摘要

近年来，许多新的场景文本识别（STR）模型提案被提出。尽管每种模型都声称推动了该技术的边界，但由于训练和评估数据集选择的不一致，该领域一直缺乏全面而公正的比较。本文通过三项主要贡献解决了这一难题。首先，我们考察了训练和评估数据集的不一致性及其导致的性能差距。其次，我们引入了一个统一的四阶段STR框架，大多数现有的STR模型都可以纳入其中。利用这一框架可以对之前提出的STR模块进行广泛的评估，并发现以前未探索的模块组合。最后，我们在一个一致的训练和评估数据集集合下，从准确性、速度和内存需求等方面分析了各模块对性能的贡献。这些分析消除了当前比较中的障碍，有助于理解现有模块性能提升的原因。