摘要

近年来，文本识别领域的研究取得了显著进展，推动了识别性能迈向新的高度。然而，长期以来，由于缺乏大规模人工标注的自然场景文本识别数据集，研究人员不得不依赖合成数据来训练文本识别模型。尽管合成数据集规模庞大（如最为著名的MJSynth和SynthTest数据集，均包含数百万张图像），但其多样性仍难以与真实场景数据集（如ICDAR等）相媲美。值得庆幸的是，近期发布的OpenImages V5数据集中的文本识别标注数据，不仅在样本数量上可与合成数据集比肩，且包含更具多样性的实例。我们采用该标注数据，并结合Yet Another Mask Text Spotter中的文本识别头（Text Recognition head）架构，取得了与当前最优（SOTA）方法相当的性能；在部分数据集上，甚至超越了以往的SOTA模型。本文还提出了一种新的文本识别模型，其代码已公开。