【论文阅读】Beyond OCR + VQA: 将OCR融入TextVQA的执行流程中形成更鲁棒更准确的模型

论文题目：Beyond OCR + VQA: Involving OCR into the Flow for Robust and Accurate TextVQA

论文链接：https://dl.acm.org/doi/abs/10.1145/3474085.3475606

一、任务概述

1. 视觉问答任务(VQA)：将图像和关于图像的自然语言问题作为输入，并生成自然语言答案作为输出。
2.  文本视觉问答任务(TextVQA)：面向文字识别的问答任务。

二、Baseline

2.1 Baseline 1： Look, Read, Reason & Answer (LoRRA)：

• 2019年提出，推出标准数据集，原文地址：https://arxiv.org/abs/1904.08920v2
• 典型的TextVQA：将问题回答建模为分类任务，需要给定答案空间。

• 多模态嵌入：问题embedding、图像中的物体进行embedding、OCR的结果进行embedding(FastText做pre-train)
• 嵌入方式：
• • 对问题进行GloVe Embedding，再通过LSTM得到问题嵌入 fQ(q)，用于后续对图片特征以及OCR样本进行注意力加权平均。
  • 将图像进行特征提取，提取的特征fI(v)与fQ(q)一起经过注意力机制得到加权的空间注意力，得到的结果与fQ(q)进行组合。

• • OCR模块基于预训练模型(Faster RCNN + CTC)进行识别，识别出的结果fO(s)与fQ(q)一起经过注意力机制得到加权的空间注意力，得到的结果与fQ(q)进行组合。

• • contact一起之后过分类器(MLP)，分类的类别为问题空间a1……an 加上 OCR是识别出的词

2.2 Baseline 2：M4C

• 主贡献：提出了迭代预测的解码方式，但我们更关注特征表示的部分

• Question embedding：BERT-base模型的encoder，但只用前3层，得到矩阵shape=(K, d)
• Detected object embedding：Faster-RCNN + Position，shape=(M, d)
• 融合方式：Linear + LayerNorm

• OCR token embedding 由四部分组成：
  • : 300维的FastText文本特征
  • : Faster RCNN特征，和detected object的获取方式一样
  • : 604维的Pyramidal Histogram of Characters（PHOC）特征
  • : 4维的位置特征，计算方式和detected object一样
  • 融合方式：前三个特征过linear后做layernorm，position单独融合，再加起来

三、Motivation

1. OCR的错误识别会较大程度影响多模态信息之间的交互(即fA的过程)
2. 因为在表征空间中需要copy OCR识别的token，OCR的错误会较严重的影响解码器的性能（哪怕另两个分支完全准确也没法正确的输出）

四、Method

4.1 Contribution

1. 增强特征表示的鲁棒性：减小OCR错误和物体识别错误对推理的影响
2. 增强解码器的鲁棒性：在答案预测模块提出一个上下文感知的答案修正模块（CRM）对“复制”的答案词进行校正。

4.2 Architectural Details—— 视觉增强的文字表征模块 TVS (OCR增强)

1. method：
   • 文字图像矫正模块
   • 编码模块：45层ResNet+ 2层Bi-LSTM
   • 解码模块：单层 注意力机制的GRU
   • 中间语义模块：根据文字视觉信息预测语义信息
2. train：利用外部数据集训练(SynthText + Synth90K)
3. loss： OCR识别损失+语义损失
   • 语义损失由真实和预测的语义特征向量间的余弦距离计算得到
4. 优势：
   • 通过语义损失的监督，编码模块能产生与文字解码更相关的视觉特征
   • TVS为直接由文字图像的视觉特性获得语义表示提供可能。

1. 整网中推理，OCR token details(n个文本框)：

• • :  TVS的视觉特征
  • : FastText文本特征
  • : Faster RCNN特征
  • :  Pyramidal Histogram of Characters（PHOC）特征
  • :  4维的位置bounding box特征
  • 融合方式：

4.3 Architectural Details—— 语义导向的物体表征 SEO-FRCN（Visual增强）

• method：传统的Faster RCNN，在解码环节增加一个分支来 预测物体类别的embedding
  • 物体类别embedding的gt 时物体类别名称的语义特征。
• train：使用Visual Genome数据集，backbone resnet101 预训练，新分支fine tune
• loss：RPN loss + 四分支loss

• 优势：能够拉近相似物体的图像相似度(例如 traffic light和traffic sign)
• 整网中推理，Visual token details(m个物体)：
  • ：视觉特征
  • ：位置特征
  • ：预测的物体类别嵌入向量
  • 特征融合：

4.3 Architectural Details——上下文感知的答案修正 CRM (解码结果增强)

• method：在推理阶段，对于”直接复制OCR结果”进行改进。
  • 如果解码的输出指向图像中的文字，则将它视作一个候选词，利用输入的问题、其他文字信息和相关物体信息进行文字修正。
  • 使用多个OCR模块输出多个预测结果作为候选集，选出得分最高的结果作为最后的输出。
  • 组成：Transformer进行上下文信息融合 + linear&sigmoid 二分类器
• training：如果候选集的结果与gt相同则为1，不同则为0，构建训练数据。二分类预测一个相关分数，最小化交叉熵损失进行训练。

五、Experiment

六、结论

1. 将OCR融入TextVQA的前向处理流程，构建了一个鲁棒且准确的TextVQA模型

参考博客

[1] https://zhuanlan.zhihu.com/p/250951251

[2] https://mp.weixin.qq.com/s/s7EP8ZiB_0UAv0M4VDhNGA