當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

【ACM 2020 - Text Recognition in the Wild：A Survey】OCR识别综述

發布時間：2023/12/8 编程问答 43 豆豆

生活随笔收集整理的這篇文章主要介紹了【ACM 2020 - Text Recognition in the Wild：A Survey】OCR识别综述小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

Introduction

1. 推動基于深度學習的STR發展三要素：
（1）先進的硬件系統：高性能計算支持訓練大規模識別網絡
（2）基于深度學習的STR算法能自動進行特征學習
（3）STR應用需求旺盛

BACKGROUND

STR基本問題：

（1）Text localization（文本定位）

Pan He, Weilin Huang, Tong He, Qile Zhu, Yu Qiao, and Xiaolin Li.Single shot text detector with regional attention. In Proceedings of ICCV. 3047–3055.
Fangneng Zhan and Shijian Lu. 2019. ESIR: End-to-end scene text recognition via iterative image rectification. In Proceedings of CVPR. 2059–2068.
Fang Yin, Rui Wu, Xiaoyang Yu, and Guanglu Sun. 2019. Video text localization based on Adaboost. Multimedia Tools and Applications 78, 5 (2019), 5345–5354.

（2）Text verification（文本驗證）

Tao Wang, David J Wu, Adam Coates, and Andrew Y Ng. 2012. End-to-end text recognition with convolutional neural networks. In Proceedings of ICPR. 3304–3308.
Max Jaderberg, Andrea Vedaldi, and Andrew Zisserman. 2014. Deep features for text spotting. In Proceedings of ECCV. 512–528.

（3）Text detection（文本檢測）
基于回歸：

Yuliang Liu and Lianwen Jin. 2017. Deep matching prior network: Toward tighter multi-oriented text detection. In Proceedings of CVPR. 1962–1969.
Yuliang Liu, Lianwen Jin, Shuaitao Zhang, Canjie Luo, and Sheng Zhang. 2019. Curved scene text detection via transverse and longitudinal sequence connection. Pattern Recognition 90 (2019), 337–345.

基于分割：

Yongchao Xu, Yukang Wang, Wei Zhou, Yongpan Wang, Zhibo Yang, and Xiang Bai. 2019. TextField: learning a deep direction field for irregular scene text detection. IEEE Transactions on Image Processing 28, 11 (2019), 5566–5579.
Yuliang Liu, Lianwen Jin, and Chuanming Fang. 2020. Arbitrarily Shaped Scene Text Detection with a Mask Tightness Text Detector. IEEE Transactions on Image Processing 29 (2020), 2918–2930.

（4）Text segmentation（文本分割）
單行分割：

Fangneng Zhan and Shijian Lu. 2019. ESIR: End-to-end scene text recognition via iterative image rectification. In Proceedings of CVPR. 2059–2068.

單字符分割（早期文字識別方法）：

Palaiahnakote Shivakumara, Souvik Bhowmick, Bolan Su, Chew Lim Tan, and Umapada Pal. 2011. A new gradient based character segmentation method for video text recognition. In Proceedings of ICDAR. 126–130
Anand Mishra, Karteek Alahari, and CV Jawahar. 2012. Scene text recognition using higher order language priors. In Proceedings of BMVC. 1–11.

（5）Text recognition（文本識別）

Zhanzhan Cheng, Fan Bai, Yunlu Xu, Gang Zheng, Shiliang Pu, and Shuigeng Zhou. 2017. Focusing attention: Towards accurate text recognition in natural images. In Proceedings of ICCV. 5086–5094.
Canjie Luo, Lianwen Jin, and Zenghui Sun. 2019. MORAN: A Multi-Object Rectified Attention Network for Scene Text Recognition. Pattern Recognition 90 (2019), 109–118.
Baoguang Shi, Mingkun Yang, Xinggang Wang, Pengyuan Lyu, Cong Yao, and Xiang Bai. 2019. ASTER: An Attentional Scene Text Recognizer with Flexible Rectification. IEEE Trans. Pattern Anal. Mach. Intell 41, 9 (2019), 2035–2048.

（6）End-to-end system（端到端）

Hui Li, Peng Wang, and Chunhua Shen. 2017. Towards end-to-end text spotting with convolutional recurrent neural networks. In Proceedings of ICCV. 5238–5246.
Tong He, Zhi Tian, Weilin Huang, Chunhua Shen, Yu Qiao, and Changming Sun. 2018. An end-to-end textspotter with explicit alignment and attention. In Proceedings of CVPR. 5020–5029.
Yuliang Liu, Hao Chen, Chunhua Shen, Tong He, Lianwen Jin, and Liangwei Wang. 2020. ABCNet: Real-time Scene Text Spotting with Adaptive Bezier-Curve Network. In Proceedings of CVPR.

