CN107480680A - 基于OCR和Bi‑LSTM的识别图像中文字信息的方法、系统及设备 - Google Patents

基于OCR和Bi‑LSTM的识别图像中文字信息的方法、系统及设备 Download PDF

Info

Publication number
CN107480680A
CN107480680A CN201710629521.7A CN201710629521A CN107480680A CN 107480680 A CN107480680 A CN 107480680A CN 201710629521 A CN201710629521 A CN 201710629521A CN 107480680 A CN107480680 A CN 107480680A
Authority
CN
China
Prior art keywords
ocr
lstm
text information
image
identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710629521.7A
Other languages
English (en)
Inventor
高磊
邝展豪
王志成
刘志欣
王亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SF Technology Co Ltd
SF Tech Co Ltd
Original Assignee
SF Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN201710629521.7A priority Critical patent/CN107480680A/zh
Publication of CN107480680A publication Critical patent/CN107480680A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Character Discrimination (AREA)

Abstract

基于OCR和Bi‑LSTM的识别图像中文字信息的方法、系统及设备，所述方法包括步骤：S1，获取目标图像；S2，对步骤S1中所述的图像进行OCR识别得到OCR的输出序列集合；S3，将步骤S2中所述的OCR的输出序列集合中的全部输出序列逐一转换为数字向量；S4，对步骤S3中每个所述的数字向量进行降维处理；S5，将步骤S4中经过降维处理后的全部数字向量逐一输入Bi‑LSTM模型中得到文本序列。所述系统包括图像采集模块、OCR识别模块、向量转换模块、向量降维模块以及Bi‑LSTM模块；所述设备包括存储有计算机程序的计算机可读介质,所述程序被运行用于执行所述方法。它有效的提高了图像中文字信息识别的准确度。

