WeText: Erkennung von Szenentexten unter schwacher Aufsicht

Die Anforderung großer Mengen an annotierten Trainingsdaten ist zu einer allgemeinen Einschränkung für verschiedene Systeme des tiefen Lernens geworden. In diesem Papier schlagen wir eine schwach überwachte Methode zur Erkennung von Szenentexten (WeText) vor, die robuste und genaue Modelle zur Erkennung von Szenentexten trainiert, indem sie aus nicht annotierten oder schwach annotierten Daten lernt. Mit einem "leichten" überwachten Modell, das auf einem kleinen vollständig annotierten Datensatz trainiert wurde, untersuchen wir das semi-überwachte und schwach überwachte Lernen auf einem großen nicht annotierten Datensatz bzw. einem großen schwach annotierten Datensatz. Für das unüberwachte Lernen wird das leicht überwachte Modell auf den nicht annotierten Datensatz angewendet, um weitere Trainingsbeispiele für Zeichen zu suchen, die dann mit dem kleinen annotierten Datensatz kombiniert werden, um ein überlegenes Modell zur Zeichenerkennung neu zu trainieren. Für das schwach überwachte Lernen wird die Zeichensuche durch hochrangige Annotationen von Wörtern/Textzeilen geleitet, die weit verbreitet und auch viel einfacher vorzubereiten sind. Darüber hinaus entwerfen wir einen einheitlichen Detektor für Szenenzeichen, indem wir tiefen Netzwerken basierte Regression anpassen, was das Problem der Fehlerakkumulation, das in den meisten traditionellen Ansätzen weit verbreitet ist, erheblich lindert. Umfangreiche Experimente an verschiedenen nicht annotierten und schwach annotierten Datensätzen zeigen, dass die Leistung der Szenentext-Erkennung unter beiden Szenarien deutlich gesteigert werden kann, wobei das schwach überwachte Lernen die neueste Leistung mit nur 229 vollständig annotierten Szenentextbildern erreichen kann.