.png){kind=icon}
返回
Neural-spline optimization framework for robust document image binarization
.png){kind=icon}
PRE
AI
DOI：10.1177/10692509261462295.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种用于文档图像二值化的结构化学习框架——神经样条优化（NSO），其中紧凑的张量积B样条曲面取代了显式阈值规则中的固定解析融合函数。与从头学习密集的像素到标签映射不同，NSO学习一个低维决策曲面，同时保留底层二值化算子的解析结构。本文重点关注学习该曲面的计算和方法学方面，以及如何在其周围引入受控的自适应性。在共同框架下考虑了三种密切相关的变体：直接全局样条优化、样条引导的像素域精化和控制点空间中的有界残差学习。主要新贡献是有界残差控制点变体，它直接在样条参数空间中引入数据驱动的更新，同时保持单一全局且可导出的决策曲面。数学公式包括样条构造、硬决策规则的可微分松弛、结构化目标设计以及面向部署的正则化。实验分析集中于优化行为、可解释性以及在固定公开协议下的结构变化。该框架提供了一种可解释且计算紧凑的替代方案，以替代纯像素级的深度二值化模型，其平衡了精度、鲁棒性和部署简单性之间的权衡，而非对所有评估指标的统一最大化。
期刊
I
IF:
5.3
论文数:
492
被引数:
761
机构
引用论文
A Quality, Size and Time Assessment of the Binarization of Documents Photographed by Smartphones智能手机拍摄文档的二值化质量、尺寸和时间评估
OAAI
.png){kind=icon}
OAAI分享收藏
查看更多内容