其它：Script identification、Text enhancement、Text tracking、NLP

METHODOLOGIES

STR常見方法有基于單字符分割的方法和文本行識別的方法

1. 基于單字符分割
三個步驟：圖像處理，字符分割，單字符識別

Zhaoyi Wan, Mingling He, Haoran Chen, Xiang Bai, and Cong Yao. 2020.TextScanner: Reading Characters in Order for Robust Scene Text Recognition. In Proceedings of AAAI.
通過與語義分割實現字符級識別，通過構建兩個分支分別進行字符的分類和定位

存在的問題：
（1）字符定位被認為是STR中最具挑戰性的任務之一，識別效果受字符定位效果影響
（2）單字符識別未考慮到上下文語義信息，最終單詞級別效果可能較差

2. 文本行識別
四個步驟：圖像處理，特征提取，序列模型，文本行預測，其中第一步和第三部非必需

（1）圖像處理

背景移除
傳統的二值化方法可以應用到文檔圖像中，對于自然場景中的復雜圖像，可以借鑒GAN的方法移除背景

Canjie Luo, Qingxiang Lin, Yuliang Liu, Jin Lianwen, and Shen Chunhua. 2020. Separating Content from Style Using Adversarial Learning for Recognizing Text in the Wild. CoRR abs/2001.04189 (2020).（借助CANs的方法移除背景）

圖像超分
對于模糊且分辨率低的圖像，通過采用圖像超分的方法解決

Wenjia Wang, Enze Xie, Peize Sun, Wenhai Wang, Lixun Tian, Chunhua Shen, and Ping Luo. 2019. TextSR: Content-Aware Text Super-Resolution Guided by Recognition. CoRR abs/1909.07113 (2019).（首次將圖像超分與識別任務相結合）
https://github.com/JasonBoy1/TextZoom（超分+識別）

圖像整流
通過人為設計整流網絡應對不規則文本圖像，規范化圖像輸入

Max Jaderberg, Karen Simonyan, Andrew Zisserman, et al. 2015. Spatial transformer networks. In Proceedings of NIPS. 2017–2025.(STN)
Baoguang Shi, Mingkun Yang, Xinggang Wang, Pengyuan Lyu, Cong Yao, and Xiang Bai. 2019. ASTER: An Attentional Scene Text Recognizer with Flexible Rectification. IEEE Trans. Pattern Anal. Mach. Intell 41, 9 (2019), 2035–2048.(TPS)
Canjie Luo, Lianwen Jin, and Zenghui Sun. 2019. MORAN: A Multi-Object Rectified Attention Network for Scene Text Recognition. Pattern Recognition 90 (2019), 109–118.(提出多目標整流網絡，預測圖像每個部分的偏移量來糾正不規則文本)

（2）特征提取
圖像特征提取的效果直接影響到最終的識別性能，更深更先進的特征提取網絡能取得更好的效果，但是需要更高的內存開銷以及需要更大的算力支持，背景消除+簡單的特征提取網絡可能是未來發展的一個方向
基于CNN：

Xiao Yang, Dafang He, Zihan Zhou, Daniel Kifer, and C Lee Giles. 2017. Learning to read irregular text with attention mechanisms. In Proceedings of IJCAI. 3280–3286.（VGG）
Qingqing Wang, Wenjing Jia, Xiangjian He, Yue Lu, Michael Blumenstein, Ye Huang, and Shujing Lyu. 2019. ReELFA: A Scene Text Recognizer with Encoded Location and Focused Attention. In Proceedings of ICDAR: Workshops. 71–76.（VGG）
Baoguang Shi, Mingkun Yang, Xinggang Wang, Pengyuan Lyu, Cong Yao, and Xiang Bai. 2019. ASTER: An Attentional Scene Text Recognizer with Flexible Rectification. IEEE Trans. Pattern Anal. Mach. Intell 41, 9 (2019), 2035–2048.（ResNet）
Xiaoxue Chen, Tianwei Wang, Yuanzhi Zhu, Lianwen Jin, and Canjie Luo. 2020. Adaptive Embedding Gate for Attention-Based Scene Text Recognition. Neurocomputing 381 (2020), 261–271.（ResNet）
Yunze Gao, Yingying Chen, Jinqiao Wang, Ming Tang, and Hanqing Lu. 2018. Dense Chained Attention Network for Scene Text Recognition. In Proceedings of ICIP. 679–683.（DenseNet）
Yunze Gao, Yingying Chen, Jinqiao Wang, Ming Tang, and Hanqing Lu. 2019. Reading scene text with fully convolu-tional sequence modeling. Neurocomputing 339 (2019), 161–170.（DenseNet）

