论文题目：SVTR: Scene Text Recognition with a Single Visual Model
OCR文本识别旨在将自然图像中的文本转录为数字字符序列，以传达对场景理解至关重要的高层语义信息。该任务具有挑战性，原因在于文本变形、字体、遮挡、杂乱背景等的变化。在过去的几年中，人们做出了许多努力来提高识别准确性。现代文本识别器除了准确性外，还考虑到了推理速度等因素，以满足实际需求。在方法上，文本识别可以被视为从图像到字符序列的跨模态映射。通常，识别器由两个构建模块组成：用于特征提取的视觉模型和用于文本转录的序列模型。例如，基于CNN-RNN的模型首先使用CNN进行特征提取，然后，将特征重塑为序列，并通过BiLSTM和CTC损失进行建模以进行预测，它们具有高效性，并且仍然是一些商业识别器的选择。然而，这种方法对于文本的扰动（如变形、遮挡等）很敏感，限制了它们的有效性。
上图是svtr的整体结构图，由于我长期做的是语义分割的方向，所以看到这个结构我没有太大的感触吧，svtr就是一个编码器+一个分类器的组合，整体比较简洁，相比CRNN这种特征提取模型+序列模型的组合，这种方法速度显然更快。
SVTR的输入参考了VIT的图像分块形式，只是它是使用了重叠块的的卷积形式，然后是使用了2层卷积，文章中说是为了渐进式进行特征提取，我觉得很牵强，硬挤出的创新点，而且patch重叠的方式语义分割很多算法都在使用。svtr通过2层卷积快速下采样4倍用于后续的特征提取。
第二个创新点是后续只对高度进行下采样，宽度不变进行特征提取。通常，大多数图像文本以水平或接近水平的方式出现。压缩高度维度可以为每个字符建立一个多尺度表示，同时不影响宽度维度上的补丁布局。因此，在各个阶段中，不会增加将相邻字符编码到同一个组件的可能性。最后通过一个全局平均池化层直接将高度压到1，进行最后的分类。
第三个创新点也是最主要的，就是类transfomrer特征提取模块，由于文字识别需要考虑到局部细微和全局宏观特征，细微特征比如一些相似字符如‘B’和‘8’、‘z’和‘2’、‘大’和‘太’等等，它们在形状上相似，但是在笔画上具有细微的差异，因此模型应具备关注字符笔画细节特征的能力，以更加准确的区分相似字符。全局特征是指对于文本图像中的所有字符，它们不是相互孤立的，存在内在的联系，因此要求单视觉模型可以建立多个字符的长距离全局依赖；进一步的，图像文本包含了文本区域和非文本区域，因此在建立文本（多个字符）的全局特征基础上，需区分文本区域和非文本区域。这个特征提取块里面有2种形式，一种是全局特征提取块，它其实就是纯tranformer模块，主要用来代替常规序列模型，来建立字符与相邻字符的内在联系。另一种是局部特征提取块，主要是对当前像素周围的一块区域进行特征提取，代码中是7x11大小区域，它这个局部提取的实现借鉴了swim的变换，主要以mask的形式计算，这也是这个算法的缺点所在，这个局部特征提取在实际运行中相对比较耗时。我看论文的时候就在想干嘛不直接用卷积代替，后来我想明白了，估计是为了写论文需要吧。
PP-OCRV3/4中将局部特征提取块使用了PP-LCNetV3的方法，虽然修改后的精度相比原生的SVTR相比低一点，但是速度有巨大提升，对于各种场景都具有非常高的使用价值。