Description

基于OCR和Bi-LSTM的识别图像中文字信息的方法、系统及 设备
技术领域
本发明涉及计算机软件中图像识别技术领域，尤其涉及基于OCR和Bi-LSTM的识别图像中文字信息的方法、系统及设备。
背景技术
近年来，随着电子商务的迅猛发展，快件收寄呈爆发式增长，物流行业的快递工作量急剧增加。货运单的地址信息是物件投递过程中的重要依据，能否正确识别该地址信息是物件能否被正确投递的关键。而快递单地址信息录入主要是由传统的人工逐一录入。传统的人工录入快递单地址模式效率低，造成人力成本的极大浪费。并且由于手写快递单字迹复杂、快递单本身存在地址不正确或不全的风险，导致派送困难。
发明内容
为了解决上述技术问题，本发明提出基于OCR和Bi-LSTM的识别图像中文字信息的方法、系统及设备，它有效的提高了图像中文字信息识别的准确度。
为了实现上述目的，本发明的技术方案为：
基于OCR和Bi-LSTM的识别图像中文字信息的方法，包括步骤：
S1，获取目标图像；
S2，对步骤S1中所述的图像进行OCR识别得到OCR的输出序列集合；
S3，将步骤S2中所述的OCR的输出序列集合中的全部输出序列逐一转换为数字向量；
S4，对步骤S3中每个所述的数字向量进行降维处理；
S5，将步骤S4中经过降维处理后的全部数字向量逐一输入Bi-LSTM模型中得到文本序列。
所述步骤S2包括：
S21，对步骤S1中所述的图像进行OCR识别得到结果队列集合；
S22，将步骤S21中所述的结果队列集合中的全部结果队列逐一输入语言模型中，得到OCR的输出序列集合。
所述步骤S5包括：
S51，将S4中经过降维处理后的数字向量输入Bi-LSTM编码器，生成特征向量；
S52，将所述特征向量输入Bi-LSTM解码器，得到输出向量；
S53，将所述输出向量输入Softmax算法模块,得到字ID；
S54，根据字典的对应关系，将所述字ID转换为文本序列。
步骤S21中所述OCR识别的阈值为系统允许的最低reliability阈值。
所述步骤S21中OCR的识别区域为所述图像中的文字信息所属的区域。
所述步骤S4中利用word-embedding算法降维。
步骤S1中所述的目标图像为快递单图像。
所述步骤S21中OCR的识别区域为快递单的地址输入区域。
所述快递单的地址包括寄件人地址和/或收件人地址。
所述快递单的地址为手写地址。
基于OCR和Bi-LSTM的识别图像中文字信息的系统，包括：
图像采集模块，用于获取目标图像；
OCR识别模块，用于对所述的图像进行OCR识别并得到OCR的输出序列集合；
向量转换模块，用于将所述的OCR的输出序列集合中的全部输出序列逐一转换为数字向量；
向量降维模块，用于对每个所述的数字向量进行降维处理；
Bi-LSTM模块：用于将经过降维处理后的全部数字向量逐一输入Bi-LSTM模型中得到文本序列。
基于OCR和Bi-LSTM的识别图像中文字信息的方法的设备，包括存储有计算机程序的计算机可读介质,所述程序被运行用于执行：
S1，获取目标图像；
S2，对步骤S1中所述的图像进行OCR识别得到OCR的输出序列集合；
S3，将步骤S2中所述的OCR的输出序列集合中的全部输出序列逐一转换为数字向量；
S4，对步骤S3中每个所述的数字向量进行降维处理；
S5，将步骤S4中经过降维处理后的全部数字向量逐一输入Bi-LSTM模型中得到文本序列。
本发明的有益效果是：
1、通过降低OCR的阈值以得到尽可能多输出序列，然后通过Bi-LSTM模型处理得到文本序列，可信度最高的文字识别精确度越高。
2、实现了运单数据实时处理和应用，优化运单系统业务处理流程，增强公司核心竞争能力，同时大幅降低纸质运单信息获取的成本。
附图说明
图1示出了根据本申请的实施例的方法流程图。
图2示出了根据本申请的实施例的准确率分布图。
具体实施方式
为了更好的了解本发明的技术方案，下面结合附图1-2对本发明作进一步说明。
如图1所示，基于OCR和Bi-LSTM的识别图像中文字信息的方法，包括步骤：
S1，获取目标图像：
获取一张快递运单图像，该运单的原始地址(下文简称为sss_address)为：上海上海市常德路1339号。
S2，对步骤S1中所述的图像进行OCR识别得到OCR的输出序列集合。
所述步骤S2包括：
S21，对步骤S1中所述的图像进行OCR识别得到结果队列集合；OCR识别的阈值为系统允许的最低reliability阈值；OCR的识别区域为所述图像中的文字信息所属的区域(即快递单的地址输入区域)。
S22，将步骤S21中所述的结果队列集合中的全部结果队列逐一输入语言模型中，得到OCR的输出序列集合。
S3，将步骤S2中所述的OCR的输出序列集合中的全部输出序列逐一转换为数字向量，得到数字向量集合。
S4，对步骤S3中每个所述的数字向量进行降维处理。
将该原始图片信息通过OCR识别技术处理，获得OCR返回的识别结果数据集。OCR识别的结果集举例如下，在结果集中，"segments"包含区域内的识别结果选项列表。
OCR识别结果集举例
此时，reliability值最大的输出序列：台普陀常德路1399号金心F，即为OCR的最终输出。可以看出，OCR识别出的序列精度不高，难以达到期望。
所以需要对快递单初始图像进行以下处理：
1、通过设置最低reliability(可信度)阈值，将大于该阈值的OCR输出的结果队列作为输入序列逐一传入模型中，如取出如下文本队列作为OCR的输出序列：
“台普陀常德路1399号金心F”
“上普陀常德咯1333号全心F”
等等…
2、OCR生成的每个输出序列将采用基于字典的方式转换为一个数字向量，即每个文字均对应一个多维的向量，一个数字向量就是一个文本序列对应的向量集合。
3、由于上一步骤生成的数字向量存在数据稀疏的缺陷，因此需要再根据word-embedding算法对第二步生成的数字向量进行降维，得到一个低维的向量，作为双向LSTM(以下简称Bi-LSTM)模型的输入。
S5，将步骤S4中经过降维处理后的全部数字向量逐一输入Bi-LSTM模型中得到文本序列。逐一的指的是按时间刻度将数字向量依次放入Bi-LSTM模型中。
Bi-LSTM模型处理数据的原理是通过Encoder-Decoder框架对输入序列进行编解码运算，具体步骤如下：
1、首先，将输入的数字向量逐一传入Bi-LSTM编码器，生成一个预设长度的向量，预设长度在本实施例中使用128，即生成128维的特征向量。
2、再将特征向量传入Bi-LSTM解码器，生成输出向量。所述的输出向量为算法的输出，长度为整个字典的长度，向量中每个值代表对应字的可能性(其中字典即字库，每一个字在字典中对应一个唯一的ID)。
