用于场景文本识别的视觉注意力模型
计算机视觉与模式识别
2017-06-07 v1
摘要
本文提出了一种无词表的场景图像文本识别方法。该方法依赖于从卷积特征学习的基于LSTM的软视觉注意力模型。从对应图像不同区域的中间卷积层导出一组特征向量，这使得空间信息能够编码进图像表示中。这样，框架能够学习如何选择性地聚焦于图像的不同部分。在每个时间步，识别器根据学习到的注意力模型，利用卷积特征向量的加权组合输出一个字符。训练可仅使用词级标注端到端地进行。此外，我们展示了通过整合显式语言模型修改束搜索算法，能显著提升识别结果。我们在标准SVT和ICDAR'03场景文本数据集上验证了方法的性能，在无约束文本识别中达到了最先进水平。
引用
@article{arxiv.1706.01487,
title = {Visual attention models for scene text recognition},
author = {Suman K. Ghosh and Ernest Valveny and Andrew D. Bagdanov},
journal= {arXiv preprint arXiv:1706.01487},
year = {2017}
}