摘要
场景文本识别（Scene Text Recognition, STR）使计算机能够识别自然场景中的文本信息，例如物品标签、路标和操作说明。STR帮助机器做出智能决策，如选择应抓取的物体、确定行进方向，以及判断下一步操作。在现有STR研究中，主要关注点始终是识别准确率，而对速度和计算效率的重视则相对不足，尤其是在能源受限的移动设备上，这两者同样至关重要。本文提出ViTSTR，一种基于计算与参数高效视觉Transformer（Vision Transformer, ViT）的简单单阶段STR模型架构。在与强基准方法TRBA（准确率为84.3%）相当的条件下，我们的小型ViTSTR模型实现了82.6%的准确率（使用数据增强后达84.2%），在保持仅43.4%参数量和42.2%浮点运算量（FLOPS）的前提下，推理速度提升2.4倍。其极小版本ViTSTR在仅使用10.9%参数量和11.9% FLOPS的情况下，达到80.3%的准确率（数据增强后为82.1%），速度提升达2.5倍。在引入数据增强后，我们的基础版ViTSTR在准确率上达到85.2%（未增强时为83.7%），速度提升2.3倍，尽管其参数量和FLOPS分别增加了73.2%和61.5%，但仍显著优于TRBA。从性能权衡角度看，几乎所有ViTSTR的配置均处于或接近当前前沿，能够同时实现高准确率、高速度与高计算效率的最优平衡。