Meta-DAN：面向页面级手写文本识别的高效预测策略
计算机视觉与模式识别
2026-03-03 v2
摘要
近期的文本识别技术进步推动了页面级识别方法范式的转变，从基于分段的多步骤方法，转向基于注意力的端到端方法。然而，朴素的字符级自回归解码过程导致预测时间较长：在现代 GPU 上处理单个页面图像需数秒。我们提出了元文档注意力网络（Meta-DAN），作为一种新的解码策略，以降低预测时间的同时实现更好的上下文建模。它依赖两个主要组件：窗口查询，用于整体处理多个 transformer 查询，扩大对近期未来情境的建模；以及多 token 预测，其目标是每个查询预测多个 token 而非仅预测下一个。我们在 10 个完整页面手写数据集上评估了所提出的方法，依据字符错误率平均水平实现了状态最佳效果。源代码和训练模型权重已提供：https://github.com/FactoDeepLearning/meta_dan。
关键词
引用
@article{arxiv.2504.03349,
title = {Meta-DAN: towards an efficient prediction strategy for page-level handwritten text recognition},
author = {Denis Coquenet},
journal= {arXiv preprint arXiv:2504.03349},
year = {2026}
}