CN110377777A - 一种基于深度学习的图片多重标注方法及装置 - Google Patents
一种基于深度学习的图片多重标注方法及装置 Download PDFInfo
- Publication number
- CN110377777A CN110377777A CN201910580745.2A CN201910580745A CN110377777A CN 110377777 A CN110377777 A CN 110377777A CN 201910580745 A CN201910580745 A CN 201910580745A CN 110377777 A CN110377777 A CN 110377777A
- Authority
- CN
- China
- Prior art keywords
- picture
- mark
- markup information
- deep learning
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为了解决现有技术中存在的问题,创新提出了一种基于深度学习的图片多重标注方法,包括:选择深度学习模型图片样本,根据图片样本id信息,查询是否存在标注信息;如果存在,读取并解析图片的标注信息;如果不存在,创建图片标注信息;根据图片的标注信息进行显示,采用多图层、独立标签操作区域的方案,使各个标注标签完全独立,相互之间不存在重叠冲突,本发明还提供了一种基于深度学习的图片多重标注装置,有效解决现有标注方法需要安装单独应用程序,无法解决跨操作系统平台的问题,只要标注人员的计算机上安装有浏览器即可完成工作,摆脱了操作系统的限制,简单易操作,避免了标签重叠冲突,大大提高了标注效率。
Description
技术领域
本发明涉及图片标注领域,尤其是涉及一种基于深度学习的图片多重标注方法及装置。
背景技术
深度学习是机器学习的技术和研究领域之一,通过建立具有阶层结构的人工神经网络,在计算系统中实现人工智能。由于阶层人工神经网络能够对输入信息进行逐层提取和筛选,因此深度学习具有表征学习能力,可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层ANN具有多种形态,其阶层的复杂度被通称为“深度”。深度学习使用数据对其构筑中的参数进行更新以达成训练目标,该过程被通称为“学习”。
在深度学习的模型训练时,为了不断提高模型的精准性,需要大量的带有标注的样本,这些样本在训练完成后,其中一部分往往需要人工审核训练结果的准确性,使得标注费时又费力。目前提供的标注工具,大部分需要在计算机上安装单独的应用程序,无法解决跨操作系统平台问题,提高标注的复杂性。
发明内容
本发明为了解决现有技术中存在的问题,创新提出了一种基于深度学习的多重标注方法及装置,有效解决现有标注方法需要安装单独应用程序,无法解决跨操作系统平台的问题,摆脱了操作系统的限制,简单易操作。
本发明第一方面提供了一种基于深度学习的图片多重标注方法,包括:
选择深度学习模型图片样本,根据图片样本id信息,查询是否存在标注信息;
如果存在,读取并解析图片的标注信息;
如果不存在,创建图片标注信息;
根据图片的标注信息进行显示。
结合第一方面,在第一方面第一种可能的实现方式中,所述图片样本的格式为SVG格式。
结合第一方面,在第一方面第二种可能的实现方式中,所述读取图片的标注信息具体包括:创建加载图片样本的标签,创建标注图层,通过JavaScript自动读取后台提供的标注信息。
结合第一方面,在第一方面第三种可能的实现方式中,所述解析图片的标注信息包括:标注的类型、名称、描述、尺寸、位置。
结合第一方面,在第一方面第四种可能的实现方式中,所述创建图片标注信息具体包括:
图片样本为堆叠顺序的最底层,在图片样本堆叠顺序高一级的上一层,依次创建若干个标注图层,每个标注图层内设置一个标注标签;
标注标签设置完成后,在当前标注图层堆叠顺序高一级的上一层自动生成一个新的图层。
进一步地,所述创建的标注图层中根据创建顺序,进行优先级排序。
结合第一方面,在第一方面第五种可能的实现方式中,还包括:修改和/或删除标注信息,将标注信息发送给后台保存。
结合第一方面,在第一方面第六种可能的实现方式中,还包括:图片样本支持缩放,缩放过程中,标注标签相对位置不变。
本发明第二方面提供了一种基于深度学习的图片多重标注装置,包括:
选择查询模块,选择深度学习模型图片样本,根据图片样本id信息,查询是否存在标注信息;
读取解析模块,如果存在,读取并解析图片的标注信息;
创建模块,如果不存在,创建图片标注信息;
显示模块,根据图片的标注信息进行显示。
本发明采用的技术方案包括以下技术效果:
1、本发明有效解决现有标注方法需要安装单独应用程序,无法解决跨操作系统平台的问题,只要标注人员的计算机上安装有浏览器即可完成工作,摆脱了操作系统的限制,简单易操作。
2、本发明采用多图层、独立标签操作区域的方案,使各个标注标签完全独立,相互之间不存在重叠冲突,操作人员完全可以在几个重叠的标签中快速修改任意一个标签而不影响其他标签,先创建的图层具有更高的优先级,相应的图层内的标注标签同样具有更高的优先级,操作人员将鼠标移入标签相互重叠的部分进行操作时,选中的为最先创建的图层内的标签,避免了标签重叠冲突,大大提高了标注效率。
