本文介绍了手写数学表达式识别模型的进展，包括基于注意力机制的编码器-解码器模型、双向互相学习网络和计数感知网络等。这些方法通过新技术和优化策略，在多个数据集上显著提升了识别性能，并解决了结构预测误差和符号关系理解等问题。

本文介绍了手写数学表达式识别模型的进展，包括基于注意力机制的编码器-解码器模型、卷积网络和双分支变压器网络等。这些模型在多个数据集上表现出色，解决了结构预测误差和符号关系理解的问题。此外，提出了UniMER数据集和UniMERNet框架，以提高复杂场景下的识别准确性。

最近使用paddleocr框架训练识别模型，尝试添加center loss以提升形近字识别效果。为此，修改了配置文件，调整了ctc head和数据集设置，并在代码中添加了out_channels_list。最终成功导出center，但发现paddleocr在兼容性上存在问题，对新手不太友好。

在线手写字符分割与识别紧密关联，但仅通过识别模型定位相关位置通常无法产生精确的分割。该研究通过基于Transformer的架构，使用学得的字符查询形成每个簇，实现字符分割。通过对两个在线手写数据集的评估，证明该方法达到了最佳效果。

本文详细介绍了CnOCR识别模型的训练教程，包括准备工作、训练命令、步骤、数据准备和模型调用，适合希望从零开始学习OCR技术的读者。