DeepFont: Ihre Schriftart aus einem Bild identifizieren

Da die Schriftart eines der zentralen Designkonzepte ist, steht die automatische Identifizierung von Schriftarten und Vorschläge ähnlicher Schriftarten aus einem Bild oder Foto seit langem auf der Wunschliste vieler Designer. In dieser Studie untersuchen wir das Problem der visuellen Schriftartenerkennung (VFR) und erweitern den Stand der Technik durch die Entwicklung des DeepFont-Systems erheblich. Zunächst erstellen wir den ersten verfügbaren großen VFR-Datensatz, namens AdobeVFR, der sowohl etikettierte synthetische Daten als auch teilweise etikettierte reale Daten umfasst. Anschließend, um das Domänenmissverhältnis zwischen den verfügbaren Trainings- und Testdaten zu bewältigen, führen wir einen Ansatz zur Zerlegung von Faltungsneuronalen Netzen (CNN) ein, bei dem eine Domänenanpassungstechnik basierend auf einem gestapelten Faltungs-Auto-Encoder (SCAE) verwendet wird. Diese Technik nutzt ein großes Korpus von nicht etikettierten realen Textbildern in Kombination mit auf eine spezifische Weise vorverarbeiteten synthetischen Daten. Darüber hinaus untersuchen wir einen neuen lernbasierten Ansatz zur Modellkompression, um die Größe des DeepFont-Modells zu reduzieren, ohne dessen Leistungsfähigkeit zu beeinträchtigen. Das DeepFont-System erreicht eine Genauigkeit von mehr als 80 % (Top-5) auf unserem gesammelten Datensatz und erzeugt auch eine gute Schriftartähnlichkeitsmessung für die Auswahl und den Vorschlag von Schriftarten. Wir schaffen es außerdem, das Modell um etwa das Sechsfache zu komprimieren, ohne sichtbare Verluste in der Erkennungsrate festzustellen.