DAN：一种用于手写文档识别的无分割文档注意力网络
计算机视觉与模式识别
2023-01-12 v4
摘要
无约束手写文本识别是一项具有挑战性的计算机视觉任务。传统上采用两步法，结合行分割与文本行识别。我们首次提出一种用于手写文档识别任务的端到端无分割架构：文档注意力网络（Document Attention Network）。除文本识别外，该模型还以类 XML 方式使用起止标签对文本部分进行标注训练。模型由用于特征提取的 FCN 编码器与一叠 transformer 解码器层组成，以进行递归的逐 token 预测过程。它接收整页文本文档作为输入，顺序输出字符以及逻辑版面 token。与现有基于分割的方法相反，该模型训练时未使用任何分割标签。我们在 READ 2016 数据集的页级与双页级分别取得具竞争力的结果，CER 分别为 3.43% 与 3.70%。我们还给出了在 RIMES 2009 数据集页级的结果，CER 达 4.54%。我们在 https://github.com/FactoDeepLearning/DAN 提供全部源代码与预训练模型权重。
引用
@article{arxiv.2203.12273,
title = {DAN: a Segmentation-free Document Attention Network for Handwritten Document Recognition},
author = {Denis Coquenet and Clément Chatelain and Thierry Paquet},
journal= {arXiv preprint arXiv:2203.12273},
year = {2023}
}