これまでの end-to-end のテキスト認識手法は、訓練データに存在する言語やフォントしか効果的に認識できないという問題があった。そこでテキスト認識をマッチング問題と捉え直すことで、学習を追加することなく未知の言語やフォントへの一般化が可能なネットワークを設計した。