MASTER：用于场景文本识别的多方面非局部网络
计算机视觉与模式识别
2021-04-13 v3
摘要
基于注意力的场景文本识别器取得了巨大成功，其利用更紧凑的中间表示，通过基于 RNN 的编码器-解码器架构学习一维或二维注意力。然而，由于编码特征间高度相似导致在基于 RNN 的局部注意力机制下出现注意力混淆，此类方法存在注意力漂移问题。此外，基于 RNN 的方法因并行性差而效率低下。为克服这些问题，我们提出 MASTER，一种基于自注意力的场景文本识别器，其（1）不仅对输入-输出注意力进行编码，还学习自注意力，在编码器和解码器内部编码特征-特征与目标-目标关系；（2）学习对空间畸变更强大且鲁棒的中间表示；（3）因高训练并行化而拥有极佳训练效率，并因高效的内存缓存机制而具备高速推理。在多个基准上的大量实验表明，我们的 MASTER 在规则与不规则场景文本上均具有优越性能。Pytorch 代码见 https://github.com/wenwenyu/MASTER-pytorch，Tensorflow 代码见 https://github.com/jiangxiluning/MASTER-TF。
引用
@article{arxiv.1910.02562,
title = {MASTER: Multi-Aspect Non-local Network for Scene Text Recognition},
author = {Ning Lu and Wenwen Yu and Xianbiao Qi and Yihao Chen and Ping Gong and Rong Xiao and Xiang Bai},
journal= {arXiv preprint arXiv:1910.02562},
year = {2021}
}
备注
Accepted by Pattern Recognition. Ning Lu and Wenwen Yu are co-first authors