摘要

不规则文本在实际应用中广泛存在。然而，由于其多样的形状和扭曲的模式，识别起来相当困难。本文因此提出了一种用于通用场景文本识别的多对象校正注意力网络（MORAN）。MORAN由一个多对象校正网络和一个基于注意力的序列识别网络组成。多对象校正网络旨在对包含不规则文本的图像进行校正，从而降低识别难度，并使基于注意力的序列识别网络更容易读取不规则文本。该网络以弱监督的方式进行训练，因此只需要图像及其对应的文本标签。基于注意力的序列识别网络专注于目标字符并依次输出预测结果。此外，为了提高基于注意力的序列识别网络的敏感度，提出了一种分数拾取方法（fractional pickup method），用于训练阶段中的基于注意力的解码器。通过这种校正机制，MORAN能够读取规则和不规则场景文本。我们进行了广泛的实验，结果表明MORAN在各种基准测试中达到了最先进的性能。源代码已公开可用。