基于RCNN：

Chen-Yu Lee and Simon Osindero. 2016. Recursive recurrent nets with attention modeling for OCR in the wild. In Proceedings of CVPR. 2231–2239.
Jianfeng Wang and Xiaolin Hu. 2017. Gated recurrent convolution neural network for OCR. In Proceedings of NIPS. 335–344.

基于CNN+Attention：
考慮到直接用CNN提取特征可能會引入額外噪聲，因此結合Attention機制強化文本內容抑制背景

Yaping Zhang, Shuai Nie, Wenju Liu, Xing Xu, Dongxiang Zhang, and Heng Tao Shen. 2019. Sequence-To Sequence Domain Adaptation Network for Robust Text Image Recognition. In Proceedings of CVPR. 2740–2749.
Minghui Liao, Pengyuan Lyu, Minghang He, Cong Yao, Wenhao Wu, and Xiang Bai. 2019. Mask textspotter: An end-to-end trainable neural network for spotting text with arbitrary shapes. IEEE Trans. Pattern Anal. Mach. Intell (2019).
Yunlong Huang, Zenghui Sun, Lianwen Jin, and Canjie Luo. 2020. EPAN: Effective parts attention network for scene text recognition. Neurocomputing 376 (2020), 202–213.

（3）序列模型
序列模型被當作銜接圖像的視覺特征以及識別預測之間的橋梁，能夠捕獲字符的上下文信息用于下一時間階段的字符預測，因此比獨立的字符預測效果要好

雙向LSTM：能捕獲長序列依賴，但是由于RNN結構特性，無法并行化

Siwei Wang, Yongtao Wang, Xiaoran Qin, Qijie Zhao, and Zhi Tang. 2019. Scene Text Recognition via Gated Cascade Attention. In Proceedings of ICME. 1018–1023.
Mingkun Yang, Yushuo Guan, Minghui Liao, Xin He, Kaigui Bian, Song Bai, Cong Yao, and Xiang Bai. 2019. Symmetry-constrained rectification network for scene text recognition. In Proceedings of ICCV. 9147–9156.
Tianwei Wang, Yuanzhi Zhu, Lianwen Jin, Canjie Luo, Xiaoxue Chen, Yaqiang Wu, Qianying Wang, and Mingxiang Cai. 2020. Decoupled Attention Network for Text Recognition. In Proceedings of AAAI.
Jeonghun Baek, Geewook Kim, Junyeop Lee, Sungrae Park, Dongyoon Han, Sangdoo Yun, Seong Joon Oh, and Hwalsuk Lee. 2019. What is wrong with scene text recognition model comparisons? dataset and model analysis. In Proceedings of ICCV. 4714–4722.
Canjie Luo, Lianwen Jin, and Zenghui Sun. 2019. MORAN: A Multi-Object Rectified Attention Network for Scene Text Recognition. Pattern Recognition 90 (2019), 109–118.

CNN：CNN可以通過感受野控制進行長文本上下文信息建模，能并行化處理

Deli Yu, Xuan Li, Chengquan Zhang, Junyu Han, Jingtuo Liu, and Errui Ding. 2020. Towards Accurate Scene Text Recognition with Semantic Reasoning Networks. In Proceedings of CVPR.
Zhi Qiao, Yu Zhou, Dongbao Yang, Yucan Zhou, and Weiping Wang. 2020. SEED: Semantics Enhanced Encoder-Decoder Framework for Scene Text Recognition. In Proceedings of CVPR.

transformer：采用Attention機制進行圖像的序列化編碼，能并行化處理

Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, ?ukasz Kaiser, and Illia Polosukhin. 2017. Attention is all you need. In Proceedings of NIPS. 5998–6008.

