off-line 기
abstract
off-line 기 개.
근 (segmentation-free approach) .
, , 계 개고, , , 기 .
, (linear discriminant analysis)과 allograph , 계 결 .
(lexicon-off) 기 결과 .
off-line 기 개.
근 (segmentation-free approach) .
, , 계 개고, , , 기 .
, (linear discriminant analysis)과 allograph , 계 결 .
(lexicon-off) 기 결과 .
1.
기 .
까 off-line 기 거 .
고 고, 기 .
경계 기 기 .
계 게 기 기 기 .
기 .
까 off-line 기 거 .
고 고, 기 .
경계 기 기 .
계 게 기 기 기 .
off-line 기 기 Hidden-Markov-Model 개 .
그고 과 , 기 개 .
기 , , allograph , 계 교 .
그고 과 , 기 개 .
기 , , allograph , 계 교 .
기 구 간 .
3 개.
그 과, , 계 과 기 .
과 기 결과 7 개 .
3 개.
그 과, , 계 과 기 .
과 기 결과 7 개 .
기 .
구간 기 . .
구고 기 .
(feature extract) 계 거 .
1, 18과 15 HMMs 기 과 recurrent neural network HMMs 각 .
15 , 1, 18 .
규 off-line 기 16 .
구간 기 . .
구고 기 .
(feature extract) 계 거 .
1, 18과 15 HMMs 기 과 recurrent neural network HMMs 각 .
15 , 1, 18 .
규 off-line 기 16 .
3.
과 Lancaster-Oslo/Bergen 기 공.
경 IAM과 Bern 기 .
고(, 교, , )과 500 1200 기 고 .
경 250 고 a..f . 그고 경 6 c03 .
과 Lancaster-Oslo/Bergen 기 공.
경 IAM과 Bern 기 .
고(, 교, , )과 500 1200 기 고 .
경 250 고 a..f . 그고 경 6 c03 .
경 기 (Senior)게 공 기 .
25 기 , 공개 .
25 기 , 공개 .
기 300dpi 256 그 .
Fig. 1 각 .
Fig. 1 각 .
4.
기 기 기 게 .
그 까 .
계 IAM . 게 고 공 기 .
기 기 기 게 .
그 까 .
계 IAM . 게 고 공 기 .
기 각각 기 .
.
기 기 기 계 .
그 Otsu method 계 구 .
그 그 각 . 그고 그 .
.
기 기 기 계 .
그 Otsu method 계 구 .
그 그 각 . 그고 그 .
기 간게 기 기 규 .
기 , 그 고 .
규 기 기 그 .
기 , 그 고 .
규 기 기 그 .
기 게 각 , 그 교.
각 공 .
규 계기 기 계 .
각 공 .
규 계기 기 계 .
기 기 규기 각 기 극값(local extrema) 고 값 교.
(scaling factor) 계 기. 계 기 기 .
계 과 기 그 규 .
그 간격 곳 0 고 곳 255 .
계 과 그 3 .
(scaling factor) 계 기. 계 기 기 .
계 과 기 그 규 .
그 간격 곳 0 고 곳 255 .
계 과 그 3 .
sliding window 각 7 계.
(1) - (window 간 )
(2) 기 고 극값 균값 (position of the mean value of the intensity distribution)
(3) 기까 거
(4) 기까 거
(5) 과 거
(6) 과 균 극값
(7) 균 극값
기 견고 기 (2)-(5) 기과 기 거( 고값 line fitting 계) 규.
그 window 4 균.
(1) - (window 간 )
(2) 기 고 극값 균값 (position of the mean value of the intensity distribution)
(3) 기까 거
(4) 기까 거
(5) 과 거
(6) 과 균 극값
(7) 균 극값
기 견고 기 (2)-(5) 기과 기 거( 고값 line fitting 계) 규.
그 window 4 균.
극값 균값 경 곽 고기 , 3개 계.
window 4개 곽과 곽, 균 값 . 그고 각각 (8), (9), (10) .
window 4개 곽과 곽, 균 값 . 그고 각각 (8), (9), (10) .
고, 각 근 (approximate horizental derivative) 계. 20 .(window 10개 + 10개 )
고 (...) 기 과 계 .(cf. 6)
과 공간 (........ original feature representation) .
A class scatter matrix Sw과 scatter matrix Sb 간 고값(eigenvalue) .
scatter matrix 각 HMM 고 기 . (...........................)
scatter matirx 고 LDA 고값 계 .
과 공간 (........ original feature representation) .
A class scatter matrix Sw과 scatter matrix Sb 간 고값(eigenvalue) .
scatter matrix 각 HMM 고 기 . (...........................)
scatter matirx 고 LDA 고값 계 .
