基于改进DAN的自然场景下越南文字的识别

摘要：

越南语字符由拉丁字符结合变音符号组成,由于变音符号的存在易导致注意力漂移,并且越南语文字字符类别较多,字符间差异性较小,部分字符仅为变音符号的差异,使得越南文字的识别具有挑战性.本文在解耦注意力网络(Decoupled attention network,DAN)的基础上,设计了视觉特征与序列特征融合模块(Visual feature and sequence feature fusion module,VSFM),分别利用双向门控循环单元(Bidirectional gated recurrent unit,Bi-GRU)在水平方向和竖直方向进行序列建模,进一步缓解注意力漂移,增强变音符号与拉丁字符间的关联性.然后设计了增强型解耦文本解码器模块(Enhanced decoupled text decoder module,ETDM),在解码器中分类时结合了更多的特征信息,可以更加有效地识别相似字符.一系列的实验验证了本文提出方法的有效性.

关键词：声调语言文字、越南语文字、变音符号、注意力漂移、场景文本识别

所属期刊栏目：38

分类号：TP391(计算技术、计算机技术)

资助基金：广西重点研发计划项目;国家自然科学基金;广西图像图形与智能处理重点实验室项目

在线出版日期：2023-10-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1058-1068