原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
创新应用Applications
增强上下文关联的场景文本识别算法分析
高云龙，薛冀杰
（南京信息工程大学计算机学院，江苏210044）
摘要：阐述针对场景文本识别在复杂背景、模糊文字方面准确率受限的问题，提出一种增强上下文关联
的场景文本识别算法。实验结果表明，与传统算法相比，该算法在公开数据集上取得更高的识别精度。
关键词：场景文本识别，多尺度特征融合，卷积神经网络，注意力机制。
中图分类号：TP183，TP391.41文章编号：1674-2583(2025)01-0390-02
DOI：10.19339/j.issn.1674-2583.2025.01.173
文献引用格式：高云龙，薛冀杰.增强上下文关联的场景文本识别算法分析[J].集成电路应用,2025,
42(01):390-391.
AnalysisofEnhancedContext-sensitiveSceneText
RecognitionAlgorithm
GAOYunlong,XUEJijie
(SchoolofComputerScience,NanjingUniversityofInformationScienceandTechnology,Jiangsu
210044,China.)
Abstract—Thispaperdescribesanenhancedcontext-dependentscenetextrecognitionalgorithm,
aimingattheproblemthattheaccuracyofscenetextrecognitionislimitedincomplexbackgroundand
fuzzytext.Experimentalresultsshowthatcomparedwithtraditionalalgorithms,theproposedalgorithm
achieveshigherrecognitionaccuracyonpublicdatasets.
IndexTerms—scenetextrecognition,multi-scalefeaturefusion,convolutionalneuralnetwork,
attentionmechanism.
0引言中各元素之间的长距离依赖关系，在自然语言处理
场景文本识别作为计算机视觉与自然语言处领域取得了巨大成功，并逐渐被引入到场景文本识
理领域的交叉研究热点，展现出其巨大的应用潜力别中。通过自注意力机制，模型可以动态地关注输
与价值。但场景中的文本往往与复杂的背景相互交入序列的不同部分，从而更好地理解文本的上下文
织，背景中的各种元素可能干扰文本的准确提取。信息。本文基于Transformer网络架构提出了一种
因此，场景文本识别算法仍有待提升。新的场景文本识别算法，该算法通过改进编码器获
1研究背景得更加丰富的上下文信息，进而实现更加鲁棒以及
场景文本广泛存在于我们生活的各个角落，如精确的文字识别效果。
街道上的招牌、商品的标签、交通指示牌以及各类2研究方法
文档图像等。准确识别这些场景中的文本信息，不2.1总体架构
仅能够帮助机器更好地理解图像内容，还为众多实如图1所示，为本文提
际应用提供了关键支持。出算法的网络架构，该架
近年来，随着深度学习技术的飞速发展，基构主要由特征提取模块、
于深度神经网络的方法在场景文本识别领域取得Transformer编码模块以及
了显著的成果[1]。卷积神经网络（ConvolutionalTransformer解码模块这三
N
文档评论（0）