利用语义推理网络来进行场景文字识别

Reformer主要是为了解决Transformer结构显存占用大、模型复杂度度高的缺点（无法处理长序列、无法在单GPU上进行训练），而进行的模型结构改进。

传统的目标检测任务中，对于ground_truth(gt)和anchor的配对，都采取固定的策略（例如依赖IOU阈值--RetinaNet，对于Anchor-free类算法则往往依据anchors是否包含gt的中心点或者核心区域--FCOS）。这篇论文就提出了将anchor当作label需求方，而gt当作label提供方，而label从gt传输（匹配）至anchor的传输成本就是分类和回归的loss加权和（对于负样本只计算分类loss），这样就将gt和anchor的匹配问题变成了一个最优化传输成本的问题（Optimal Transport (OT) problem），可以使用Sinkhorn-Knopp迭代来进行问题求解。

通过将耦合检测头更改为非耦合检测头，并利用了Anchor-free思想，YOLOX开创了YOLO系列目标检测算法另一个派系

MOT(multi-object tracking)多目标追踪中的前沿算法，由字节跳动和华中科技大学AI团队研究并开源，在MOT领域取得了非常好的效果

本文介绍了最新的SVTR模型，利用单视觉模型进行场景文字识别，达到媲美视觉模型+序列的识别效果