3、本发明提供了鼠标缩放、右键操作、指定标签名称等附加功能,帮助标注人员更好更快的达成期望,为提供标注图片样本提供了大大的便利。
应当理解的是以上的一般描述以及后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见的,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方案中实施例一的方法流程示意图;
图2为本发明方案中实施例一中多重标注图层分解示意图;
图3为本发明方案中实施例一中步骤S3的方法流程示意图
图4为本发明方案中实施例二的方法流程示意图;
图5为本发明方案中实施例三的装置结构示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例一
如图1-3所示,本发明提供了一种基于深度学习的图片多重标注方法,包括:
S1,选择深度学习模型图片样本,根据图片样本id信息,查询是否存在标注信息;如果判断结果为是,则执行步骤S2;如果判断结果为否,则执行步骤S3;
S2,读取并解析图片的标注信息;
S3,创建图片标注信息;
S4,根据图片的标注信息进行显示。
其中,在步骤S1中,选择深度学习模型图片样本后,通过JavaScript获取图片地址,在浏览器端加载图片样本,图片以SVG的格式呈现,使得图片在缩放时始终保持清晰的分辨率,根据图片样本id,查询后台提供的标注信息,判断是否已经存在标注信息。
在步骤S2中,读取图片的标注信息具体包括:创建加载图片样本的标签,创建标注图层,通过JavaScript自动读取后台提供的标注信息。将图片的标注信息解析为相应格式,标注信息可以包括:标注的类型、名称、描述、尺寸、位置。标注标签中的信息即为标注信息。具体地,对于已经通过模型训练完成的图片样本(存在标注信息的图片样本),标注人员可以在浏览器中查看标注结果,首先创建加载图片样本的SVG标签,同时创建标注图层,通过JavaScript方法自动读取后台提供的标注结果信息,在图片样本的相应位置显示。
在步骤S3中,所述创建图片标注信息具体包括:
S31,图片样本为堆叠顺序的最底层,在图片样本堆叠顺序高一级的上一层,依次创建若干个标注图层,每个标注图层内设置一个标注标签;
S32,标注标签设置完成后,在当前标注图层堆叠顺序高一级的上一层自动生成一个新的图层。
在步骤S31以及S32中,图片样本为堆叠顺序的最底层,在图片样本堆叠顺序高一级的上一层,依次创建若干个标注图层,每个标注图层内设置一个标注标签;标注标签设置完成后,在当前标注图层堆叠顺序高一级的上一层自动生成一个新的图层,为保证标注标签的独立性,每个图层只设置一个标注标签,每创建一个标注标签,自动生成一个新的图层,标注标签的所有操作都在其所在的图层内展开,使各个标注标签互不影响。图片样本所在的html(Hyper Text Markup Language,即超文本标记语言)Dom(Document ObjectModel,文档对象模型)结构中,图片样本与标注图层的css(Cascading Style Sheets,层叠样式表)堆叠顺序中,拥有堆叠顺序更高的元素总是会处于堆叠顺序较低的元素的前面,层级越高,距离用户越近。本发明中,图片样本的堆叠顺序最低,为最底层,标注图层堆叠顺序比图片样本堆叠顺序高。具体地,对于待训练的深度学习模型图片样本(未存在标注信息的图片样本),标注人员可以在浏览器中预览所有图片样本,点击打开要标注的图片,在页面上创建一个包裹着图片样本的SVG标签,同时创建标注图层,在标注图层内,提供监听鼠标事件的方法,点击并拖拽鼠标以矩形形状选中图片的指定区域,输入标注标签的名称、描述等信息,完成一次标注。相应的,标注人员也可以切换不同的标注工具,标注形式既可以是点标注、矩形标注、多边形标注等,本发明在此不做限制。当选择点标注时,只需要在标注位置点击鼠标,输入标注标签的名称、描述等信息,完成一次标注。当选择多边形标注时,标注人员通过“点击-移动-点击”鼠标的形式,将要标注的位置框选在多边形区域内,再次点击起始点的标注位置,输入标注标签的名称、描述等信息,完成一次标注。
在步骤S2以及步骤S3中,创建的标注图层中根据创建顺序,进行优先级排序,增加了标注标签重叠的判断方法,每创建一个标注标签,在图片上增加一个新的图层,保证每个标注标签都在独立的图层内操作,先创建的图层具有更高的优先级,当多个标签发生重叠,当鼠标移入标签相互重叠的部分进行操作时,选中的为最先创建的图层内的标签,从而防止多个标签重叠的问题。本发明优先级排序是以先创建图层优先级更高,也可以根据具体情况进行调整,本发明在此不做限制。
本发明实施例提供鼠标拖拽、移动功能,标注人员可以使用鼠标拖拽修改标注标签框的大小,移动标注标签框的位置。
本发明实施例中图片样本支持缩放,缩放过程中,标注标签相对位置不变。允许用户可以通过鼠标滚轮放大/缩小图片样本,标注标签跟随缩放效果保持相对位置不变,实现兼容不同尺寸的图片,达到更好的展示效果。
本发明通过提出一种基于深度学习的图片多重标注方法,有效解决现有标注方法需要安装单独应用程序,无法解决跨操作系统平台的问题,只要标注人员的计算机上安装有浏览器即可完成工作,摆脱了操作系统的限制,简单易操作。
