摘要

卷积神经网络（CNN）在手写文本识别（Handwritten Text Recognition, HTR）任务中已展现出令人瞩目的成果，但在性能上仍落后于基于循环神经网络（RNN）或Transformer的模型。本文提出一种基于CNN的新型架构，旨在缩小这一性能差距。我们的工作名为Easter2.0，其结构由多层一维卷积（1D Convolution）、批量归一化（Batch Normalization）、ReLU激活函数、Dropout、密集残差连接（Dense Residual Connection）、挤压-激励模块（Squeeze-and-Excitation module）组成，并采用连接时序分类（Connectionist Temporal Classification, CTC）损失函数进行训练。此外，我们提出了一种简单而有效的数据增强技术——“拼贴与破坏”（Tiling and Corruption, TACO），该方法特别适用于HTR/OCR任务。在仅使用公开可用训练数据的情况下，Easter2.0在IAM手写文本数据库上取得了当前最先进的识别性能。实验结果表明，TACO增强策略与挤压-激励（SE）模块均显著提升了文本识别的准确率。进一步研究还证明，Easter2.0在少样本学习（few-shot learning）任务中表现优异，在有限标注数据条件下，其性能超越了当前主流方法，包括基于Transformer的模型。代码与预训练模型已开源，地址为：https://github.com/kartikgill/Easter2