종이 문서를 다시 쓰는 수요가 커지면서, 손글씨와 인쇄문자를 정확히 나누는 일은 문서 디지털화의 핵심 단계가 됐다. 이 연구는 계산 자원이 제한된 장치에서도 돌아가도록 설계한 경량 프레임워크를 제시한다. 문장 수준 연결요소를 먼저 모으고, 이어 지역 정보를 반영한 손글씨 설명자(RHD)를 만들어 손글씨와 인쇄문자를 가른다. 동료검토 전 arXiv 프리프린트 상태이며, 핵심 검증은 자체 구축 데이터셋 MAD-HPTS와 공개 벤치마크 PHD-AS에서 이뤄졌다.
출발점은 Sentence-level Connected Component Segmentation이다. 문서 이미지에서 좌우 이웃 문자를 찾아 연결하고, 잘못 합쳐진 겹침은 다시 분리해 문장 수준 연결요소(SCC)를 만든다. 그 뒤 RHD는 각 문장을 동심 환으로 나눠 통계적 순간을 계산해 손글씨의 변이를 포착한다. 여기에 복잡한 딥러닝 대신 일반적인 분류기를 붙일 수 있다는 점이 이 방법의 특징이다. 설명자 자체가 분류기 선택에 둔감하다는 점도 함께 제시된다.
비교 실험은 전통적 기계학습 특징과 경량 딥러닝 기준선까지 포함했다. MAD-HPTS에서 RHD는 FCN 대비 정확도가 1.4% 낮았지만 추론 시간은 1/8 미만이었다. 같은 데이터에서 기계학습 계열 방법들과 비교하면 RHD의 정확도는 96.9%, 실행 시간은 8.7초로 보고됐다. PHD-AS에서는 RHD가 83.8% 정확도와 0.4초 실행 시간을 보였고, 표의 비교 대상들보다 빠르거나 정확도가 높게 제시됐다.
하드웨어 검증도 따로 수행했다. RK3576 엣지 장치에서 6,000장의 시험 이미지, 즉 MAD-HPTS에서 무작위로 뽑은 손글씨 3,000장과 인쇄문자 3,000장을 대상으로 실험했다. 여기서 RHD는 95.9% 정확도와 10.8초 실행 시간을 기록했다. 같은 표에서 다음으로 높은 정확도와 비교해 약 2% 높았고, 런타임은 약 45% 줄었다고 적었다. 이 결과는 단순 통계 특징만으로도 저전력 배치에 유리할 수 있음을 보여준다.
데이터셋 구성도 눈에 띈다. MAD-HPTS는 영어, 중국어, 일본어의 문장 수준 주석을 포함한 다국어 고품질 주석 데이터셋으로, 여러 저자, 펜 종류, 스캐너, 문서 출처 등 다양한 실제 상황을 담았다고 소개한다. PHD-AS는 Paddle AI Studio 커뮤니티의 Printed Handwritten Data에서 유래한 공개 벤치마크로, 기울어짐과 모션 블러, 배경 잡음이 있는 실제 이미지를 포함한다. 이 둘을 함께 사용해 일반화 가능성을 확인하려 했다.
| 항목 | 값 |
|---|---|
| MAD-HPTS 구성 | 영어·중국어·일본어 문장 수준 주석, 실제 문서 상황 포함 |
| MAD-HPTS 성능 | 정확도 96.9%, 실행 시간 8.7초 |
| MAD-HPTS 딥러닝 비교 | FCN 정확도 98.3%, 실행 시간 67.5초; RHD는 정확도 1.4% 낮고 1/8 미만 시간 |
| RK3576 검증 | 정확도 95.9%, 실행 시간 10.8초; 6,000장 시험 이미지 |
자료: STORIUM 정리
정리하면, 이 논문은 문장 단위 연결요소와 지역 인지 손글씨 설명자를 결합해 손글씨·인쇄문자 분할을 경량화하는 방법을 제안한다. 가장 큰 장점은 복잡한 신경망 없이도 성능을 유지하면서 추론 시간을 크게 줄였다는 점이다. 반면 원문에 제시된 범위 안에서는 정밀도, 속도, 장치 검증이 MAD-HPTS와 PHD-AS, RK3576에 한정된다. 다른 문서 유형이나 더 넓은 실제 운영 환경으로의 확장은 확인되지 않았다.
저작권자 © STORIUM 무단전재 및 재배포 금지
