一种用于图像中文本定位与识别的多任务网络

我们提出了一种端到端可训练的多任务网络，解决复杂文档中无词典文本提取的问题。该网络同时解决文本定位和文本识别问题，文本片段的识别无需后处理、裁剪或词语分组。我们将卷积主干网络与特征金字塔网络相结合，提供共享表征以惠及三个模型头：文本定位、分类和文本识别。为提高识别准确率，我们描述了一种动态池化机制，在所有RoI上保留高分辨率信息。对于文本识别，我们提出了一种带注意力的卷积机制，其性能优于更常见的循环架构。我们的模型在基准数据集和可比方法上进行了评估，并在非传统OCR的困难场景下取得了高性能。