CN109117738A - 基于人工智能的阅卷方法 - Google Patents

基于人工智能的阅卷方法 Download PDF

Info

Publication number
CN109117738A
CN109117738A CN201810798607.7A CN201810798607A CN109117738A CN 109117738 A CN109117738 A CN 109117738A CN 201810798607 A CN201810798607 A CN 201810798607A CN 109117738 A CN109117738 A CN 109117738A
Authority
CN
China
Prior art keywords
image
group
image block
enhanced
training set
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
CN201810798607.7A
Other languages
English (en)
Inventor
邱俊杰
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.)
Jiangsu Huangjinwu Education Development Co ltd
Original Assignee
Jiangsu Huangjinwu Education Development 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 Jiangsu Huangjinwu Education Development Co ltd filed Critical Jiangsu Huangjinwu Education Development Co ltd
Priority to CN201810798607.7A priority Critical patent/CN109117738A/zh
Publication of CN109117738A publication Critical patent/CN109117738A/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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)

Abstract

本发明涉及一种基于人工智能的阅卷方法，包括：获取已完成客观题及主观题作答的答题卡的图像；对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；建立标准答案库，利用进行深度神经网络进行标准答案学习；利用学习后的深度神经网络对客观题和主观题进行批阅，并对照评分规则给出得分。上述基于人工智能的阅卷方法，能够实现高准确度的手写字符识别以及客观题、主观题的全卷智能批阅。

