデータ） (2023-05-04T07:00:28Z)
• Uncovering the Handwritten Text in the Margins: End-to-end Handwritten Text Detection and Recognition [0.840835093659811]
  本研究は,手書きペラリアの自動検出と認識のためのエンドツーエンドフレームワークを提案する。 データ拡張と転送学習を使用して、トレーニングデータの不足を克服する。 このフレームワークの有効性はスウェーデンのウプサラ大学図書館で発見された初期の書籍コレクションのデータから実証的に評価されている。
  論文  参考訳（メタデータ） (2023-03-10T14:00:53Z)
• When Counting Meets HMER: Counting-Aware Network for Handwritten Mathematical Expression Recognition [57.51793420986745]
  我々は、手書き数式認識(HMER)のための非従来型ネットワークであるCounting-Aware Network(CAN)を提案する。 シンボルレベルの位置アノテーションを使わずに各シンボルクラスの数を予測できる弱教師付きカウントモジュールを設計する。 HMERのベンチマークデータセットの実験により、エンコーダ・デコーダモデルの予測誤差を修正するために、共同最適化とカウント結果の両方が有用であることが検証された。
  論文  参考訳（メタデータ） (2022-07-23T08:39:32Z)
• Benchmarking Online Sequence-to-Sequence and Character-based Handwriting Recognition from IMU-Enhanced Pens [2.840092825973023]
  本稿では,リアルタイムシーケンス・ツー・シーケンス学習と単一文字認識のためのデータとベンチマークモデルを提案する。 データは、センサーによって強化されたボールペン、加速度計、磁力計、100Hzの力センサーによって記録される。 著者に依存したタスクの両方に対する方程式や単語を含む様々なデータセットを提案する。
  論文  参考訳（メタデータ） (2022-02-14T20:55:33Z)
• AttentionHTR: Handwritten Text Recognition Based on Attention Encoder-Decoder Networks [0.0]
  本研究は,手書き単語認識のための注目に基づくシーケンス・ツー・シーケンス・モデルを提案する。 シーンテキストイメージに事前トレーニングされたモデルを、手書き認識モデルのカスタマイズに向けた出発点として活用する。 提案したエンドツーエンドHTRシステムの有効性は、新しいマルチライターデータセットで実証的に評価されている。
  論文  参考訳（メタデータ） (2022-01-23T22:48:36Z)
• Rethinking Text Line Recognition Models [57.47147190119394]
  2つのデコーダファミリー(コネクショニスト時間分類と変換器)と3つのエンコーダモジュール(双方向LSTM、自己認識、GRCL)を考える。 広く使用されているシーンと手書きテキストの公開データセットの精度とパフォーマンスを比較します。 より一般的なTransformerベースのモデルとは異なり、このアーキテクチャは任意の長さの入力を処理できる。
  論文  参考訳（メタデータ） (2021-04-15T21:43:13Z)
• Improve Variational Autoencoder for Text Generationwith Discrete Latent Bottleneck [52.08901549360262]
  変分オートエンコーダ(VAE)は、エンドツーエンドの表現学習において必須のツールである。 VAEは強い自己回帰デコーダで潜伏変数を無視する傾向がある。 よりコンパクトな潜在空間において暗黙的な潜在特徴マッチングを強制する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-22T14:41:37Z)

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。