本发明采用多图层、独立标签操作区域的方案,使各个标注标签完全独立,相互之间不存在重叠冲突,操作人员完全可以在几个重叠的标签中快速修改任意一个标签而不影响其他标签,先创建的图层具有更高的优先级,相应的图层内的标注标签同样具有更高的优先级,操作人员将鼠标移入标签相互重叠的部分进行操作时,选中的为最先创建的图层内的标签,避免了标签重叠冲突,大大提高了标注效率。
本发明提供了鼠标缩放、指定标签名称等附加功能,帮助标注人员更好更快的达成期望,为提供标注图片样本提供了大大的便利。
实施例二
如图4所示,本发明还提供了一种基于深度学习的图片多重标注方法,包括:
S1,选择深度学习模型图片样本,根据图片样本id信息,查询是否存在标注信息;如果判断结果为是,则执行步骤S2;如果判断结果为否,则执行步骤S3;
S2,读取并解析图片的标注信息;
S3,创建图片标注信息;
S4,根据图片的标注信息进行显示;
S5,修改和/或删除标注信息,将标注信息发送给后台保存。
在步骤S5中,将鼠标位置在标注标签上方时,自动显示标签名称、描述等信息,点击鼠标右键,选择弹出的操作菜单,可以修改标签名称、描述信息,也可以删除选中的标签,最后将更改后的标注信息发送给后台保存。
本发明实施例提供了通过鼠标右键操作进行修改、删除等附加功能,帮助标注人员更好更快的达成期望,为提供标注图片样本提供了大大的便利。
实施例三
如图5所示,本发明还提供了一种基于深度学习的图片多重标注装置,包括:
选择查询模块101,选择深度学习模型图片样本,根据图片样本id信息,查询是否存在标注信息;
读取解析模块102,如果存在,读取并解析图片的标注信息;
创建模块103,如果不存在,创建图片标注信息;
显示模块104,根据图片的标注信息进行显示。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于深度学习的图片多重标注方法,其特征是,包括:
选择深度学习模型图片样本,根据图片样本id信息,查询是否存在标注信息;
如果存在,读取并解析图片的标注信息;
如果不存在,创建图片标注信息;
根据图片的标注信息进行显示。
2.根据权利要求1所述的基于深度学习的图片多重标注方法,其特征是,所述图片样本的格式为SVG格式。
3.根据权利要求1所述的基于深度学习的图片多重标注方法,其特征是,所述读取图片的标注信息具体包括:创建加载图片样本的标签,创建标注图层,通过JavaScript自动读取后台提供的标注信息。
4.根据权利要求1所述的基于深度学习的图片多重标注方法,其特征是,所述解析图片的标注信息包括:标注的类型、名称、描述、尺寸、位置。
5.根据权利要求1所述的基于深度学习的图片多重标注方法,其特征是,所述创建图片标注信息具体包括:
图片样本为堆叠顺序的最底层,在图片样本堆叠顺序高一级的上一层,依次创建若干个标注图层,每个标注图层内设置一个标注标签;
标注标签设置完成后,在当前标注图层堆叠顺序高一级的上一层自动生成一个新的图层。
6.根据权利要求5所述的基于深度学习的图片多重标注方法,其特征是,所述创建的标注图层中根据创建顺序,进行优先级排序。
7.根据权利要求1所述的基于深度学习的图片多重标注方法,其特征是,还包括:修改和/或删除标注信息,将标注信息发送给后台保存。
8.根据权利要求1-7任一所述的基于深度学习的图片多重标注方法,其特征是,所述图片样本支持缩放,缩放过程中,标注标签相对位置不变。
9.一种基于深度学习的图片多重标注装置,其特征是,包括:
选择查询模块,选择深度学习模型图片样本,根据图片样本id信息,查询是否存在标注信息;
读取解析模块,如果存在,读取并解析图片的标注信息;
创建模块,如果不存在,创建图片标注信息;
显示模块,根据图片的标注信息进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910580745.2A CN110377777A (zh) | 2019-06-29 | 2019-06-29 | 一种基于深度学习的图片多重标注方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910580745.2A CN110377777A (zh) | 2019-06-29 | 2019-06-29 | 一种基于深度学习的图片多重标注方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110377777A true CN110377777A (zh) | 2019-10-25 |
Family
ID=68251360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910580745.2A Pending CN110377777A (zh) | 2019-06-29 | 2019-06-29 | 一种基于深度学习的图片多重标注方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110377777A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888582A (zh) * | 2019-11-25 | 2020-03-17 | Oppo(重庆)智能科技有限公司 | 标记信息处理方法、装置、存储介质和终端 |
