文献题目：Simple is not Easy: A Simple Strong Baseline for TextVQA and TextCaps 摘要 OCR（光学字符识别）工具可以识别的日常场景中出现的文本包含重要信息，例如街道名称、产品品牌和价格。两项任务——基于文本的视觉问答和基于文本的图像字幕，以及来自现有视觉语言应用程序的文本扩展，正在迅速流行起来。为了解决这些问题，正在使用许多