mileistone

STR pipeline 场景文字识别（scene text recognition），简称为STR。最近对STR做了一下调研，相关论文可以记录在scene text recognition papers中。当前流行的各种方法经过抽象和模块化，可以得到文章开头的pipeline图和文章末尾的framework。 具体而言，STR可以分为三个模块Image Rectifier、Image To Feature Sequence、Seq2seq。 IMAGE RECTIFIER 这个模块隐式地学习如何把文字图像进行矫正，使得模型对于弯曲和视角具备一定的鲁棒性。该模块输入和输出均为图像。该模块是可选项，可要可不要。 IMAG

我们最近做了一个文字识别的工作：CSTR: A Classification Perspective on Scene Text Recognition，简单介绍如下。 当前文字识别有两种建模视角：seq2seq-based和segmentation-based。 seq2seq-based的方法首先将图片encode为特征序列（比如CNN、RNN、Transformer encoder或者它们的组合），然后对特征序列进行decode（比如CTC、RNN、attention based RNN、Transformer decoder等）。 segmentation-based的方法首先定位出字符的位置，然后识别出各个位置的字符