...
... ... S-1wSb 고값과 고.
m개 고값 m개 고 구 고 .
LDA HMM .
m개 고값 m개 고 구 고 .
LDA HMM .
6. 계 과
기 , , HMMs ESMERALDA 개 경5 공 과 구 .
HMMs 구 512개 Gaussian mixtures with diagonal covariance matrices 고 공 codebook과 - .
기 52개 , 10개 , 12개 , 공 Baum-Welch .
구 결 기 .
Viterbi beam-search 계.
기 , , HMMs ESMERALDA 개 경5 공 과 구 .
HMMs 구 512개 Gaussian mixtures with diagonal covariance matrices 고 공 codebook과 - .
기 52개 , 10개 , 12개 , 공 Baum-Welch .
구 결 기 .
Viterbi beam-search 계.
기 고 13 기 근과 게 allograph .
Allograph (realization)과 .
기 과 HMMs 기 .
allograph HMMs 견(heuristically) 결. 경 allograph .
기 , allograph HMMs .
, allograph 게 개 .
개 결.
allograph 고게 결 과 soft vector 결.
Allograph (realization)과 .
기 과 HMMs 기 .
allograph HMMs 견(heuristically) 결. 경 allograph .
기 , allograph HMMs .
, allograph 게 개 .
개 결.
allograph 고게 결 과 soft vector 결.
, 공 과 계 .
... x 결 계 극 W^ .
P(w) w x P(x|w) .
경 absolute discounting bi-gram 과 backing-off for smoothing of probability distributions .
... x 결 계 극 W^ .
P(w) w x P(x|w) .
경 absolute discounting bi-gram 과 backing-off for smoothing of probability distributions .
7. 결과
기 기 . , , 경.
table 1 . 고, , bi-gram 결과 .
IAM a..d 고 고, .
(lexicon-free ....) 과 기 결과 table 2 .
경 (Senior) 282 고 141 . bi-gram perplexity 15.3.
bi-gram 13.3% 기 12.1%까 감 결과 .
LDA 게 게 . LDA 공간 12까 그.
(table 2) 28.5%, 1.5k 10.5%.
결과 결과(literature ......) 교 . 과 기 기 교기 .
17 각 28.3% . 경 84.1%고, 1.3k 16.5%.
15 6.6% 과 41.1% 고.
9 고 기 고 15.0%.
기 기 . , , 경.
table 1 . 고, , bi-gram 결과 .
IAM a..d 고 고, .
(lexicon-free ....) 과 기 결과 table 2 .
경 (Senior) 282 고 141 . bi-gram perplexity 15.3.
bi-gram 13.3% 기 12.1%까 감 결과 .
LDA 게 게 . LDA 공간 12까 그.
(table 2) 28.5%, 1.5k 10.5%.
결과 결과(literature ......) 교 . 과 기 기 교기 .
17 각 28.3% . 경 84.1%고, 1.3k 16.5%.
15 6.6% 과 41.1% 고.
9 고 기 고 15.0%.
IAM c03 440 고, 109 .
6 기 .
LDA( 12) 14.2% . allograph (각 6개 allograph) 13.3%까 감.
bi-gram 11.1%( perplexity 12.0)까 .
경 39.0%, 421개 ( ) 13.9%까 . 11 20.5% 교.
6 기 .
LDA( 12) 14.2% . allograph (각 6개 allograph) 13.3%까 감.
bi-gram 11.1%( perplexity 12.0)까 .
경 39.0%, 421개 ( ) 13.9%까 . 11 20.5% 교.
결과 .
IAM a-f( 250 ) , 4321 (a-d ) 고, 1097 (e-f ) .
기 31.3% .
경 allograph 과 교 .
3개 allograph 31.1% 고, 10개 allograph (34.8%)과 .
LDA 29.1% 게 감.
22.2% .( perplexity 12.0)
경 60.6%.
IAM a-f( 250 ) , 4321 (a-d ) 고, 1097 (e-f ) .
기 31.3% .
경 allograph 과 교 .
3개 allograph 31.1% 고, 10개 allograph (34.8%)과 .
LDA 29.1% 게 감.
22.2% .( perplexity 12.0)
경 60.6%.
8. 결.
off-line 개. 그고 , , 경 .
경 기 결과 .
계 기 . 그고 공간 경 .
allograph , 경 , .
off-line 개. 그고 , , 경 .
경 기 결과 .
계 기 . 그고 공간 경 .
allograph , 경 , .
9. acknowledgement
German Research Foundation(DFG) Fi799/1 .
DB 공 게 감 .
German Research Foundation(DFG) Fi799/1 .
DB 공 게 감 .
