日本語
 
Help Privacy Policy ポリシー/免責事項
  詳細検索ブラウズ

アイテム詳細

  HTR-VT: Handwritten text recognition with vision transformer

Li, Y., Chen, D., Tang, T., & Shen, X. (2025). HTR-VT: Handwritten text recognition with vision transformer. Pattern Recognition, 158:. doi:10.1016/j.patcog.2024.110967.

Item is

基本情報

表示: 非表示:
アイテムのパーマリンク: https://hdl.handle.net/21.11116/0000-000F-DD5B-3 版のパーマリンク: https://hdl.handle.net/21.11116/0000-000F-DD5C-2
資料種別: 学術論文

ファイル

表示: ファイル

関連URL

表示:

作成者

表示:
非表示:
 作成者:
Li, Yuting, 著者
Chen, Dexiong1, 著者           
Tang, Tinglong, 著者
Shen, Xi, 著者
所属:
1Borgwardt, Karsten / Machine Learning and Systems Biology, Max Planck Institute of Biochemistry, Max Planck Society, ou_3502542              

内容説明

表示:
非表示:
キーワード: NEURAL-NETWORKComputer Science; Engineering; Handwritten text recognition; Vision transformer; Mask strategy; Sharpness-aware minimization; Data-efficient;
 要旨: We explore the application of Vision Transformer (ViT) for handwritten text recognition. The limited availability of labeled data in this domain poses challenges for achieving high performance solely relying on ViT. Previous transformer-based models required external data or extensive pre-training on large datasets to excel. To address this limitation, we introduce a data-efficient ViT method that uses only the encoder of the standard transformer. We find that incorporate a Convolutional Neural Network (CNN) for feature extraction instead of the original patch embedding and employ Sharpness-Aware Minimization (SAM) optimizer to ensure that the model can converge towards flatter minima yield notable enhancements. Furthermore, our introduction of the span mask technique, which masks interconnected features in the feature map, acts as an effective regularizer. Empirically, our approach competes favorably with traditional CNN-based models on small datasets like IAM and READ2016. Additionally, it establishes a new benchmark on the LAM dataset, currently the largest dataset with 19,830 training text lines. The code will be publicly available at: https://github.com/YutingLi0606/HTR-VT.

資料詳細

表示:
非表示:
言語: eng - English
 日付: 2025-02
 出版の状態: 出版
 ページ: 9
 出版情報: -
 目次: -
 査読: -
 識別子(DOI, ISBNなど): ISI: 001307709800001
DOI: 10.1016/j.patcog.2024.110967
 学位: -

関連イベント

表示:

訴訟

表示:

Project information

表示:

出版物 1

表示:
非表示:
出版物名: Pattern Recognition
  その他 : Pattern Recognit.
種別: 学術雑誌
 著者・編者:
所属:
出版社, 出版地: Oxford : Pergamon
ページ: - 巻号: 158 通巻号: 110967 開始・終了ページ: - 識別子(ISBN, ISSN, DOIなど): ISSN: 0031-3203
CoNE: https://pure.mpg.de/cone/journals/resource/954925431363