摘要

文本识别因其广泛的应用前景而受到广泛关注。当前先进的文本识别方法主要基于注意力机制。然而，大多数注意力机制方法由于依赖历史解码结果进行递归对齐操作，往往面临严重的对齐问题。为解决这一问题，本文提出一种解耦注意力网络（Decoupled Attention Network, DAN），该方法将对齐操作与历史解码结果解耦，从而摆脱对先前解码结果的依赖。DAN是一种高效、灵活且鲁棒的端到端文本识别框架，由三个核心组件构成：1）特征编码器，用于从输入图像中提取视觉特征；2）卷积对齐模块，基于编码器输出的视觉特征完成对齐操作；3）解耦文本解码器，通过联合使用特征图与注意力图进行最终预测。实验结果表明，DAN在多项文本识别任务中均取得了当前最优性能，涵盖离线手写文本识别以及规则与非规则场景文本识别。