大語言模型（LLM）能夠以一種無需微調(diào)的方式從少量示例中學(xué)習(xí)，這種方式被稱為 "上下文學(xué)習(xí)"（In-context Learning）。目前只在大模型上觀察到上下文學(xué)習(xí)現(xiàn)象，那么，常規(guī)大小的模型是否具備類似的能力呢？GPT4、Llama等大模型在非常多的領(lǐng)域中都表現(xiàn)出了杰出的性能，但很多場景受限于資源或者實(shí)時性要求較高，無法使用大模型。為了探索小模型的上下文學(xué)習(xí)能力，字節(jié)和華東師大的研究團(tuán)隊(duì)在場景文本識別任務(wù)上進(jìn)行了研究。

場景文本識別（Scene Text Recognition）的目標(biāo)是將圖像中的文本內(nèi)容提取出來。實(shí)際應(yīng)用場景中，場景文本識別面臨著多種挑戰(zhàn)：不同的場景、文字排版、形變、光照變化、字跡模糊、字體多樣性等，因此很難訓(xùn)練一個能應(yīng)對所有場景的統(tǒng)一的文本識別模型。一個直接的解決辦法是收集相應(yīng)的數(shù)據(jù)，然后在特定場景下對模型進(jìn)行微調(diào)。但是這一過程需要重新訓(xùn)練模型，當(dāng)場景變多、領(lǐng)域任務(wù)變得復(fù)雜時，實(shí)際的訓(xùn)練、存儲、維護(hù)資源則呈幾何倍增長。如果文本識別模型也能具備上下文學(xué)習(xí)能力，面對新的場景，只需少量標(biāo)注數(shù)據(jù)作為提示，就能提升在新場景上的性能，那么上面的問題就迎刃而解。然而，場景文本識別是一個資源敏感型任務(wù)，將大模型當(dāng)作文本識別器非常耗費(fèi)資源，并且通過初步的實(shí)驗(yàn)，研究人員發(fā)現(xiàn)傳統(tǒng)的訓(xùn)練大模型的方法在場景文本識別任務(wù)上并不適用。

為了解決這個問題，來自字節(jié)和華東師大的研究團(tuán)隊(duì)提出了自進(jìn)化文本識別器，ESTR（Ego-Evolving Scene Text Recognizer），一個融合了上下文學(xué)習(xí)能力的常規(guī)大小文本識別器，無需微調(diào)即可快速適應(yīng)不同的文本識別場景。ESTR配備了一種上下文訓(xùn)練和上下文推理模式，不僅在常規(guī)數(shù)據(jù)集上達(dá)到了SOTA的水平，而且可以使用單一模型提升在各個場景中的識別性能，實(shí)現(xiàn)對新場景的快速適應(yīng)，甚至超過了經(jīng)過微調(diào)后專用模型的識別性能。ESTR證明，常規(guī)大小的模型足以在文本識別任務(wù)中實(shí)現(xiàn)有效的上下文學(xué)習(xí)能力。ESTR在各種場景中無需微調(diào)即可表現(xiàn)出卓越的適應(yīng)性，甚至超過了經(jīng)過微調(diào)后的識別性能。

論文地址：https://arxiv.org/pdf/2311.13120

方法

圖1介紹了ESTR的訓(xùn)練和推理流程。

1.基礎(chǔ)文本識別訓(xùn)練

基礎(chǔ)文本識別訓(xùn)練階段采用自回歸框架訓(xùn)練視覺編碼器和語言解碼器：

2.上下文訓(xùn)練

上下文訓(xùn)練階段ESTR 將根據(jù)文中提出的上下文訓(xùn)練范式進(jìn)行進(jìn)一步訓(xùn)練。在這一階段，ESTR 會學(xué)習(xí)理解不同樣本之間的聯(lián)系，從而從上下文提示中獲益。

如圖2所示，這篇文章提出 ST 策略，在場景文本數(shù)據(jù)中進(jìn)行隨機(jī)的分割和轉(zhuǎn)換，從而生成一組 "子樣本"。子樣本在視覺和語言方面都是內(nèi)在聯(lián)系的。這些內(nèi)在聯(lián)系的樣本被拼接成一個序列，模型從這些語義豐富的序列中學(xué)習(xí)上下文知識，從而獲取上下文學(xué)習(xí)的能力。這一階段同樣采用自回歸框架進(jìn)行訓(xùn)練：

3.上下文推理

針對一個測試樣本，該框架會從上下文提示池中選擇 個樣本，這些樣本在視覺隱空間與測試樣本具有最高的相似度。具體來說，這篇文章通過對視覺token序列做平均池化，計(jì)算出圖像embedding 。然后，從上下文池中選擇圖像嵌入與 的余弦相似度最高的前 N 個樣本，從而形成上下文提示。

上下文提示和測試樣本拼接在一起送入模型，ESTR便會以一種無訓(xùn)練的方式從上下文提示中學(xué)得新知識，提升測試樣本的識別準(zhǔn)確率。值得注意的是，上下文提示池只保留了視覺編碼器輸出的token，使得上下文提示的選擇過程非常高效。此外，由于上下文提示池很小，而且ESTR不需要訓(xùn)練就能直接進(jìn)行推理，因此額外的消耗也降到了最低限度。

實(shí)驗(yàn)

實(shí)驗(yàn)從三個角度進(jìn)行：

1.傳統(tǒng)數(shù)據(jù)集

從訓(xùn)練集中隨機(jī)抽取很少的樣本（1000個，訓(xùn)練集 0.025% 的樣本數(shù)量）組成上下文提示池，在12個常見的場景文本識別測試集中進(jìn)行的測試，結(jié)果如下:

2.跨域場景

跨域場景下每個測試集僅提供100個域內(nèi)訓(xùn)練樣本，無訓(xùn)練和微調(diào)對比結(jié)果如下。ESTR甚至超過了SOTA方法的微調(diào)結(jié)果。

3.困難樣本修正

研究人員收集了一批困難樣本，對這些樣本提供了10%~20%的標(biāo)注，對比ESTR的無訓(xùn)練學(xué)習(xí)方法和SOTA方法的微調(diào)學(xué)習(xí)方法，結(jié)果如下：

可以發(fā)現(xiàn)，ESTR-ICL大大降低了困難樣本的錯誤率。

未來展望

ESTR證明了使用合適的訓(xùn)練和推理策略，小模型也可以擁有和LLM類似的In-context Learning的能力。在一些實(shí)時性要求比較強(qiáng)的任務(wù)中，使用小模型也可以對新場景進(jìn)行快速的適應(yīng)。更重要的是，這種使用單一模型來實(shí)現(xiàn)對新場景快速適應(yīng)的方法使得構(gòu)建統(tǒng)一高效的小模型更近了一步。