共计 1641 个字符，预计需要花费 5 分钟才能阅读完成。
文章起源 | 恒源云社区
原文地址 | ECCV 2020
原文作者 | 学习 cv 的小何
背景：
通常 STR 辨认论文中的试验数据集来自实在街景图片，其中蕴含大量语义信息。那么在 decode 时利用 attention 机制的 decoder 往往能够很好地利用这些语义信息，从而防止将 apple 预测成 0pple 的状况。然而理论我的项目中并不一定都是语义信息丰盛的文本图片，遇到随机字符的组合或者弱语义文本辨认，经典识别方法可能呈现谬误的预测后果。
通常对于这种状况，我的习惯是应用 CTC 解码器。而明天介绍一篇来自商汤团队 ECCV2020 的文本辨认论文《RobustScanner- Dynamically Enhancing Positional Clues for Robust Text Recognition》，提出了一种加强地位信息的办法，来解决这一问题。
动机：
作者发现目前的 STR 辨认模型对于没有语义信息或者弱语义信息的文本辨认成果不佳。而随后试验发现，基于 attention 的解码器中，对于不同的文本串每个 time step 的隐含状态（ht- 即 attention 中的 query）在同一个地位类似度很高，阐明 h 编码了字符的地位信息。同时时序模型失去的 h 隐含状态，往往蕴含肯定的语义信息。但试验发现随着文本串的长度减少，相邻 h 之间的余弦类似度变得越来越大，阐明随着语义信息的减少（工夫序列越靠后，积攒的语义信息越多），这种地位信息反而升高了。因而作者认为面对没有多少语义信息的文本串，有必要尝试减少地位信息，升高过强语义信息导致 atten 并未精确定位到以后字符特色。最终试验证实，除了惯例的数据集外，对于随机字符生成的数据集，本文的办法依然能够较好辨认文字。
毛病：
对于语义信息较强的文本串，该计划可能会低于单纯依赖语义信息的 atten 解码器。试验结果显示，在 SVT 和 SVTP 上成果较差，起因在于这两个街道场景数据集中存在大量含糊字符，而它们的数据大多为有语义的单词，这种状况下通过语义进行猜想远比精确定位字符地位更为重要。
奉献：
解码器蕴含地位加强模块和经典的解码模块
设计动静交融模块来合并 两个解码器的输入。
计划介绍：
经典的辨认模型构造：CNN encoder + hybrid branch decoder
RobustScanner：减少了 position enhancement branch，加强 query 中的地位信息特色。最初将两个分支的输入 gt 和 g’t 利用动静交融模块进行交融解决
上面具体介绍这两个模块
一、position enhancement branch
由 position embedding layer、attention module、position aware module 组成
1、position embedding layer 地位编码层
将以后的 time step 对应步数作为输出，失去地位编码向量。embedding 层，输出 one-hot 向量，输入 embedding 向量。
作者比照了 embedding 层编码（可学习）和 transformer 中的三角函数 position 编码（不可学习）形式的体现，如下：
2、position aware module 地位模块
对编码器的输入特色进行加强，使其能够编码丰盛的地位信息。尽管 position embedding layer 对文本中字符的 index 做了编码，但要想在 encoder 输入的 feature map 上精确定位第 t 个字符还是很艰难。这须要全局信息。因为 CNN 的感触野无限，而且确定字符的 index 须要精确了解文本序列的方向、形态，因而作者抉择两层单向 LSTM，对 feature map 的每一行进行解决，使得输入能够编码地位信息。输入是 attention module 的 key。
构造是双层单向 LSTM，33conv + relu + 33conv
二、Dynamically-Fusing Module
构造如上图 b。
交融办法方面，作者比照了 concate 和 element-wise add。后果如下，动静交融成果最好