Description

基于人工智能的阅卷方法
技术领域
本发明涉及阅卷方法，特别是涉及基于人工智能的阅卷方法。
背景技术
随着计算机和人工智能的高速发展，无论是工作还是生活都得到了极大地改善，其中教育领域尤为突出。传统的阅卷方式存在诸多的问题，一方面给教师造成了极大的工作负担，甚至压缩了教师备课的时间；另一方面，主观题的批阅带有较强的主观性。根据人脑工作质量与工作时长的分析，长期批阅可能造成批阅的误差性。
传统电子阅卷主要针对的只有客观题，采用的处理方法是读取填图卡的数据，将其和标准答案进行对比，这个方法有效的提高了批阅速度，但是需要学生作答时使用2B铅笔进行客观题的作答，不仅多有不便，还容易出现误涂、漏涂等情况。此外，如果一份试卷只有客观题显然是很不具有参考价值的，因此，试卷上通常也会有主观题。但是，主观题的答案具有仁者见仁智者见智的特点，每个人都不完全一样，表达的形式也不一，所以主观题的自动批阅一直是个很大的难题。
发明内容
基于此，有必要针对上述技术问题，提供一种基于人工智能的阅卷方法，能够实现高准确度的手写字符识别以及客观题、主观题的全卷智能批阅。
一种基于人工智能的阅卷方法，包括：
获取已完成客观题及主观题作答的答题卡的图像；
对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；
利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；
建立标准答案库，利用进行深度神经网络进行标准答案学习；
利用学习后的深度神经网络对客观题和主观题进行批阅，并对照评分规则给出得分。
上述基于人工智能的阅卷方法，能够实现高准确度的手写字符识别以及客观题、主观题的全卷智能批阅。
在另外的一个实施例中，“对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；”具体包括：
选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；
构建图像增强卷积神经网络，由三层卷积单元组成，其输入为带噪图像块和对应的灰度图像块，输出为增强后的图像块；
采用误差反向传播算法训练所述图像增强卷积神经网络，并基于权重图计算损耗，从而得到图像去噪及增强网络模型；
将测试集中带噪的图像及其对应的视觉图灰度化为灰度图进行图像预处理后，输入到图像去噪及增强网络模型，输出去噪及增强后的图像。
在另外的一个实施例中，步骤“选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；”中，所述图像预处理为对灰度图像依次进行直方图均衡化、双边滤波器滤波、Sobel算子提取边界、基于分水岭算法的分割、分割块平均值填充、像素量化处理。
在另外的一个实施例中，步骤“选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；”中，
所述对每一组图像进行切割，具体地，对每张带噪的深度图像，以设定的间隔进行分割，取出大小固定的图像块；再从灰度图像中的相同区域上取出同样大小图像块和前面的图像块一起组成了训练集的输入部分；再从干净深度图像的相同区域中以图像块中心为对称点取出缩小的图像块作为训练集的输出。
在另外的一个实施例中，步骤“利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；”具体包括：
获取待分析的包括字符的目标图像；
将所述目标图像输入预先训练的深度神经网络中，确定所述目标图像的字符区域对应的特征图；
通过所述深度神经网络对所述各字符区域对应的特征图进行字符识别，得到所述目标图像中包括的字符；
其中，所述深度神经网络是根据各样本图像、各样本图像的字符区域标定结果、以及各样本图像中包括的字符训练得到的。
在另外的一个实施例中，所述确定所述目标图像的字符区域对应的特征图的步骤包括：
根据预设的划分规则，确定所述目标图像中包括的各候选区域；
对所述各候选区域进行特征提取，得到各候选区域对应的特征图；
根据各候选区域对应的特征图，识别包含字符的特征图，并将所识别出的特征图确定为所述目标图像的字符区域对应的特征图。
在另外的一个实施例中，“建立答案库，利用进行深度神经网络标准答案学习；”中，学习的具体方法为：首先在系统中输入一份标准答案，然后随机抽取多份样本供计算机学习，答案词条匹配时采用模糊匹配方法和同义词条替换技术，在机器学习时不断更新匹配库以及词条库，输出一个新的答案库，并对答案库中的答案以N个字符为节点分解成多个模块。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
附图说明
图1为本申请实施例提供的一种基于人工智能的阅卷方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参阅图1，一种基于人工智能的阅卷方法，包括：
S110、获取已完成客观题及主观题作答的答题卡的图像。
S120、对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像。
S130、利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像。
S140、建立标准答案库，利用进行深度神经网络进行标准答案学习。
S150、利用学习后的深度神经网络对客观题和主观题进行批阅，并对照评分规则给出得分。
上述基于人工智能的阅卷方法，能够实现高准确度的手写字符识别以及客观题、主观题的全卷智能批阅。
在另外的一个实施例中，“对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；”具体包括：
选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；
构建图像增强卷积神经网络，由三层卷积单元组成，其输入为带噪图像块和对应的灰度图像块，输出为增强后的图像块；
采用误差反向传播算法训练所述图像增强卷积神经网络，并基于权重图计算损耗，从而得到图像去噪及增强网络模型；
将测试集中带噪的图像及其对应的视觉图灰度化为灰度图进行图像预处理后，输入到图像去噪及增强网络模型，输出去噪及增强后的图像。
在另外的一个实施例中，步骤“选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；”中，所述图像预处理为对灰度图像依次进行直方图均衡化、双边滤波器滤波、Sobel算子提取边界、基于分水岭算法的分割、分割块平均值填充、像素量化处理。