（4）文本識別
對文本圖像的編碼特征進行解碼成對應的字符序列，主流的兩種方法為基于CTC和基于Attention機制

基于CTC方法：
CTC在語音識別和在線手寫識別上均有廣泛的應用，在STR中，CTC通過計算條件概率來實現識別這一任務，基于約定的映射關系，最大化輸入到輸出的所有可能路徑的條件概率和。此外，無需數據對齊標注就可以完成訓練過程。

Yunze Gao, Yingying Chen, Jinqiao Wang, Ming Tang, and Hanqing Lu. 2019. Reading scene text with fully convolutional sequence modeling. Neurocomputing 339 (2019), 161–170
Baoguang Shi, Xiang Bai, and Cong Yao. 2017. An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition. IEEE Trans. Pattern Anal. Mach. Intell 39, 11 (2017), 2298–2304.

CTC存在的問題：

CTC計算較為復雜，對于長文本計算量較大

峰值分布問題，對于重復模塊（重復字符）識別效果顯著下降
Alex Graves, Santiago Fernández, Faustino Gomez, and Jürgen Schmidhuber. 2006. Connectionist temporal classification: labelling unsegmented sequence data with recurrent neural networks. In Proceedings of ICML. 369–376.

CTC傾向于輸出過度自信、呈尖峰分布的預測結果，容易過擬合
-Hu Liu, Sheng Jin, and Changshui Zhang. 2018. Connectionist temporal classification with maximum entropy regularization. In Proceedings of NIPS. 831–841.
-code: https://github.com/liuhu-bigeye/enctc.crnn
提出一種基于最大熵的正則化方法對CTC算法進行改進

無法進行二維方向識別，對非常規文本行，縱向堆疊文本行無法識別
-Zhaoyi Wan, Fengming Xie, Yibo Liu, Xiang Bai, and Cong Yao. 2019. 2D-CTC for Scene Text Recognition. CoRR abs/1907.09705 (2019).
嘗試在高度方向增加一個維度計算CTC，但是最終改善效果有限

對CTC方法的其它改進：

Xinjie Feng, Hongxun Yao, and Shengping Zhang. 2019. Focal CTC Loss for Chinese Optical Character Recognition on Unbalanced Datasets. Complexity 2019 (2019), 9345861:1–9345861:11.
提出一種融合焦點損失的方法解決識別樣本不均衡的問題
Wenyang Hu, Xiaocong Cai, Jun Hou, Shuai Yi, and Zhiping Lin. 2020. GTC: Guided Training of CTC Towards Efficient and Accurate Scene Text Recognition. In Proceedings of AAAI.
采用圖卷積網絡提升CTC的準確率和魯棒性

基于Attention的方法：
Attention最初被[1]提出來用來做機器翻譯，后來也被用在圖像標題[2]、文本識別[3]、遙感影像分類[4]等場景，在STR場景中，通常與RNN結構相結合作為識別模塊，Attention機制通過對目標字符之前的輸出信息結合編碼過程中輸出的特征向量學習對齊特征

[1] Dzmitry Bahdanau, Kyunghyun Cho, and Yoshua Bengio. 2015. Neural machine translation by jointly learning to align and translate. In Proceedings of ICLR.
[2] Xinwei He, Yang Yang, Baoguang Shi, and Xiang Bai. 2019. VD-SAN: Visual-Densely Semantic Attention Network for Image Caption Generation. Neurocomputing 328 (2019), 48–55.
[3] Baoguang Shi, Mingkun Yang, Xinggang Wang, Pengyuan Lyu, Cong Yao, and Xiang Bai. 2019. ASTER: An Attentional Scene Text Recognizer with Flexible Rectification. IEEE Trans. Pattern Anal. Mach. Intell 41, 9 (2019), 2035–2048.
[4] Qi Wang, Shaoteng Liu, Jocelyn Chanussot, and Xuelong Li. 2018. Scene classification with recurrent attention of VHR remote sensing images. IEEE Transactions on Geoscience and Remote Sensing 57, 2 (2018), 1155–1167.

Attention應用于STR場景：

Baoguang Shi, Mingkun Yang, Xinggang Wang, Pengyuan Lyu, Cong Yao, and Xiang Bai. 2019. ASTER: An Attentional Scene Text Recognizer with Flexible Rectification. IEEE Trans. Pattern Anal. Mach. Intell 41, 9 (2019), 2035 2048.
Xiao Yang, Dafang He, Zihan Zhou, Daniel Kifer, and C Lee Giles. 2017. Learning to read irregular text with attention mechanisms. In Proceedings of IJCAI. 3280–3286.
Canjie Luo, Lianwen Jin, and Zenghui Sun. 2019. MORAN: A Multi-Object Rectified Attention Network for Scene Text Recognition. Pattern Recognition 90 (2019), 109–118.
Mingkun Yang, Yushuo Guan, Minghui Liao, Xin He, Kaigui Bian, Song Bai, Cong Yao, and Xiang Bai. 2019. Symmetry constrained rectification network for scene text recognition. In Proceedings of ICCV. 9147–9156.