3、输出向量再传入Softmax算法模块，映射为字ID输出。所述字ID是字对应的ID。到Softmax算法模块，计算出该时刻字典里每一个字出现的概率，并取出拥有最大值的字作为当前结果。
4、向量再根据字典的对应关系，生成文本序列。
在本例中，Bi-LSTM的最终输出为：上海上海市普陀区常德路1399号，对应的可信度(reliability)为0.984242305920785。
OCR-Bi-LSTM整体结果如表一所示：
表一
可以看出经过Bi-LSTM模型纠错后，识别的精度得到显著提高。
采用OCR+Bi-LSTM模型的准确率分布图如图2所示，其中，横轴是可信度，训练集为304896个。由图2可以得知，Bi-LSTM模型返回的可信度越高，其识别文字信息的准确率也越高。
实验最终的准确率结果如表二，单独使用OCR识别快递单地址的准确率为29.65％，而结合纠错算法后，准确率提升到41.20％。
类别 基数 与SSS相等数 准确率
OCR 304896 90391 37.34％
纠错 304896 125607 58.08％
表二
因此，可以得出结论：地址纠错算法能一定程度的提高快递单地址的识别准确率。
本实施例是以快递单为例，但是利用OCR+Bi-LSTM对文字识别的方法适用于任何图像中的文字识别。
基于OCR和Bi-LSTM的识别图像中文字信息的系统，包括：
图像采集模块，用于获取目标图像；
OCR识别模块，用于对所述的图像进行OCR识别并得到OCR的输出序列集合；
向量转换模块，用于将所述的OCR的输出序列集合中的全部输出序列逐一转换为数字向量；
向量降维模块，用于对每个所述的数字向量进行降维处理；
Bi-LSTM模块：用于将经过降维处理后的全部数字向量逐一输入Bi-LSTM模型中得到文本序列。
基于OCR和Bi-LSTM的识别图像中文字信息的方法的设备，包括存储有计算机程序的计算机可读介质,所述程序被运行用于执行上述的基于OCR和Bi-LSTM的识别图像中文字信息的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.基于OCR和Bi-LSTM的识别图像中文字信息的方法，其特征是，包括步骤：
S1，获取目标图像；
S2，对步骤S1中所述的图像进行OCR识别得到OCR的输出序列集合；
S3，将步骤S2中所述的OCR的输出序列集合中的全部输出序列逐一转换为数字向量；
S4，对步骤S3中每个所述的数字向量进行降维处理；
S5，将步骤S4中经过降维处理后的全部数字向量逐一输入Bi-LSTM模型中得到文本序列。
2.根据权利要求1所述的基于OCR和Bi-LSTM的识别图像中文字信息的方法，其特征是，所述步骤S2包括：
S21，对步骤S1中所述的图像进行OCR识别得到结果队列集合；
S22，将步骤S21中所述的结果队列集合中的全部结果队列逐一输入语言模型中，得到OCR的输出序列集合。
3.根据权利要求1所述的基于OCR和Bi-LSTM的识别图像中文字信息的方法，其特征是，所述步骤S5包括：
S51，将S4中经过降维处理后的数字向量输入Bi-LSTM编码器，生成特征向量；
S52，将所述特征向量输入Bi-LSTM解码器，得到输出向量；
S53，将所述输出向量输入Softmax算法模块,得到字ID；
S54，根据字典的对应关系，将所述字ID转换为文本序列。
4.根据权利要求1所述的基于OCR和Bi-LSTM的识别图像中文字信息的方法，其特征是，步骤S21中所述OCR识别的阈值为系统允许的最低reliability阈值。
5.根据权利要求2所述的基于OCR和Bi-LSTM的识别图像中文字信息的方法，其特征是，所述步骤S21中OCR的识别区域为所述图像中的文字信息所属的区域。
6.根据权利要求1所述的基于OCR和Bi-LSTM的识别图像中文字信息的方法，其特征是，所述步骤S4中利用word-embedding算法降维。
7.根据权利要求1所述的基于OCR和Bi-LSTM的识别图像中文字信息的方法，其特征是，步骤S1中所述的目标图像为快递单图像。
8.根据权利要求7所述的基于OCR和Bi-LSTM的识别图像中文字信息的方法，其特征是，所述步骤S21中OCR的识别区域为快递单的地址输入区域。
9.根据权利要求8所述的基于OCR和Bi-LSTM的识别图像中文字信息的方法，其特征是，所述快递单的地址包括寄件人地址和/或收件人地址。
10.根据权利要求9所述的基于OCR和Bi-LSTM的识别图像中文字信息的方法，其特征是，所述快递单的地址为手写地址。
11.基于OCR和Bi-LSTM的识别图像中文字信息的系统，其特征在于，包括：
图像采集模块，用于获取目标图像；
OCR识别模块，用于对所述的图像进行OCR识别并得到OCR的输出序列集合；
向量转换模块，用于将所述的OCR的输出序列集合中的全部输出序列逐一转换为数字向量；
向量降维模块，用于对每个所述的数字向量进行降维处理；
Bi-LSTM模块：用于将经过降维处理后的全部数字向量逐一输入Bi-LSTM模型中得到文本序列。
12.基于OCR和Bi-LSTM的识别图像中文字信息的方法的设备，其特征是，包括存储有计算机程序的计算机可读介质,所述程序被运行用于执行：
S1，获取目标图像；
S2，对步骤S1中所述的图像进行OCR识别得到OCR的输出序列集合；
S3，将步骤S2中所述的OCR的输出序列集合中的全部输出序列逐一转换为数字向量；
S4，对步骤S3中每个所述的数字向量进行降维处理；
S5，将步骤S4中经过降维处理后的全部数字向量逐一输入Bi-LSTM模型中得到文本序列。
CN201710629521.7A 2017-07-28 2017-07-28 基于OCR和Bi‑LSTM的识别图像中文字信息的方法、系统及设备 Pending CN107480680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710629521.7A CN107480680A (zh) 2017-07-28 2017-07-28 基于OCR和Bi‑LSTM的识别图像中文字信息的方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710629521.7A CN107480680A (zh) 2017-07-28 2017-07-28 基于OCR和Bi‑LSTM的识别图像中文字信息的方法、系统及设备

