HCKC:用于机器学习任务的历史密码密钥组件标注数据集
《IEEE Transactions on Aerospace and Electronic Systems》:HCKC: A Dataset of Historical Cipher Key Component Annotations for Machine Learning Tasks
【字体:
大
中
小
】
时间:2026年08月28日
来源:IEEE Transactions on Aerospace and Electronic Systems 7.0
编辑推荐:
摘要:密码密钥组件的实例分割构成了历史密码和文档布局分析领域中手写文档处理任务的关键步骤。解决此类复杂的模式识别问题需要稳健且标注良好的数据集。尽管许多档案馆在物理上保存了大量的历史密码密钥,但目前没有专门为密码密钥布局分析中的机器学习应用而设计的公开可用数字数据集。为了弥合
摘要:
密码密钥组件的实例分割构成了历史密码和文档布局分析领域中手写文档处理任务的关键步骤。解决此类复杂的模式识别问题需要稳健且标注良好的数据集。尽管许多档案馆在物理上保存了大量的历史密码密钥,但目前没有专门为密码密钥布局分析中的机器学习应用而设计的公开可用数字数据集。为了弥合这一差距,我们提出了一个新构建的全面标注的子加密组件数据集,这些组件构成了命名法密码密钥——即历史密码密钥组件(HCKC)数据集。在本工作的范围内,我们实验了基于 CNN 和基于 Transformer 的实例分割模型,以确定它们的基准性能,同时保持默认模型超参数不变。在我们的方法论中,我们选择了 YOLO 系列的各种模型来代表 CNN 架构,同时选择 RF-DETR 和 Mask2Former 来代表基于 Transformer 的架构。我们专注于实验数据增强和类别不平衡处理的影响,通过评估三种增强策略(无增强、模型默认增强和自定义增强流程)以及合成数据平衡方法(无、软和强)来进行。尽管所有调查的 YOLO 版本和架构都取得了相对一致的结果,但 YOLOv26 (m) 在结合我们的自定义增强和软平衡时表现最佳,在测试集上实现了 mAP50=0.910 和 mAP50-95=0.708 。在基于 Transformer 的模型中,Mask2Former (l) 在结合我们的自定义增强但不添加额外合成数据时也表现最佳,在测试集上实现了 mAP50=0.826 和 mAP50-95=0.651 。RF-DETR (l) 在无增强且不使用额外合成数据时表现最佳,实现了 $mAP_{...
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号