文字の配置に意味があるため，文字認識における表現学習手法はRotNetなどの単純な手法に限られてきた．本論文では文字列の意味を損なわないAugmentationや系列要素マッチングの工夫によりContrastive Learningを導入することを可能にしている．

エンコーダを固定する場合，SeqCLRはSimCLRに比べ大幅に改善．このとき系列特徴をwindow毎で比較する方法が最も性能が良い．またFine-tuningしても同様の結果が得られるが，デコーダがCTCの場合は系列特徴をwindow毎で比較する方が良い．