Publications (1)

Publication Number Publication Date
CN107480680A true CN107480680A (zh) 2017-12-15

Family

ID=60597776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710629521.7A Pending CN107480680A (zh) 2017-07-28 2017-07-28 基于OCR和Bi‑LSTM的识别图像中文字信息的方法、系统及设备

Country Status (1)

Country Link
CN (1) CN107480680A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764226A (zh) * 2018-04-13 2018-11-06 顺丰科技有限公司 图像文本识别方法、装置、设备及其存储介质
CN109034050A (zh) * 2018-07-23 2018-12-18 顺丰科技有限公司 基于深度学习的身份证图像文本识别方法及装置
CN109992770A (zh) * 2019-03-04 2019-07-09 昆明理工大学 一种基于组合神经网络的老挝语命名实体识别方法
CN110222693A (zh) * 2019-06-03 2019-09-10 第四范式（北京）技术有限公司 构建字符识别模型与识别字符的方法和装置
CN110688949A (zh) * 2019-09-26 2020-01-14 北大方正集团有限公司 字体识别方法和装置
CN111488757A (zh) * 2019-01-25 2020-08-04 富士通株式会社 用于对图像的识别结果进行分割的方法和设备及存储介质
CN111783767A (zh) * 2020-07-27 2020-10-16 平安银行股份有限公司 文字识别方法、装置、电子设备及存储介质
CN112016553A (zh) * 2019-05-28 2020-12-01 创新先进技术有限公司 光学字符识别（ocr）系统、自动ocr更正系统、方法
CN113221870A (zh) * 2021-05-28 2021-08-06 北京有竹居网络技术有限公司 一种用于移动终端的ocr识别方法、装置、存储介质及设备
US11681875B2 (en) 2019-09-16 2023-06-20 Beijing Baidu Netcom Science Technology Co., Ltd. Method for image text recognition, apparatus, device and storage medium

