摘要

我们提出一种基于神经网络的 handwritten text recognition（手写文本识别，HTR）模型架构，该架构无需图像分割即可训练识别整页的手写或印刷文本。该模型基于图像到序列（Image-to-Sequence）的架构，能够从图像中提取文本并准确地还原其顺序，且对文本与非文本内容的朝向、布局及尺寸均无任何约束。此外，该模型还可训练生成与格式、布局和内容相关的辅助标记信息。通过采用字符级词汇表，模型可支持任意主题的语言与专业术语。在IAM数据集上的段落级识别任务中，该模型达到了当前最先进的性能水平。在真实世界手写自由格式答题文本扫描件的评估中（此类文本常包含弯曲或倾斜的笔迹、绘图、表格、数学公式、化学符号等复杂元素），其识别效果优于所有现有的商用HTR云API。目前，该模型已集成至一款商业化网络应用中并投入生产环境使用。