基于子字符串匹配的超长文本识别

场景文本识别（STR）方法在词级文本识别方面表现出色。然而，在实际应用中，文本图像有时因检测到多个水平单词而变得很长，这就需要从现有的短文本数据集构建长文本识别模型，这一问题以前鲜有研究。本文将此任务称为超出长度（Out of Length, OOL）文本识别。我们建立了第一个长文本基准（Long Text Benchmark, LTB），以便评估不同方法在长文本识别中的表现。同时，我们提出了一种新方法，称为基于子字符串匹配的超长文本识别（OOL Text Recognition with sub-String Matching, SMTR）。SMTR由两个基于交叉注意力的模块组成：一个模块将包含多个字符的子字符串编码为下一个和上一个查询，另一个模块利用这些查询注意力图像特征，匹配子字符串并同时识别其下一个和上一个字符。SMTR可以通过迭代上述过程来识别任意长度的文本。为避免陷入对高度相似子字符串的识别，我们引入一种正则化训练，迫使SMTR有效地发现相似子字符串之间的细微差异以实现精确匹配。此外，我们提出了一种推理增强策略，以缓解同一文本中相同子字符串导致的混淆，并提高整体识别效率。大量实验结果表明，SMTR即使仅在短文本数据集上训练，也能在公开的短文本基准测试中超越现有方法，并在LTB上显著优于现有方法。代码：https://github.com/Topdu/OpenOCR。