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140314319A1 (en) * 2013-04-22 2014-10-23 Technologies Humanware Inc. Method and system using two parallel optical character recognition processses
CN105740226A (zh) * 2016-01-15 2016-07-06 南京大学 使用树形神经网络和双向神经网络实现中文分词
CN106328147A (zh) * 2016-08-31 2017-01-11 中国科学技术大学 语音识别方法和装置
CN106960206A (zh) * 2017-02-08 2017-07-18 北京捷通华声科技股份有限公司 字符识别方法和字符识别系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140314319A1 (en) * 2013-04-22 2014-10-23 Technologies Humanware Inc. Method and system using two parallel optical character recognition processses
CN105740226A (zh) * 2016-01-15 2016-07-06 南京大学 使用树形神经网络和双向神经网络实现中文分词
CN106328147A (zh) * 2016-08-31 2017-01-11 中国科学技术大学 语音识别方法和装置
CN106960206A (zh) * 2017-02-08 2017-07-18 北京捷通华声科技股份有限公司 字符识别方法和字符识别系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙星明 等: "《结构化汉字信息处理》", 31 August 2001, 国防科技大学出版社 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764226B (zh) * 2018-04-13 2022-05-03 顺丰科技有限公司 图像文本识别方法、装置、设备及其存储介质
CN108764226A (zh) * 2018-04-13 2018-11-06 顺丰科技有限公司 图像文本识别方法、装置、设备及其存储介质
CN109034050A (zh) * 2018-07-23 2018-12-18 顺丰科技有限公司 基于深度学习的身份证图像文本识别方法及装置
CN111488757A (zh) * 2019-01-25 2020-08-04 富士通株式会社 用于对图像的识别结果进行分割的方法和设备及存储介质
CN111488757B (zh) * 2019-01-25 2023-06-23 富士通株式会社 用于对图像的识别结果进行分割的方法和设备及存储介质
CN109992770A (zh) * 2019-03-04 2019-07-09 昆明理工大学 一种基于组合神经网络的老挝语命名实体识别方法
CN112016553A (zh) * 2019-05-28 2020-12-01 创新先进技术有限公司 光学字符识别（ocr）系统、自动ocr更正系统、方法
CN112016553B (zh) * 2019-05-28 2022-01-25 创新先进技术有限公司 光学字符识别（ocr）系统、自动ocr更正系统、方法
CN110222693A (zh) * 2019-06-03 2019-09-10 第四范式（北京）技术有限公司 构建字符识别模型与识别字符的方法和装置
CN110222693B (zh) * 2019-06-03 2022-03-08 第四范式（北京）技术有限公司 构建字符识别模型与识别字符的方法和装置
US11681875B2 (en) 2019-09-16 2023-06-20 Beijing Baidu Netcom Science Technology Co., Ltd. Method for image text recognition, apparatus, device and storage medium
CN110688949A (zh) * 2019-09-26 2020-01-14 北大方正集团有限公司 字体识别方法和装置
CN111783767A (zh) * 2020-07-27 2020-10-16 平安银行股份有限公司 文字识别方法、装置、电子设备及存储介质
CN111783767B (zh) * 2020-07-27 2024-03-19 平安银行股份有限公司 文字识别方法、装置、电子设备及存储介质
CN113221870A (zh) * 2021-05-28 2021-08-06 北京有竹居网络技术有限公司 一种用于移动终端的ocr识别方法、装置、存储介质及设备
CN113221870B (zh) * 2021-05-28 2024-05-24 北京有竹居网络技术有限公司 一种用于移动终端的ocr识别方法、装置、存储介质及设备

Similar Documents

Publication Publication Date Title
CN107480680A (zh) 基于OCR和Bi‑LSTM的识别图像中文字信息的方法、系统及设备
CN109344288B (zh) 一种基于多模态特征结合多层注意力机制的结合视频描述方法
CN101655837B (zh) 一种对语音识别后文本进行检错并纠错的方法
CN109582789A (zh) 基于语义单元信息的文本多标签分类方法
CN111782772A (zh) 基于ocr技术的文本自动生成方法、装置、设备及介质
CN110334724B (zh) 基于lstm的遥感对象自然语言描述及多尺度矫正方法
CN112686345B (zh) 一种基于注意力机制的脱机英文手写识别方法
CN110309512A (zh) 一种基于生成对抗网络的中文语法错误更正方法
CN104794455B (zh) 一种东巴象形文字识别方法
CN113657098B (zh) 文本纠错方法、装置、设备及存储介质
CN111680480A (zh) 基于模板的作业批改方法、装置、计算机设备及存储介质
CN112820269A (zh) 文本转语音方法、装置、电子设备及存储介质
CN111027553A (zh) 一种圆形印章文字识别方法
CN113420546A (zh) 文本纠错方法、装置、电子设备及可读存储介质
CN110837568A (zh) 实体对齐方法及装置、电子设备、存储介质
CN114299512A (zh) 一种基于汉字字根结构的零样本小篆识别方法
CN110377282B (zh) 基于生成对抗和卷积神经网络的UI生成Web代码的方法
CN108416349A (zh) 识别纠偏系统及方法
CN110851627A (zh) 一种用于描述全日面图像中太阳黑子群的方法
CN105139036B (zh) 一种基于稀疏编码的手写体数字识别方法
Kim et al. Emotion enhancement for facial images using GAN
CN115168576A (zh) 一种方面情感分析方法、模型及介质
CN106709494A (zh) 一种基于耦合空间学习的场景文字识别方法
CN103793720A (zh) 一种眼睛定位方法和系统
CN111985486A (zh) 图像信息的识别方法及装置、存储介质、计算机设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171215

RJ01 Rejection of invention patent application after publication