在另外的一个实施例中，步骤“选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；”中，
所述对每一组图像进行切割，具体地，对每张带噪的深度图像，以设定的间隔进行分割，取出大小固定的图像块；再从灰度图像中的相同区域上取出同样大小图像块和前面的图像块一起组成了训练集的输入部分；再从干净深度图像的相同区域中以图像块中心为对称点取出缩小的图像块作为训练集的输出。
在另外的一个实施例中，步骤“利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；”具体包括：
获取待分析的包括字符的目标图像；
将所述目标图像输入预先训练的深度神经网络中，确定所述目标图像的字符区域对应的特征图；
通过所述深度神经网络对所述各字符区域对应的特征图进行字符识别，得到所述目标图像中包括的字符；
其中，所述深度神经网络是根据各样本图像、各样本图像的字符区域标定结果、以及各样本图像中包括的字符训练得到的。
在另外的一个实施例中，所述确定所述目标图像的字符区域对应的特征图的步骤包括：
根据预设的划分规则，确定所述目标图像中包括的各候选区域；
对所述各候选区域进行特征提取，得到各候选区域对应的特征图；
根据各候选区域对应的特征图，识别包含字符的特征图，并将所识别出的特征图确定为所述目标图像的字符区域对应的特征图。
在另外的一个实施例中，“建立答案库，利用进行深度神经网络标准答案学习；”中，学习的具体方法为：首先在系统中输入一份标准答案，然后随机抽取多份样本供计算机学习，答案词条匹配时采用模糊匹配方法和同义词条替换技术，在机器学习时不断更新匹配库以及词条库，输出一个新的答案库，并对答案库中的答案以N个字符为节点分解成多个模块。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于人工智能的阅卷方法，其特征在于，包括：
获取已完成客观题及主观题作答的答题卡的图像；
对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；
利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；
建立标准答案库，利用进行深度神经网络进行标准答案学习；
利用学习后的深度神经网络对客观题和主观题进行批阅，并对照评分规则给出得分。
2.根据权利要求1所述的基于人工智能的阅卷方法，其特征在于，“对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；”具体包括：
选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；
构建图像增强卷积神经网络，由三层卷积单元组成，其输入为带噪图像块和对应的灰度图像块，输出为增强后的图像块；
采用误差反向传播算法训练所述图像增强卷积神经网络，并基于权重图计算损耗，从而得到图像去噪及增强网络模型；
将测试集中带噪的图像及其对应的视觉图灰度化为灰度图进行图像预处理后，输入到图像去噪及增强网络模型，输出去噪及增强后的图像。
3.根据权利要求2所述的基于人工智能的阅卷方法，其特征在于，步骤“选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；”中，所述图像预处理为对灰度图像依次进行直方图均衡化、双边滤波器滤波、Sobel算子提取边界、基于分水岭算法的分割、分割块平均值填充、像素量化处理。
4.根据权利要求2所述的基于人工智能的阅卷方法，其特征在于，步骤“选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；”中，
所述对每一组图像进行切割，具体地，对每张带噪的深度图像，以设定的间隔进行分割，取出大小固定的图像块；再从灰度图像中的相同区域上取出同样大小图像块和前面的图像块一起组成了训练集的输入部分；再从干净深度图像的相同区域中以图像块中心为对称点取出缩小的图像块作为训练集的输出。
5.根据权利要求1所述的基于人工智能的阅卷方法，其特征在于，
步骤“利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；”具体包括：
获取待分析的包括字符的目标图像；
将所述目标图像输入预先训练的深度神经网络中，确定所述目标图像的字符区域对应的特征图；
通过所述深度神经网络对所述各字符区域对应的特征图进行字符识别，得到所述目标图像中包括的字符；
其中，所述深度神经网络是根据各样本图像、各样本图像的字符区域标定结果、以及各样本图像中包括的字符训练得到的。
6.根据权利要求5所述的基于人工智能的阅卷方法，其特征在于，所述确定所述目标图像的字符区域对应的特征图的步骤包括：
根据预设的划分规则，确定所述目标图像中包括的各候选区域；
对所述各候选区域进行特征提取，得到各候选区域对应的特征图；
根据各候选区域对应的特征图，识别包含字符的特征图，并将所识别出的特征图确定为所述目标图像的字符区域对应的特征图。
7.根据权利要求1所述的基于人工智能的阅卷方法，其特征在于，“建立答案库，利用进行深度神经网络标准答案学习；”中，学习的具体方法为：首先在系统中输入一份标准答案，然后随机抽取多份样本供计算机学习，答案词条匹配时采用模糊匹配方法和同义词条替换技术，在机器学习时不断更新匹配库以及词条库，输出一个新的答案库，并对答案库中的答案以N个字符为节点分解成多个模块。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
CN201810798607.7A 2018-07-19 2018-07-19 基于人工智能的阅卷方法 Pending CN109117738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810798607.7A CN109117738A (zh) 2018-07-19 2018-07-19 基于人工智能的阅卷方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810798607.7A CN109117738A (zh) 2018-07-19 2018-07-19 基于人工智能的阅卷方法

