简 介
熟悉深度学习的开发者对Papers with Code肯定不陌生，作为全球领先的开源机器学习资源平台，集成论文、代码、数据集等全方位资料。
每年Papers with Code都会和Medium（基于主题的高质量媒体平台）共同评选出十大年度趋势论文和仓库。在2021年，PaddleOCR通过PP-OCRv2、PP-Structure、多语言模型、《动手学OCR·十讲》等一系列重磅更新，上榜Top Trending Libraries of 2021！
详细链接查看：
https://medium.com/paperswithcode/papers-with-code-2021-a-year-in-review-de75d5a77b8b
近期，PaddleOCR团队梳理了近年来AAAI、CVPR、ACM等顶会的OCR方向重要论文，将数月的实验尝试一并放出，一次性新增8种OCR前沿算法（检测1种，识别3种，关键信息提取1种，视觉问答3种）。在Papers with Code 中Browse State-of-the-Art的Optical Character Recognition（文字识别）任务下，PaddleOCR也成为覆盖论文算法最多，Star排名第一（已经接近20000）的Github仓库！
详细链接查看：
https://paperswithcode.com/task/optical-character-recognition
本次更新覆盖了检测、识别、关键信息抽取、视觉问答4个方向，满足OCR在各个场景中的应用，是一次对模型库的全面升级！具体算法包括：
- 检测：PSENet[1]
- 识别：NRTR[2]、SEED[3]、SAR[4]
- 关键信息提取模型：SDMG-R[5]
- 文档视觉问答模型(DocVQA)：LayoutLM[6]、LayoutLMv2[7]、LayoutXLM[8]
PaddleOCR模型全景图，白线虚线框为本次新增
下面我们就一起来看看这些模型的特色与使用场景吧！
算法介绍
丰富的检测识别模型库
本次检测识别模型的更新十分丰富，识别模型包括引入2D-Attention对不规则文本进行定位的SAR、可插拔的语义模块的SEED、基于Transformer的NRTR，以及基于渐进式扩展算法的检测模型PSENet，其中：
文本识别模型：SAR
- 论文题目： Show, Attend and Read: A Simple and Strong Baseline for Irregular Text Recognition
- 作者：Hui Li, Peng Wang等·发表会议：AAAI 2019
- 特色：针对不规则文本场景提出了 2D attention 模块对文本中的字符进行定位，不需要字符级别的标注，没有采用基于修正的策略，简化训练流程。有效提升了不规则文本的识别精度。
- 适用场景：在垂类场景中有部分弯曲文本的数据
SAR效果图
文本识别模型：SEED
- 论文题目： SEED: Semantics Enhanced Encoder-Decoder Framework for Scene Text Recognition
- 作者：Zhi Qiao, Yu Zhou等·发表会议：CVPR 2020
- 特色：核心的亮点是可插拔的语义模块。在模型训练过程中结合了语义信息去引导解码过程。并且该模块可在预测阶段去除掉，完全不影响预测速度和效率。在低质量的图片场景下有不错的提升效果。
- 适用场景：遮挡、模糊图片较多的垂类场景，利用语义信息进行词汇矫正
SEED效果图
文本识别模型：NRTR
- 论文题目： NRTR: A No-Recurrence Sequence-to-Sequence Model For Scene Text Recognition
- 作者：Fenfen Sheng, Zhineng Chen等·发表会议：ICDAR 2019
- 特色：通过完整的Transformer结构对输入图片进行编码和解码，只使用了简单的几个卷积层做高层特征提取，在文本识别上验证了Transformer结构的有效性。
- 适用场景：需要利用Transformer结构的OCR场景
NRTR结构图
文本检测模型：PSENet
- 论文题目： Shape Robust Text Detection with Progressive Scale Expansion Network
- 作者：Wenhai Wang, Enze Xie等·发表会议：CVPR 2019
- 特色：其提出的渐进式扩展算法通过从最小kernel逐步扩张到最大kernel，解决了分割算法对弯曲粘连文本的检测问题。
- 适用场景：各类规则和弯曲文本的检测场景
PSENet效果图
PP-Structure增加视觉文档问答能力
通用OCR能力提取了图片中的文字位置和文本内容，但有时除文本信息以外，我们还想了解文本框的类别、文本框之间的关系，这就转化为关键信息提取以及视觉文档问答任务。
关键信息提取即判断识别到的文本属于哪个类，例如对于一张身份证图片，模型不仅可以输出“张朋朋”的文本，也能将其分类为 ”姓名”。
视觉文档问答（DocVQA）主要针对文档图像的文字内容提出问题，例如一张身份证图片，问“公民身份号码是什么？”答案即为图片上的身份证号码。
DocVQA的具体实现方法通过SER(Semantic Entity Recognition，语义实体识别)与RE (Relation Extraction，关系抽取)两个子任务实现。通过SER将每个检测到的文本框分类为姓名、身份证号等，通过RE对每一个检测到的文本框分类为问题或答案。
SER与RE任务示例图
本次更新覆盖一个关键信息提取模型SDMG-R，以及三个视觉文档问答模型LayoutLM、LayoutLMv2、LayoutXLM，分别来看：
关键信息提取模型：SDMG-R
