TS-Net: OCR Trained to Switch Between Text Transcription Styles

要約

さまざまな機関や科学分野の OCR システムのユーザーは、さまざまな転写スタイルを好み、生成します。
これは、実世界のデータでの一貫したテキスト認識ニューラル ネットワークのトレーニングに問題をもたらします。
転写ルールの明示的な知識がなくても、データから学習して複数の転写スタイルを切り替えることができる転写スタイル ブロック (TSB) を使用して、既存のテキスト認識ネットワークを拡張することを提案します。
TSB は、一貫して転記されたドキュメント (たとえば、単一のドキュメント、単一の転写者によるドキュメント、または機関) を表す識別子によって条件付けられた適応インスタンスの正規化です。
TSB が人工データの制御された実験で完全に異なる転写スタイルを学習できること、大規模な実世界データでのテキスト認識精度を向上させ、意味的に意味のある転写スタイルの埋め込みを学習できることを示します。
また、わずか数行のテキストの書き起こしから、TSB が新しいドキュメントの書き起こしスタイルに効率的に適応する方法も示します。

要約(オリジナル)

Users of OCR systems, from different institutions and scientific disciplines, prefer and produce different transcription styles. This presents a problem for training of consistent text recognition neural networks on real-world data. We propose to extend existing text recognition networks with a Transcription Style Block (TSB) which can learn from data to switch between multiple transcription styles without any explicit knowledge of transcription rules. TSB is an adaptive instance normalization conditioned by identifiers representing consistently transcribed documents (e.g. single document, documents by a single transcriber, or an institution). We show that TSB is able to learn completely different transcription styles in controlled experiments on artificial data, it improves text recognition accuracy on large-scale real-world data, and it learns semantically meaningful transcription style embedding. We also show how TSB can efficiently adapt to transcription styles of new documents from transcriptions of only a few text lines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google