摘要

无约束手写文本识别是文档分析中的关键任务，通常采用两步法实现：首先将文档图像分割为文本行，然后对每行图像应用光学字符识别（OCR）模型。本文提出一种名为“简单预测与对齐网络”（Simple Predict & Align Network, SPAN）的端到端、无需循环结构的全卷积网络，可在段落级别直接完成OCR任务，无需任何预分割步骤。该框架的结构简洁，与孤立文本行识别模型相当，且在三个主流数据集（RIMES、IAM和READ 2016）上取得了具有竞争力的识别性能。所提出的模型无需针对特定数据集进行适配，可从零开始训练，无需分割标签，且其转录标签中无需标注行分隔符。项目代码及训练好的模型权重已公开，详见：https://github.com/FactoDeepLearning/SPAN。