[論文レビュー] Writer Identification and Verification from Intra-variable Individual Handwriting.

Chandranath Adak, B.B. Chaudhuri+1 more|arXiv (Cornell University)|Aug 10, 2017

Handwritten Text Recognition Techniques被引用数 3

ひとこと要約

本稿は、高速な変動性が著しいオフライン・ベンガル手書き文書において、著者識別および認証を調査し、手作業で特徴を抽出する手法と畳み込みニューラルネットワーク（CNN）から自動で得られる特徴を組み合わせたハイブリッド手法を提案する。著者間の顕在的個人差が、筆圧、速度、筆記具の違いといった要因による変動にもかかわらず、依然として保持されることを示し、100人の著者からなるデータ拡張済みデータセットで優れた性能を達成した。

ABSTRACT

The handwriting of an individual may vary substantially with factors such as mood, time, space, writing speed, writing medium and tool, writing topic, etc. It becomes challenging to perform automated writer verification/identification on a particular set of handwritten patterns (e.g., speedy handwriting) of a person, especially when the system is trained using a different set of writing patterns (e.g., normal speed) of that same person. However, it would be interesting to experimentally analyze if there exists any implicit characteristic of individuality which is insensitive to high intra-variable handwriting. In this paper, we study some handcrafted features and auto-derived features extracted from intra-variable writing. Here, we work on writer identification/verification from offline Bengali handwriting of high intra-variability. To this end, we use various models mainly based on handcrafted features with SVM (Support Vector Machine) and features auto-derived by the convolutional network. For experimentation, we have generated two handwritten databases from two different sets of 100 writers and enlarged the dataset by a data-augmentation technique. We have obtained some interesting results.

研究の動機と目的

• 筆圧、速度、筆記具の違いといった要因による著しい内部変動があっても、手書きにおける隠れた個人的特徴が安定しているかどうかを調査すること。
• オフライン・ベンガル手書き文書における著者識別および認証の分野で、手作業で抽出した特徴とディープラーニングから得られる特徴の有効性を評価すること。
• ある筆記スタイル（例：通常速度）で学習したシステムを、別のスタイル（例：速筆）でテストするという課題に対処するため、不変の特徴を同定すること。
• 100人の著者ごとの手書きデータベースに対してデータ拡張を施すことで、データセットの多様性を高め、モデルの汎化性能を向上させること。

提案手法

• 手書き文書のオフライン画像から、構造的および空間的特徴を捉えるために、手作業で特徴を抽出した。
• 著者識別および認証タスクのため、手作業で抽出した特徴に基づいてサポートベクターマシン（SVM）分類器を学習させた。
• 畳み込みニューラルネットワーク（CNN）を用いて、手書き画像から特徴を自動で学習させた。
• 元の手書きデータベースを拡張するためのデータ拡張技術を適用し、モデルの頑健性と汎化性能を向上させた。
• 筆記速度やスタイルの違いを再現するため、100人の著者ごとに2つの別々のデータベースを構築した。
• 識別および認証の標準指標を用いて性能を評価し、手作業特徴と自動抽出特徴の両方を比較した。

実験結果

リサーチクエスチョン

• RQ1 筆圧、速度、筆記具の違いによる著しい内部変動があっても、手書きにおける隠れた個人的特徴は安定しているのか？
• RQ2 著しい内部変動下でも、手作業特徴とディープラーニングから得られる特徴のどちらが著者識別に優れているのか？
• RQ3 データ拡張は、変動する手書き文字に対する著者識別および認証システムの頑健性をどの程度向上させるのか？
• RQ4 通常速度の筆記スタイルで学習したシステムを、速筆のスタイルで実際に著者を識別または認証することが可能なのか？
• RQ5 畳み込みニューラルネットワークは、ベンガル手書き文字における内部変動に対して不変の特徴を学習できるのか？

主な発見

• 本研究では、筆圧、速度、筆記具の違いによる著しい内部変動があっても、手書きにおける隠れた個人的特徴が検出可能であることが判明した。これは、筆記の変動に対しても安定したバイオメトリック的特徴が存在することを示唆している。
• 手作業特徴とSVMを組み合わせた手法は、多様な筆記スタイルで学習およびテストされた場合に、著者識別および認証で優れた性能を示した。
• CNNから自動抽出された特徴は、特に筆記速度や筆圧の変動に対処する上で、汎化性能が向上した。
• データ拡張はモデルの頑健性を顕著に向上させ、未知の筆記スタイルに対しても優れた性能を発揮した。
• 手作業特徴とディープラーニング特徴の組み合わせは、個々のアプローチを上回る性能を示し、著者固有のパターンを捉える上で相補的な強みがあることがわかった。