Neural network language models for off-line handwriting recognition

Zamora-Martínez, Francisco; Frinken, Volkmar; España-Boquera, Salvador; Castro-Bleda, María José; Fischer, Andreas; Bunke, Horst

doi:10.1016/j.patcog.2013.10.020

Cited by 62 publications

(32 citation statements)

References 31 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…For handwriting recognition, a high word recognition rate of 94.85 % [69] is reported on the RIMES database. The recognition rates on the IAM database vary [215,216]. These recognition rates, in general, are lower than those reported on the RIMES database.…”

Section: Experimental Protocols Evaluation Metrics and State-of-the-contrasting

confidence: 54%

A comprehensive survey of handwritten document benchmarks: structure, usage and evaluation

Hussain

Raza²,

Siddiqi

et al. 2015

J Image Video Proc.

View full text Add to dashboard Cite

Handwriting has remained one of the most frequently occurring patterns that we come across in everyday life. Handwriting offers a number of interesting pattern classification problems including handwriting recognition, writer identification, signature verification, writer demographics classification and script recognition, etc. Research in these and similar related problems requires the availability of handwritten samples for validation of the developed techniques and algorithms. Like any other scientific domain, the handwriting recognition community has developed a large number of standard databases allowing development, evaluation and comparison of different techniques developed for a variety of recognition tasks. This paper is intended to provide a comprehensive survey of the handwriting databases developed during the last two decades. In addition to the statistics of the discussed databases, we also present a comparison of these databases on a number of dimensions. The ground truth information of the databases along with the supported tasks is also discussed. It is expected that this paper would not only allow researchers in handwriting recognition to objectively compare different databases but will also provide them the opportunity to select the most appropriate database(s) for evaluation of their developed systems.

show abstract

Section: Experimental Protocols Evaluation Metrics and State-of-the-contrasting

confidence: 54%

A comprehensive survey of handwritten document benchmarks: structure, usage and evaluation

Hussain

Raza²,

Siddiqi

et al. 2015

J Image Video Proc.

View full text Add to dashboard Cite

show abstract

“…Nevertheless, part of its success relied on a brilliant text line pre-processing. Indeed, the pre-processed lines have been recognized by other recognition engines, generally, improving their results [F. Zamora-Martínez, Frinken, et al 2014]. The TLN methods followed by this system were based on detecting the text reference lines and then scale the parts of the text to a fixed size.…”

Section: Text Line Normalizationmentioning

confidence: 99%

“…The reference lines from a subset of 773 text line images from the training data of the IAM database have been manually labeled using a bootstrapping approach and interactive tools, as described and used in [Espana-Boquera et al 2011;Pastor-Pellicer, España-Boquera, P. Zamora-Martínez, et al 2014;F. Zamora-Martínez, Frinken, et al 2014].…”

Section: C31 Interest Points Text Reference Lines and Mba Ground Tmentioning

confidence: 99%

See 1 more Smart Citation

Neural Networks for Document Image and Text Processing

Pellicer¹

View full text Add to dashboard Cite

“…Este capítulo estudia el impacto del uso de NN LMs dentro de este campo. De hecho, hemos sido los primeros en usar NN LMs en tareas de HTR España-Boquera et al, 2011;Frinken et al, 2012;Zamora-Martínez et al, 2012c].…”

Section: Introductionunclassified

Aportaciones al modelado conexionista de lenguaje y su aplicación al reconocimiento de secuencias y traducción automática

Martínez¹,

Julián²

View full text Add to dashboard Cite

A Josepa por apoyarme en estos últimos años de escritura. A mis padres, Natividad y Crescencio, y hermanos, José y Nati, por creer en mí. AGRADECIMIENTOSQuiero aprovechar este espacio para agradecer el apoyo, críticas, y buenas intenciones que he encontrado en la gente en el camino de obtener el título de Doctor. Doy las gracias a mis amigos de Aldaia, que he tenido muy olvidados en estos últimos años, pero que siguen confiando en mí. A Germán, Jorge y Jesús compañeros de andadura durante la carrera, y compañeros en el doctorado, gracias por las discusiones, comentarios, curiosidades y demás cosas que he podido aprender con vosotros. A Lucena, Ximo, Carlos, Julien, Fidel, Antonio, Pablo por los años de música y conciertos. A Noelia por acompañarme durante un tiempo en la vida solapado con esta tesis. A Salva por estos años haciendo guía y ayudando en todo lo que ha podido siempre, aportando un punto de vista original, implicados ambos en la programación del software aquí utilizado. A María José por la dirección desde mi proyecto final de carrera, hasta el final con las sucesivas correcciones que esta tesis ha necesitado para ser lo que es. A Jon, Emilio y Encarna por su apoyo en diferentes ocasiones para encontrar trabajo. A la gente que ha pasado por el laboratorio L302, Sergio, David, Joan, Marcos, Lucía, Ximo, por su amistad. A la gente del departamento de Ciencias Físicas, Matemáticas y de la Computación de la Universidad CEU Cardenal Herrera, donde actualmente estoy trabajando, por haberme dado la oportunidad de poder poner un pie en el mundo de la enseñanza universitaria, a Javi, Nuria Rosillo, Juan, Pablo, Rafa Pérez, Rafa Ramírez, Nuria Llull, Manolo, Luís, Victor, Jordi, Antonio, Fernando, que juntos nos esforzamos por dar lo mejor en clase, y que me han ofrecido toda su confianza para que termine esta tesis. A los alumnos Fran, Joan, Vicent y Jose Manuel por implicarse en la competición del SWERC, que tanto disfruto. A la gente del DSIC, así como a gente del ITI, que he ido conociendo estos años. A Renato de Mori por su valiosa aportación a este trabajo. A la gente del LIUM en Le Mans, Patrik, Loïc, Kashif, Benoit, por ofrecerme su amistad durante mi estancia veraniega del 2010 en su universidad, y por supuesto a Holger Schwenk por acogerme y apoyar mis ideas. A Maxim por introducirme en el mundo de la traducción automática, y Josep María por recibirme en aquel verano del 2010. Al antiguo grupo IAM de la Universidad de Bern, Volkmar Frinken, Andreas Fischer y Horst Bunke, por los trabajos colaborativos que han dado una mayor profundidad a los resultados presentados en esta tesis. A todos aquellos de los que puede que me olvide que han repercutido de alguna forma en este trabajo, y que me han apoyado para llegar hasta aquí. A todos vosotros, ¡Gracias! V RESUMEN El procesamiento del lenguaje natural es un área de la inteligencia artificial, en particular, del reconocimiento de formas. Es un campo multidisciplinar que estudia el lenguaje humano, tanto oral como escrito. Se ocupa de la formulación e invest...

show abstract

Neural network language models for off-line handwriting recognition

Cited by 62 publications

References 31 publications

A comprehensive survey of handwritten document benchmarks: structure, usage and evaluation

A comprehensive survey of handwritten document benchmarks: structure, usage and evaluation

Neural Networks for Document Image and Text Processing

Aportaciones al modelado conexionista de lenguaje y su aplicación al reconocimiento de secuencias y traducción automática

Contact Info

Product

Resources

About