基于改进DAN的自然场景下越南文字的识别

作者：王利兵; 俸亚特; 文益民^*

来源：数据采集与处理, 2023, 38(05): 1058-1068.

DOI：10.16337/j.1004-9037.2023.05.005

• 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

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。

• 单位
  桂林旅游学院; 桂林电子科技大学