CN112365477A (zh) * | 2020-11-13 | 2021-02-12 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
CN112700367A (zh) * | 2021-01-14 | 2021-04-23 | 南方电网深圳数字电网研究院有限公司 | 图片格式转换方法、装置及存储介质 |
CN113010069A (zh) * | 2021-03-12 | 2021-06-22 | 浙江大华技术股份有限公司 | 图片标注的切换方法、设备、电子装置和存储介质 |
CN113178079A (zh) * | 2021-04-06 | 2021-07-27 | 青岛以萨数据技术有限公司 | 一种用于信号灯和车道线的标注系统、方法及存储介质 |
CN113806573A (zh) * | 2021-09-15 | 2021-12-17 | 上海商汤科技开发有限公司 | 标注方法、装置、电子设备、服务器及存储介质 |
CN114299307A (zh) * | 2021-12-28 | 2022-04-08 | 广东电网有限责任公司 | 一种输电线路图像标注方法及相关装置 |
CN114489829A (zh) * | 2021-12-22 | 2022-05-13 | 北京市遥感信息研究所 | 一种基于ArcMap的遥感图像样本标注方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140236720A1 (en) * | 2011-07-05 | 2014-08-21 | Michael Stewart Shunock | System And Method For Annotating Images |
CN106776939A (zh) * | 2016-12-01 | 2017-05-31 | 山东师范大学 | 一种图像无损标注方法及系统 |
CN106792157A (zh) * | 2016-12-13 | 2017-05-31 | 广东中星电子有限公司 | 一种基于视频的信息标注与显示方法和系统 |
CN108268626A (zh) * | 2018-01-11 | 2018-07-10 | 中科院微电子研究所昆山分所 | 一种html图像上添加、显示标记的方法及装置 |
-
2019
- 2019-06-29 CN CN201910580745.2A patent/CN110377777A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140236720A1 (en) * | 2011-07-05 | 2014-08-21 | Michael Stewart Shunock | System And Method For Annotating Images |
CN106776939A (zh) * | 2016-12-01 | 2017-05-31 | 山东师范大学 | 一种图像无损标注方法及系统 |
CN106792157A (zh) * | 2016-12-13 | 2017-05-31 | 广东中星电子有限公司 | 一种基于视频的信息标注与显示方法和系统 |
CN108268626A (zh) * | 2018-01-11 | 2018-07-10 | 中科院微电子研究所昆山分所 | 一种html图像上添加、显示标记的方法及装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888582A (zh) * | 2019-11-25 | 2020-03-17 | Oppo(重庆)智能科技有限公司 | 标记信息处理方法、装置、存储介质和终端 |
CN110888582B (zh) * | 2019-11-25 | 2022-01-25 | Oppo(重庆)智能科技有限公司 | 标记信息处理方法、装置、存储介质和终端 |
CN112365477A (zh) * | 2020-11-13 | 2021-02-12 | 常州微亿智造科技有限公司 | 缺陷检测方法和装置 |
CN112700367A (zh) * | 2021-01-14 | 2021-04-23 | 南方电网深圳数字电网研究院有限公司 | 图片格式转换方法、装置及存储介质 |
CN113010069A (zh) * | 2021-03-12 | 2021-06-22 | 浙江大华技术股份有限公司 | 图片标注的切换方法、设备、电子装置和存储介质 |
CN113178079A (zh) * | 2021-04-06 | 2021-07-27 | 青岛以萨数据技术有限公司 | 一种用于信号灯和车道线的标注系统、方法及存储介质 |
CN113178079B (zh) * | 2021-04-06 | 2022-08-23 | 青岛以萨数据技术有限公司 | 一种用于信号灯和车道线的标注系统、方法及存储介质 |
CN113806573A (zh) * | 2021-09-15 | 2021-12-17 | 上海商汤科技开发有限公司 | 标注方法、装置、电子设备、服务器及存储介质 |
