论文标题：Vision Transformer for Fast and Efficient Scene Text Recognition

论文链接：https://arxiv.org/abs/2105.08582

代码链接：https://github.com/roatienza/deep-text-recognition-benchmark

作者单位：菲律宾大学

又好又快！简单的单阶段模型，强调准确率、速度和计算的综合平衡，性能优于TRBA、Rosetta等网络，代码现已开源！

场景文本识别（STR）使计算机能够在自然场景中读取文本，例如物体标签，道路标志和指示。STR帮助机器执行明智的决策，例如要拾取的对象，前进的方向以及下一步的操作。在STR的工作主体中，始终将重点放在识别准确性上。很少强调速度和计算效率，这对于能源受限的移动机器尤其重要。在本文中，我们提出了ViTSTR，这是一种具有简单单阶段模型架构的STR，该架构基于计算和参数有效的视觉Transformer（ViT）。在可比的强基线方法（如TRBA，准确度为84.3％）上，我们的小型ViTSTR仅使用43.4％的参数数量和42.2％的速度就可以达到2.4％的竞争准确度（82.6％（数据增强时为84.2％））。快艇。 ViTSTR的微型版本以2.5倍的速度实现了80.3％的精度（数据增强时为82.1％），仅要求参数数量的10.9％和FLOPS 11.9％。通过数据增强，我们的基本ViTSTR的准确率达到85.2％（不进行增强时为83.7％），而TRBA的速度为2.3倍，但需要更多的参数73.2％和FLOPS的61.5％。在权衡方面，几乎所有ViTSTR配置都处于边界或边界附近，以同时最大化准确性，速度和计算效率。

内容中包含的图片若涉及版权问题，请及时与我们联系删除