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

• 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！

文本识别模型：SAR

• 论文题目：

  Show, Attend and Read: A Simple and Strong Baseline for Irregular Text Recognition

• 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

• 论文题目：

  SEED: Semantics Enhanced Encoder-Decoder Framework for Scene Text Recognition

• 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

• 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

• 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

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

• 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

• 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

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。

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！

PaddleOCR Contributor

🔅飞桨官网：

https://www.paddlepaddle.org.cn

https://github.com/PaddlePaddle/PaddleOCR

https://github.com/PaddlePaddle/PaddleOCR/issues/4982