論文の概要: Enhancing IMU-Based Online Handwriting Recognition via Contrastive Learning with Zero Inference Overhead
- arxiv url: http://arxiv.org/abs/2602.07049v1
- Date: Wed, 04 Feb 2026 13:44:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:24.400168
- Title: Enhancing IMU-Based Online Handwriting Recognition via Contrastive Learning with Zero Inference Overhead
- Title（参考訳）: ゼロ推論オーバーヘッドを用いたコントラスト学習によるIMUに基づくオンライン手書き認識の強化
- Authors: Jindong Li, Dario Zanca, Vincent Christlein, Tim Hamann, Jens Barth, Peter Kämpf, Björn Eskofier,
- Abstract要約: 推論コストを増大させることなく特徴表現と認識精度を向上させるためのトレーニングフレームワークを提案する。
ECHWRは、トレーニングフェーズ中にセンサー信号とセマンティックテキストの埋め込みを整列する一時的な補助ブランチを使用する。
OnHW-Words500データセットの評価によると、ECHWRは最先端のベースラインを大幅に上回っている。
- 参考スコア（独自算出の注目度）: 4.519836503888727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online handwriting recognition using inertial measurement units opens up handwriting on paper as input for digital devices. Doing it on edge hardware improves privacy and lowers latency, but entails memory constraints. To address this, we propose Error-enhanced Contrastive Handwriting Recognition (ECHWR), a training framework designed to improve feature representation and recognition accuracy without increasing inference costs. ECHWR utilizes a temporary auxiliary branch that aligns sensor signals with semantic text embeddings during the training phase. This alignment is maintained through a dual contrastive objective: an in-batch contrastive loss for general modality alignment and a novel error-based contrastive loss that distinguishes between correct signals and synthetic hard negatives. The auxiliary branch is discarded after training, which allows the deployed model to keep its original, efficient architecture. Evaluations on the OnHW-Words500 dataset show that ECHWR significantly outperforms state-of-the-art baselines, reducing character error rates by up to 7.4% on the writer-independent split and 10.4% on the writer-dependent split. Finally, although our ablation studies indicate that solving specific challenges require specific architectural and objective configurations, error-based contrastive loss shows its effectiveness for handling unseen writing styles.
- Abstract（参考訳）: 慣性測定装置を用いたオンライン手書き認識は、デジタルデバイスへの入力として紙に手書きを開放する。
エッジハードウェアで実行すると、プライバシが向上し、レイテンシが低下するが、メモリ制約が伴う。
これを解決するために,提案するECHWR(Error-enhansced Contrastive Handwriting Recognition, ECHWR)を提案する。
ECHWRは、トレーニングフェーズ中にセンサー信号とセマンティックテキストの埋め込みを整列する一時的な補助ブランチを使用する。
このアライメントは、一般的なモダリティアライメントのためのバッチ内コントラッシブロスと、正しい信号と合成ハードネガティブを区別する新しいエラーベースのコントラッシブロスという、二重コントラスト目的によって維持される。
補助ブランチはトレーニング後に破棄され、デプロイされたモデルが元の効率的なアーキテクチャを維持することができる。
OnHW-Words500データセットの評価によると、ECHWRは最先端のベースラインを大幅に上回り、ライターに依存しないスプリットで最大7.4%、ライターに依存しないスプリットで最大10.4%削減している。
最後に,本研究では,特定の課題の解決には,特定のアーキテクチャや目的の設定が必要であることを示唆しているが,エラーベースのコントラスト損失は,見当たらない書き込みスタイルを扱う上での有効性を示す。
関連論文リスト
- MetaWriter: Personalized Handwritten Text Recognition Using Meta-Learned Prompt Tuning [6.274266343486906]
