Références

Les publications sur ce sujet sont peu nombreuses. Nous avons rassemblé quelques références représentatives pour servir de point de départ à la recherche.

Aperçu comparatif

Modèlesbg01bg02bg03bg04bg05Global
HU-PageScan [1]-----0.9923
Advanced Hough [2]0.98860.98580.98960.9806-0.9866
LDRNet [4]0.98770.98380.98620.98020.98580.9849
Coarse-to-Fine [3]0.98760.98390.98300.98430.96140.9823
SEECS-NUST-2 [3]0.98320.97240.98300.96950.94780.9743
LDRE [5]0.98690.97750.98890.98370.86130.9716
SmartEngines [5]0.98850.98330.98970.97850.68840.9548
NetEase [5]0.96240.95520.96210.95110.22180.8820
RPPDI-UPE [5]0.82740.91040.96970.36490.21620.7408
SEECS-NUST [5]0.88750.82640.78320.78110.01130.7393

Liste des publications

  1. HU-PageScan est un modèle de segmentation fondé sur la classification des pixels. Malgré de bons résultats, sa taille et son coût de calcul sont importants. Il résiste mal aux occultations partielles, par exemple lorsqu’un doigt masque un coin du document, ce qui limite son utilisation pratique.

  1. Advanced Hough est une approche de vision par ordinateur classique. Elle donne de bons résultats, mais reste sensible à l’éclairage et aux angles de prise de vue.

  1. Coarse-to-Fine et SEECS-NUST-2 sont des modèles basés sur l'apprentissage profond qui utilisent une stratégie d'optimisation récursive. Bien qu'efficaces, ils sont lents.

  1. LDRNet est un modèle d’apprentissage profond que nous avons testé avec les poids fournis par ses auteurs. Dans nos essais, il semblait fortement adapté à SmartDoc 2015 et généralisait mal à d’autres situations. L’ajout d’autres données d’entraînement n’a pas donné les résultats espérés, peut-être en raison d’une fusion des caractéristiques insuffisante dans l’architecture.

  1. LDRE, SmartEngines, NetEase, RPPDI-UPE, SEECS-NUST sont tous des modèles de vision par ordinateur classique.