Publications (1)

Publication Number Publication Date
CN109117738A true CN109117738A (zh) 2019-01-01

Family

ID=64862323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810798607.7A Pending CN109117738A (zh) 2018-07-19 2018-07-19 基于人工智能的阅卷方法

Country Status (1)

Country Link
CN (1) CN109117738A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993153A (zh) * 2019-04-18 2019-07-09 江苏曲速教育科技有限公司 一种基于边缘计算的人工智能阅卷系统
CN110309503A (zh) * 2019-05-21 2019-10-08 昆明理工大学 一种基于深度学习bert--cnn的主观题评分模型及评分方法
CN110929573A (zh) * 2019-10-18 2020-03-27 平安科技（深圳）有限公司 基于图像检测的试题检查方法及相关设备
CN111079641A (zh) * 2019-12-13 2020-04-28 科大讯飞股份有限公司 作答内容识别方法、相关设备及可读存储介质
WO2021051502A1 (zh) * 2019-09-19 2021-03-25 平安科技（深圳）有限公司 基于长短期记忆的教学方法、装置和计算机设备
CN112613500A (zh) * 2020-12-21 2021-04-06 安徽科迅教育装备集团有限公司 一种基于深度学习的校园动态阅卷系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825484A (zh) * 2016-03-23 2016-08-03 华南理工大学 一种基于深度学习的深度图像去噪及增强方法
CN107832768A (zh) * 2017-11-23 2018-03-23 盐城线尚天使科技企业孵化器有限公司 基于深度学习的高效阅卷方法和阅卷系统
CN108121984A (zh) * 2016-11-30 2018-06-05 杭州海康威视数字技术股份有限公司 一种字符识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825484A (zh) * 2016-03-23 2016-08-03 华南理工大学 一种基于深度学习的深度图像去噪及增强方法
CN108121984A (zh) * 2016-11-30 2018-06-05 杭州海康威视数字技术股份有限公司 一种字符识别方法及装置
CN107832768A (zh) * 2017-11-23 2018-03-23 盐城线尚天使科技企业孵化器有限公司 基于深度学习的高效阅卷方法和阅卷系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993153A (zh) * 2019-04-18 2019-07-09 江苏曲速教育科技有限公司 一种基于边缘计算的人工智能阅卷系统
CN110309503A (zh) * 2019-05-21 2019-10-08 昆明理工大学 一种基于深度学习bert--cnn的主观题评分模型及评分方法
WO2021051502A1 (zh) * 2019-09-19 2021-03-25 平安科技（深圳）有限公司 基于长短期记忆的教学方法、装置和计算机设备
CN110929573A (zh) * 2019-10-18 2020-03-27 平安科技（深圳）有限公司 基于图像检测的试题检查方法及相关设备
WO2021073266A1 (zh) * 2019-10-18 2021-04-22 平安科技（深圳）有限公司 基于图像检测的试题检查方法及相关设备
CN111079641A (zh) * 2019-12-13 2020-04-28 科大讯飞股份有限公司 作答内容识别方法、相关设备及可读存储介质
CN111079641B (zh) * 2019-12-13 2024-04-16 科大讯飞股份有限公司 作答内容识别方法、相关设备及可读存储介质
CN112613500A (zh) * 2020-12-21 2021-04-06 安徽科迅教育装备集团有限公司 一种基于深度学习的校园动态阅卷系统

Similar Documents

Publication Publication Date Title
CN109117738A (zh) 基于人工智能的阅卷方法
CN106023220B (zh) 一种基于深度学习的车辆外观部件图像分割方法
CN106780485A (zh) 基于超像素分割和特征学习的sar图像变化检测方法
CN112734775A (zh) 图像标注、图像语义分割、模型训练方法及装置
CN110516577A (zh) 图像处理方法、装置、电子设备及存储介质
CN107292250A (zh) 一种基于深度神经网络的步态识别方法
CN110096977A (zh) 笔迹鉴定模型的训练方法及笔迹鉴定方法、设备和介质
CN107423721A (zh) 人机交互动作检测方法、装置、存储介质及处理器
CN110232326A (zh) 一种三维物体识别方法、装置及存储介质
CN108681689A (zh) 基于生成对抗网络的帧率增强步态识别方法及装置
CN114399480A (zh) 蔬菜叶片病害严重程度检测方法及装置
CN109872326B (zh) 基于深度强化网络跳跃连接的轮廓检测方法
CN106529407A (zh) 一种车载指纹识别方法
CN104851183A (zh) 纸币面向识别方法及装置
CN103279944A (zh) 一种基于生物地理优化的图像分割方法
CN110102051A (zh) 游戏外挂的检测方法及装置
CN115457568A (zh) 一种基于生成对抗网络的历史文档图像降噪方法及系统
CN111126169B (zh) 基于正交化的图正则非负矩阵分解的人脸识别方法及系统
CN109447153A (zh) 用于非均衡数据分类的散度-激励自编码器及其分类方法
CN110188671B (zh) 一种利用机器学习算法分析笔迹特征的方法
CN105893941A (zh) 一种基于区域图像的人脸表情识别方法
CN113673396B (zh) 一种孢子发芽率计算方法、装置及存储介质
CN110909601A (zh) 一种基于深度学习的美瞳识别方法及系统
CN112861743B (zh) 一种掌静脉图像防伪方法、装置和设备
CN117274682B (zh) 一种基于异步co-teaching的含标签噪声数据分类方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190101