El reconocimiento de texto en escenas (STR) es un puente importante entre imágenes y texto, atrayendo abundante atención en la investigación. Aunque las redes neuronales convolucionales (CNN) han logrado un progreso notable en esta tarea, la mayoría de los trabajos existentes necesitan un módulo adicional (módulo de modelado de contexto) para ayudar a la CNN a capturar dependencias globales y resolver el sesgo inductivo, fortaleciendo la relación entre las características del texto.