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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2017
- 2017-07-28 CN CN201710629521.7A patent/CN107480680A/zh active Pending
Patent Citations (4)
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)
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)
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 |