今天跟大家分享一篇昨天新出的场景文本识别方法MASTER，其发明了一种Multi-Aspect 全局上下文建模方法，有效改进了文本识别精度，在多个数据集上取得了目前最好的精度，是最近最值得读的文本识别方面的论文。
该文作者信息：
作者单位为来自国内的平安产险视觉团队和徐州医科大学。
现实中出现的规则和不规则文本示例：
该文指出，目前基于注意力机制的自然场景文字识别方法在OCR领域取得了很大成果，成功的主要原因是在RNN的框架下，基于注意力的方法可以学习到一维或者二维特征的内在表示。
但是这种基于这种局部注意力机制的方法却存在注意力漂移的问题，并且在RNN架构下模型无法高效的并行计算。
作者正是想在文本识别中引入全局注意力机制。
为了提高模型性能和缓解注意力混淆问题，本文作者（平安产险视觉团队）等人提出了一个更高效和更鲁棒的场景文本识别方法：MASTER。
MASTER包括两个核心模块：
（1）基于Multi-Aspect的全局上下文注意力机制的编码器；
（2）基于Transformer的解码器。
今年一种全局注意力模型GCNet被提出：
Y. Cao, J. Xu, S. Lin, F. Wei, and H. Hu, “GCNet: Non-local networks meet squeeze-excitation networks and beyond,” ArXiv, vol. abs/1904.11492, 2019.
其全局上下文建模模块如下：
其主要分为Context Modeling 和 Transform 两大部分，并将原始特征图与Transform输出结果融合。
该文将其用于场景文本识别的注意力建模，发现如果使用多个注意力函数，可以取得更好的结果：
其核心模块如下：
可见，创新之处在于其含有h个Context Modeling。
在解码器部分也有多处改进，主要有：
- Scaled Multi-Head Dot-Product Attention
- Masked Multi-Head Attention
- Position-wise Feed-Forward Networn
- Loss Function
MASTER架构图：（请点击查看大图）
实验结果
作者在常见评价数据集上与State-of-the-art方法进行了比较：
在 7 个数据集上有 4 个取得了当前最高的精度。
（另外3个是52CV曾经向大家重点介绍过的Mask TextSpotter：
华科白翔老师团队ECCV2018 OCR论文：Mask TextSpotter）
下表是在 COCO-text test 数据集上的结果：
可见MASTER在不区分大小写赛道取得了当前第一名的结果，并大幅超越第二名，在区分大小写赛道取得准确率指标第四的好成绩。
作者总结称MASTER方法具有如下优势：
（1）模型能够更好的学习输入和输出之间的对齐关系，并且能够在编码器内部学习特征与特征之间的依赖关系，在解码器内部学习目标与目标之间的依赖关系，缓解了注意力混淆问题；
（2）模型在公开的基准数据集上取得了SOTA水平，尤其在不规则文本数据集上刷新了准确率，表明其对图片的空间形变不敏感；
（3）训练和预测阶段使用了并行计算，更加高效。
目前还未发现该文有开源代码，不过作者在论文中详细列出了关键模块的配置和PyTorch实现，应该比较容易复现。
论文地址：
https://arxiv.org/pdf/1910.02562.pdf