基于Attention模型所進行的改進：

Applying to 2D prediction problems（應用于二維預測問題）
-Xiao Yang, Dafang He, Zihan Zhou, Daniel Kifer, and C Lee Giles. 2017. Learning to read irregular text with attention mechanisms. In Proceedings of IJCAI. 3280–3286.
-Hui Li, Peng Wang, Chunhua Shen, and Guyu Zhang. 2019. Show, attend and read: A simple and strong baseline for irregular text recognition. In Proceedings of AAAI. 8610–8617.
-Yunlong Huang, Zenghui Sun, Lianwen Jin, and Canjie Luo. 2020. EPAN: Effective parts attention network for scene text recognition. Neurocomputing 376 (2020), 202–213.

Improving the construction of implicit language model（用于隱式語言模型構建）
提出一種高階字符語言模型
-Xiaoxue Chen, Tianwei Wang, Yuanzhi Zhu, Lianwen Jin, and Canjie Luo. 2020. Adaptive Embedding Gate for
Attention-Based Scene Text Recognition. Neurocomputing 381 (2020), 261–271.
ASTER方法構建雙向注意力解碼器
-Baoguang Shi, Mingkun Yang, Xinggang Wang, Pengyuan Lyu, Cong Yao, and Xiang Bai. 2019. ASTER: An Attentional Scene Text Recognizer with Flexible Rectification. IEEE Trans. Pattern Anal. Mach. Intell 41, 9 (2019), 2035–2048.

Improving parallelization and reducing complexity（模型并行化）
transformer方法拋棄掉傳統的RNN結構，實現并行化處理
-Yiwei Zhu, Shilin Wang, Zheng Huang, and Kai Chen. 2019. Text Recognition in Images Based on Transformer with Hierarchical Attention. In Proceedings of ICIP. 1945–1949.
-Peng Wang, Lu Yang, Hui Li, Yuyan Deng, Chunhua Shen, and Yanning Zhang. 2019. A Simple and Robust Convolutional-Attention Network for Irregular Text Recognition. CoRR abs/1904.01375 (2019).
-Deli Yu, Xuan Li, Chengquan Zhang, Junyu Han, Jingtuo Liu, and Errui Ding. 2020. Towards Accurate Scene Text Recognition with Semantic Reasoning Networks. In Proceedings of CVPR.

Addressing attention drift（解決注意力偏移問題）
-Zhanzhan Cheng, Fan Bai, Yunlu Xu, Gang Zheng, Shiliang Pu, and Shuigeng Zhou. 2017. Focusing attention: Towards accurate text recognition in natural images. In Proceedings of ICCV. 5086–5094
-Yunlong Huang, Zenghui Sun, Lianwen Jin, and Canjie Luo. 2020. EPAN: Effective parts attention network for scene text recognition. Neurocomputing 376 (2020), 202–213.

Attention存在的問題：

依賴于attention模塊進行標簽對齊，需要較大的內存和算力開銷

對于長文本從頭開始訓練較為困難（注意力偏移導致）

目前基于attention的研究主要集中在字符類別較少的語言上，在中文識別領域，目前還沒有取得較好的應用

CTC和Attention結合：

Wenyang Hu, Xiaocong Cai, Jun Hou, Shuai Yi, and Zhiping Lin. 2020. GTC: Guided Training of CTC Towards Efficient and Accurate Scene Text Recognition. In Proceedings of AAAI.
Ron Litman, Oron Anschel, Shahar Tsiper, Roee Litman, Shai Mazor, and R. Manmatha. 2020. SCATTER: Selective Context Attentional Scene Text Recognizer. In Proceedings of CVPR.

CTC和Attention對比：
單詞級別：Attention效果更好
句子級別：CTC效果更好

Fuze Cong, Wenping Hu, Huo Qiang, and Li Guo. 2019. A Comparative Study of Attention-based Encoder Decoder Approaches to Natural Scene Text Recognition. In Proceedings of ICDAR. 916–921.