従来の手書き文字認識法では、テスト時に書き手固有のパーソナライゼーションが欠如している。
本稿では、パーソナライズを即時チューニングとして定式化する効率的なフレームワークを提案する。
RIMES および IAM Handwriting Database ベンチマークに対する我々のアプローチを検証する。
論文 参考訳（メタデータ） (2025-05-26T20:26:16Z) - Preserving Privacy Without Compromising Accuracy: Machine Unlearning for Handwritten Text Recognition [12.022436561452766]
忘れられる権利のような規制は、完全なリトレーニングなしで機密性のあるトレースを削除するモデルを必要とする。
マルチヘッドトランスHTRモデルのための2段階のアンラーニングフレームワークを提案する。
また,書き手IDの均一な分布に従うことを強制するメソッドであるWriter-ID Confusion(WIC)も提案する。
論文 参考訳（メタデータ） (2025-04-11T15:21:12Z) - Privacy-Preserving Biometric Verification with Handwritten Random Digit String [49.77172854374479]
手書き認証は、何十年もの間、安定したアイデンティティ認証方法として存在してきた。
しかし、この技術は、署名などの手書きバイオメトリックスに個人情報が組み込まれているため、潜在的なプライバシー侵害のリスクがある。
プライバシ保護による手書き文字の検証にRandom Digit String (RDS) を用いることを提案する。
論文 参考訳（メタデータ） (2025-03-17T03:47:25Z) - Robust and Efficient Writer-Independent IMU-Based Handwriting Recognition [2.022040536958726]
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, 書字スタイルのバリエーションのため, 依然として困難である。
それまでのアプローチは、目に見えない作家の筆跡に苦しむことが多く、作家に依存しない(WI)認識は極めて難しい問題である。
本稿では、CNNエンコーダとBiLSTMデコーダを用いて、IMUデータ上のWI HWRを改善するために設計されたHWRモデルを提案する。
論文 参考訳（メタデータ） (2025-02-28T11:09:28Z) - Online Writer Retrieval with Chinese Handwritten Phrases: A Synergistic Temporal-Frequency Representation Learning Approach [53.189911918976655]
DOLPHINは,相乗的時間周波数解析による手書き表現の向上を目的とした新しい検索モデルである。
OLIWER(OLIWER)は,1,731人から670,000以上の中国語の字句を含む大規模オンライン作家検索データセットである。
本研究は,手書き表現の質向上における点サンプリング周波数と圧力特性の重要性を強調した。
論文 参考訳（メタデータ） (2024-12-16T11:19:22Z) - Offline Detection of Misspelled Handwritten Words by Convolving
Recognition Model Features with Text Labels [0.0]
テキストに対して手書き画像を比較する作業を紹介する。
我々のモデルの分類ヘッドは、最先端の生成逆数ネットワークを用いて生成された合成データに基づいて訓練されている。
このような大規模なパフォーマンス向上は、ヒューマン・イン・ザ・ループの自動化を利用したアプリケーションの生産性を大幅に向上させる可能性がある。
論文 参考訳（メタデータ） (2023-09-18T21:13:42Z) - End-to-End Page-Level Assessment of Handwritten Text Recognition [69.55992406968495]
HTRシステムは、文書のエンドツーエンドのページレベルの書き起こしに直面している。
標準メトリクスは、現れる可能性のある不整合を考慮していない。
本稿では、転写精度とROの良さを別々に検討する2つの評価法を提案する。
論文 参考訳（メタデータ） (2023-01-14T15:43:07Z) - SURDS: Self-Supervised Attention-guided Reconstruction and Dual Triplet
Loss for Writer Independent Offline Signature Verification [16.499360910037904]
オフライン署名検証(英: Offline Signature Verification、OSV)は、法学、商業、法学の様々な分野における基本的な生体計測の課題である。
著者に依存しないOSVにおける自己教師付き表現学習とメートル法学習を活用する2段階のディープラーニングフレームワークを提案する。
提案したフレームワークは2つのオフライン署名データセットで評価され、様々な最先端の手法と比較されている。
論文 参考訳（メタデータ） (2022-01-25T07:26:55Z) - 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) - Label-Synchronous Speech-to-Text Alignment for ASR Using Forward and
Backward Transformers [49.403414751667135]
本稿では,音声認識のための新しいラベル同期音声テキストアライメント手法を提案する。
提案手法はラベル同期テキストマッピング問題として音声からテキストへのアライメントを再定義する。
自発日本語コーパス(CSJ)を用いた実験により,提案手法が正確な発話方向のアライメントを提供することを示した。
論文 参考訳（メタデータ） (2021-04-21T03:05:12Z)
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。