Evaluating Performance and Accuracy Improvements for Attention-OCR

Adam Brzeski; Kamil Grinholc; Kamil Nowodworski; Adam Przybyłek

doi:10.1007/978-3-030-28957-7_1

Evaluating Performance and Accuracy Improvements for Attention-OCR

Abstrakt

In this paper we evaluated a set of potential improvements to the successful Attention-OCR architecture, designed to predict multiline text from unconstrained scenes in real-world images. We investigated the impact of several optimizations on model’s accuracy, including employing dynamic RNNs (Recurrent Neural Networks), scheduled sampling, BiLSTM (Bidirectional Long Short-Term Memory) and a modified attention model. BiLSTM was found to slightly increase the accuracy, while dynamic RNNs and a simpler attention model provided a significant training time reduction with only a slight decline in accuracy.

Cytowania

4

CrossRef
0

Web of Science
6

Scopus

Autorzy (4)

Cytuj jako

Pełna treść

pełna treść publikacji nie jest dostępna w portalu

pełna treść artykułu zobacz w serwisie zewnętrznym otwiera się w nowej karcie

Słowa kluczowe

ATTENTION-OCR

Informacje szczegółowe

Kategoria:: Aktywność konferencyjna
Typ:: publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
Tytuł wydania:: Computer Information Systems and Industrial Management strony 3 - 11
Język:: angielski
Rok wydania:: 2019
Opis bibliograficzny:: Brzeski A., Grinholc K., Nowodworski K., Przybyłek A.: Evaluating Performance and Accuracy Improvements for Attention-OCR// Computer Information Systems and Industrial Management/ : , 2019, s.3-11
DOI:: Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1007/978-3-030-28957-7_1
Weryfikacja:: Politechnika Gdańska