CN114489829A (zh) * | 2021-12-22 | 2022-05-13 | 北京市遥感信息研究所 | 一种基于ArcMap的遥感图像样本标注方法 |
CN114489829B (zh) * | 2021-12-22 | 2023-04-18 | 北京市遥感信息研究所 | 一种基于ArcMap的遥感图像样本标注方法 |
CN114299307A (zh) * | 2021-12-28 | 2022-04-08 | 广东电网有限责任公司 | 一种输电线路图像标注方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377777A (zh) | 一种基于深度学习的图片多重标注方法及装置 | |
US10318628B2 (en) | System and method for creation of templates | |
DE602004006682T2 (de) | Extraktion von Metadaten aus gekennzeichneten Bereichen eines Dokuments | |
DE60314806T2 (de) | Extrahierung von Information aus strukturierten Dokumenten | |
US7917850B2 (en) | Document managing system and method thereof | |
CN104111918B (zh) | 网页内容的无障碍处理方法和无障碍网页装置 | |
US20090019386A1 (en) | Extraction and reapplication of design information to existing websites | |
DE102012202558A1 (de) | Erzeugung einer Abfrage aus dargestellten Textdokumenten unter Anwendung virtueller Magnete | |
CN103970750B (zh) | 一种生成html网页的方法和装置 | |
DE19859180A1 (de) | Automatisches adaptives Dokumenten-Hilfesystem | |
DE102018007165A1 (de) | Vorhersage von stilbrüchen innerhalb eines textinhalts | |
DE10135445A1 (de) | Integriertes Verfahren für das Schaffen einer aktualisierbaren Netzabfrage | |
US20070256062A1 (en) | Computer programming and markup language source code visualization tool | |
CN106484663A (zh) | 一种文档内容的提取方法和装置 | |
WO2006107529A2 (en) | Method and system for aggregating rules for a property associated with a document element | |
CN105912613A (zh) | 一种网站模板快速迁移的方法 | |
WO2019155291A2 (en) | Systems and methods for accessibility enabling browser addon | |
CN105867820A (zh) | 用于触摸屏的文本编辑方法和装置 | |
CN107391675A (zh) | 用于生成结构化信息的方法和装置 | |
JP6866551B2 (ja) | 数式処理方法、装置、デバイス及びプログラム | |
US20100162095A1 (en) | Data processing apparatus and data processing method | |
Biller et al. | Webgt: An interactive web-based system for historical document ground truth generation | |
US11416673B1 (en) | System and method for implementing sentence level document versioning through a document data structure designed to store multiple sentence variants | |
DE112015003612T5 (de) | Zusammenfassungsansichten für E-Books | |
CN103488484A (zh) | 一种在线编辑器的软件实现方法及系统 |
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: 20191025 |