- 论文题目： Spatial Dual-Modality GraphReasoning for Key Information Extraction
- 作者：Hongbin Sun, Zhanghui Kuang等
- 特色：提出了一种多模态图推理网络，同时使用文本特征、文本框特征以及文本框间的空间位置关系解决关键信息提取问题。SDMG-R相比较以往算法具有强大的鲁棒性和泛化性，适合实际生产使用。
- 适用场景：关键信息提取和分类
SDMG-R效果图
DocVQA：LayoutLM系列
- 论文题目： LayoutLM: Pre-training of Text and Layout for Document Image Understanding
- 作者： Yiheng Xu, Minghao Li等·发表会议：ACM 2020
- 特色：LayoutLM利用文本分布的板式信息和识别到的文字信息，基于bert进行大规模预训练，然后在SER和RE任务进行微调；LayoutLMv2在LayoutLM的基础上，将图像视觉信息引入预训练阶段，对多模态信息进行更好的融合；LayoutXLM将LayoutLMv2扩展到多语言。
- 适用场景：针对卡证、票据等场景的信息提取、关系抽取、文档视觉问答任务
LayoutLMv2结构图
如何使用
对于上述模型的使用方法可以在Github首页文档中PP-Structure信息提取（DocVQA、关键信息抽取）与OCR学术圈（检测算法、识别算法）找到，模型训练微调同步支持。
而且对于这些模型的垂类数据训练、推理任务已经出现在社区常规赛。大家如果想对这些模型进一步加深理解与实践，参与社区常规赛的“学术前沿模型训练与推理”，不仅可以获得比赛的积分与奖励，优秀项目还可以获得开发者说直播、宣传推广的机会。
不忘初心
感谢广大开发者的支持
我们深知学术研究不易，PaddleOCR本次开源出的前沿学术模型，希望能够为OCR研究者提供方便的Baseline，同时还能结合飞桨面向产业落地的特质，快速将优秀的学术模型应用在生产生活中。我们也非常高兴的看到PP-OCR系列模型能够在各行各业的众多垂类场景中发光发热，帮助更多的企业开发者实现业务落地。也特别感谢广大开发者积极参与到PaddleOCR的项目建设中来，感谢大家！
参考文献：
[1] Wang, Wenhai, et al. "Shape robust text detection with progressivescale expansion network." Proceedings of the IEEE/CVF Conference onComputer Vision and Pattern Recognition. 2019.
[2] Sheng,F., Chen, Z., & Xu, B. (2019, September). NRTR: A no-recurrencesequence-to-sequence model for scene text recognition. In 2019 InternationalConference on Document Analysis and Recognition (ICDAR) (pp. 781-786). IEEE.
[3] QiaoZ, Zhou Y, Yang D, et al. Seed: Semantics enhanced encoder-decoder frameworkfor scene text recognition[C]//Proceedings of the IEEE/CVF Conference onComputer Vision and Pattern Recognition. 2020: 13528-13537.
[4] Li H, Wang P, Shen C, et al. Show, attend and read: A simple and strongbaseline for irregular text recognition[C]//Proceedings of the AAAI Conferenceon Artificial Intelligence. 2019, 33(01): 8610-8617.
[5] Sun H, Kuang Z, Yue X, et al. Spatial Dual-Modality Graph Reasoning forKey Information Extraction[J]. arXiv preprint arXiv:2103.14470, 2021.
[6] Xu Y, Li M, Cui L, et al. Layoutlm: Pre-training of text and layout fordocument image understanding[C]//Proceedings of the 26th ACM SIGKDDInternational Conference on Knowledge Discovery & Data Mining. 2020:1192-1200.
[7] Xu Y, Xu Y, Lv T, et al. Layoutlmv2: Multi-modal pre-training forvisually-rich document understanding[J]. arXiv preprint arXiv:2012.14740, 2020.
[8] Xu Y, Lv T, Cui L, et al. LayoutXLM: Multimodal Pre-training forMultilingual Visually-rich Document Understanding[J]. arXiv preprintarXiv:2104.08836, 2021.