端到端系統：
非端到端系統通常是將檢測和識別當作兩個獨立的子任務進行串聯起來，實現圖像中文本內容的定位與識別，而端到端的系統檢測和識別則是共享同一個網絡，共同參與網絡的訓練過程，通常也包括文本框的定位，文本內容的識別以及后處理三個部分
端到端系統的優點：
（1）將檢測和識別拆分為兩個獨立的任務，會產生累計誤差，端到端由于是同時訓練檢測和識別部分，因此不會產生累計誤差
（2）檢測和識別部分共享網絡參數，共享訓練數據，因此可以整體進行優化
（3）在不同的場景中能快速地遷移應用，數據依賴程度較低
（4）執行速度快，內存開銷小
缺陷：
（1）網絡結構設計較難，檢測和識別之間的銜接及信息共享
（2）檢測和識別任務在網絡學習及收斂過程中存在明顯的差異性，較難權衡二者之間的關系
（3）聯合訓練的存在較大的優化空間

端到端的方法比較

EVALUATIONS AND PROTOCOLS

數據集：包含合成數據集和真實數據集

合成數據集：Synth90k， SynthText， Verisimilar Synthesis， UnrealText
真實數據集：常規拉丁文（IIIT5K-Words (IIIT5K)， Street View Text (SVT)， ICDAR 2003 (IC03)， ICDAR 2011 (IC11)， ICDAR 2013 (IC13)， Street View House Number (SVHN)）；非常規拉丁文（SVT-P， CUTE， IC15， COCO-Text， Total-Text）；中文自然場景數據集（RCTW-17)， MTWI， CTW， LSVT， ArT等）

識別評價指標：

單詞識別準確率：

\frac {W_r}{W}

，其中

W_r

表示識別正確的單詞，

W

表示所有待識別的單詞

編輯距離：

\frac{1}{N} ∑?^N_{i=1}D(s_i, \overset{-}{s_i})/max(l_i, \overset{-}{l_i})

，其中

s_i

和

si?\overset{-}{s_i}

分別表示預測的結果和真實標簽，

l

代表字符串長度

端到端的系統評價指標：

從多個方面綜合評價，包括準確率，召回率，以及基于NED計算的F1指標

A E D

:計算每一張圖像的NED，累加起來除以測試圖像數量

DISCUSSION AND FUTURE DIRECTIONS

STR盡管已經取得非常明顯的突破，但是還有許多需要進步的地方，STR在未來的發展方向可以有以下幾個方面：

通用能力的提升：在特定簡單場景下，STR能取得較好的效果，但是當場景發生改變，且更加復雜，STR訓練的模型往往需要重新推倒重來，這不符合人類語言學習的方式，沒有從根本上理解語言信息，因此，除了加入更多更加復雜的數據之外，還需要繼續探索模型在圖像視覺和語義上的理解能力

評估指標：盡管許多模型都宣稱自身達到了state-of-the-art的效果，但是由于其采用的訓練數據集不統一，先驗條件和測試環境不一致，因此很難公平的評估模型之間的差異性

數據問題：由于真實標注數據的缺失，目前主流的方法都是基于大量的合成數據上訓練，在真實數據上驗證，這將使得模型的效果受限，而標注大規模高質量的真實數據代價十分昂貴，因此，后續的工作可以考慮（1）盡可能合成更加真實的數據，縮小合成數據與真實數據之間的距離，（2）充分利用起未標注的真實數據來（3）更好的數據增強方式

應用場景：目前STR在特定理想化的場景中效果較好，但在真實場景中往往表現較差，因此，更加通用化的模型以及具體場景中精度更高的模型需要繼續探索研究

圖像處理：一些圖像處理技術比如背景移除，圖像超分等可以幫助我們的模型提升識別精度

端到端系統：相較于獨立的檢測和識別任務，端到端的優勢在于模型執行速度更快，內存開銷更小，不會產生累計偏差，但是，目前端到端的性能相對較差，沒有一個好的方法將檢測部分和識別部分更好地融合起來，充分共享網絡參數，降低檢測任務和識別任務本身特性產生的學習差異性

不同的語言：目前基于拉丁語言開發出的模型不能很好的應用到其它語言中，比如中文包含幾千類字符，面對大規模字符集的語言，相關研究缺乏

安全性：通過對圖像添加一些人眼看不出來的噪聲，就可以使得目前深度學習的模型失效，因此，模型的安全性研究也是未來的一個方向

STR+NLP：自然語言處理是建立起人類與計算機之間溝通的橋梁，STR與NLP相結合也是未來發展的一大趨勢，如文檔理解，問答系統，信息提取等

資料

論文地址：https://arxiv.org/abs/2005.03492
https://github.com/HCIILAB/Scene-Text-Recognition

總結

以上是生活随笔為你收集整理的【ACM 2020 - Text Recognition in the Wild：A Survey】OCR识别综述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。