Identification de scripteurs en utilisant l'apprentissage en profondeur

Abstract

Les recherches antérieures sur l'identification de scripteurs ont été basées sur l'identification de caractéristiques spécifiques aux scripteurs conçues par des experts. Cependant, au cours de la dernière décennie, des méthodes d’apprentissage en profondeur ont été appliquées avec succès pour apprendre automatiquement les caractéristiques à partir de données. Nous proposons ici une méthode d'apprentissage en profondeur pour l'identification de scripteurs indépendante du texte qui ne nécessitant pas d'identification préalable des caractéristiques. Un réseau de neurones convolutifs (CNN) est initialement formé pour extraire les caractéristiques locales, qui représentent les caractéristiques de l'écriture manscrits dans les images des documents manuscrites entières et leurs sous-régions. Les images des documents manuscrites à partir base de données d’apprentissage sont utilisées pour trainer le CNN et agréger l’extraction des caractéristiques locales des images pour former des caractéristiques globales. Le processus d'échantillonnage est répété à chaque époque de formation, ce qui équivaut à un grand nombre de modèles de formation en cours de préparation pour former le CNN à l'identification de scripteurs. Nous avons mené des expériences sur une partie de la base de données ICFHR2018, notre méthode a atteint une précision de 68.5 % pour classer 80document de 40 écrivains, Globalement, nous avons obtenu de meilleures performances que les meilleurs résultats publiés précédemment, ce qui démontre également l'efficacité de notre méthode l'identification de scripteurs à partir d’un document manuscrit