Effective Practices of Using Spatial Models in Document Image Classification

В данной статье представлен новый подход к моделированию структуры изображений документов для задач классификации. Каждое из изображений документов рассматривается как реализация стохастического точечного процесса. Для описания структуры документа используются оценки свойств точечного процесса. Основная цель данной статьи - определить тип нового документа с помощью непараметрического метода классификации. Предлагается метод классификации функциональных свойств точечных процессов, основанный на понятии статистической глубины. Рассмотрены практические вопросы проведения эксперимента. Проведенное моделирование на реальных данных показали эффективность предложенного подхода.

Ключевые слова

гибкий документ; классификация; точечный процесс; воспроизводимые точечные паттерны; глубина; DD-диаграмма; alpha-процедура.

Литература

1. Slavin O.A. Using Special Text Points in the Recognition of Documents. Cyber-Physical Systems: Advances in Design and Modelling, 2020, pp. 43-53.
2. Chen Nawei., Blostein D. A Survey of Document Image Classification: Problem Statement, Classifier Architecture and Performance Evaluation. International Journal of Document Analysis and Recognition, 2007, vol. 10, pp. 1-16. DOI: 10.1007/s10032-006-0020-2
3. Li Liu, Zhiyu Wang, Taorong Qiu, Qiu Chen, Yue Lu, Ching Y. Suen. Document Image Classification: Progress Over Two Decades. Neurocomputing, 2021, vol. 453, pp. 223-240. DOI: 10.1016/j.neucom.2021.04.114.
4. Gaceb D., Eglin V., Lebourgeois F. Classification of Business Documents for Real-Time Application. Journal of Real-Time Image Processing, 2014, vol. 9, no. 2, pp. 329-345. DOI: 10.1007/s11554-011-0227-4
5. Pawlasova K., Dvovrak J. Supervised Nonparametric Classification in the Context of Replicated Point Patterns. Image Analysis and Stereology, 2022, vol. 41, no. 2, pp. 57-109. DOI: 10.5566/ias.2652
6. Illian J., Penttinen A., Stoyan H., Stoyan D. Statistical Analysis and Modelling of Spatial Point Patterns. Chichester, John Wiley and Sons, 2008.
7. Hahn U. A Studentized Permutation Test for the Comparison of Spatial Point Patterns. Journal of the American Statistical Association, 2012, vol. 107, pp. 754-764. DOI: 10.1080/01621459.2012.688463
8. Baddeley A., Turner R. Spatstat: an R Package for Analyzing Spatial Point Patterns. Journal of Statistical Software, 2005, vol. 12, no. 6, pp. 1-42. DOI: 10.18637/jss.v012.i06
9. Baddeley A., Rubak E., Turner R. Spatial Point Patterns: Methodology and Applications with R. Boca Raton, London, New York, CRC press, 2015.
10. Mahalanobis P.C. On the Generalized Distance in Statistics. National Institute of Science of India, 1936, vol. 2, no. 2, pp. 49-55.
11. Baillo A., Cuevas A., Fraiman R. Classification Methods for Functional Data. The Oxford Handbook of Functional Data Analysis, Oxford, Oxford University Press, 2010, pp. 259-297.
12. Mosler K., Mozharovskyi P. Fast DD-Classification of Functional Data. Statistical Papers 58, 2017, vol. 4, pp. 1055-1089. DOI: 10.1007/s00362-015-0738-3
13. Pokotylo O., Mozharovskyi P., Dyckerhoff R. Depth and Depth-Based Classification with R-Package Ddalpha. Journal of Statistical Software, 2019, vol. 91, no. 5, pp. 1-46. DOI: 10.18637/jss.v091.i05
14. Li Jun, Cuesta-Albertos J.A., Liu R.Y. DD-Classifier: Nonparametric Classification Procedure Based on DD-plot. Journal of the American Statistical Association, 2012, vol. 107, no. 498, pp. 737-753. DOI: 10.1080/01621459.2012.688462
15. Vardi Y., Cun-Hui Zhang. The Multivariate L_1-Median and Associated Data Depth. Proceedings of the National Academy of Sciences, 2000, vol. 97, no. 4, pp. 1423-1426. DOI: 10.1073/pnas.97.4.142
16. Zuo Yijun, Serfling R. General Notions of Statistical Depth Function. Annals of statistics, 2000, vol. 28, no. 2, pp. 461-482. DOI: 10.1214/aos/1016218226