Font_Recognition DeepFont

Reconnaissance des polices utilisant l'apprentissage en profondeur - Deepfont (Adobe)

Deepfont Paper est une technique créée par Adobe.inc pour détecter la police à partir d'images utilisant l'apprentissage en profondeur. Ils ont publié leur travail de document pour le public. Inspirant leur travail, j'ai converti leur thèse en un code de travail.

Points clés de Deepfont:

• Son ensemble formé sur un ensemble de données Adobevfr qui contient 2383 catégories de polices
• Son domaine adapté CNN
• Son apprentissage est basé sur la compression du modèle

Le travail est divisé en 4 étapes:

• Ensemble de données: Étant donné que le jeu de données ADOBEVFFR est de taille énorme et contient beaucoup de catégories de polices. Nous avons créé un ensemble de données personnalisé en fonction des correctifs de police requis à l'aide de TexTrecognitionDatagenerator GitHub. Le dossier de l'échantillon sera disponible dans ce dépôt.

• Prétraitement de l'ensemble de données: les polices ne sont pas comme des objets, pour avoir d'énormes informations spatiales pour classer leurs fonctionnalités. Pour identifier des fonctionnalités très minuscules, Deepfont a utilisé certaines techniques de prétraitement, elles sont

  • Bruit
  • Se brouiller
  • Rotation de la pervers
  • Ombrage (illumination du gradient)
  • Espacement des caractères variables
  • Rapport d'aspect variable

• Architecture CNN: Contrairement au réseau CNN de classification d'images, ils ont suivi un nouveau schéma comme deux sous-réseaux,

  • Sous-réseau de bas niveau : appris de l'ensemble composite de données synthétiques et réelles.
  • Sous-réseau de haut niveau : apprend un classificateur profond des fonctionnalités de bas niveau pour plus de détails et des clarifications ont une lecture de leur papier

• Framework (Keras): En tant que prototypage, j'ai utilisé Keras pour construire l'intégralité du pipeline. N'hésitez pas à prototyper dans d'autres cadres.

               Thanks to DeepFont Team for their amazing work
  

Copyright © 2021 Robin Reni. Tous droits réservés