CN110852042A - 字符类型转换方法和装置 - Google Patents
字符类型转换方法和装置 Download PDFInfo
- Publication number
- CN110852042A CN110852042A CN201911113342.3A CN201911113342A CN110852042A CN 110852042 A CN110852042 A CN 110852042A CN 201911113342 A CN201911113342 A CN 201911113342A CN 110852042 A CN110852042 A CN 110852042A
- Authority
- CN
- China
- Prior art keywords
- characters
- sample data
- character
- handwriting
- training
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000007639 printing Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 82
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004883 computer application Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Character Discrimination (AREA)
Abstract
本公开实施例中提供了一种字符类型转换方法和装置,属于计算机应用技术领域,该方法包括:接收待处理的目标字符;将所述目标字符输入字符类型转换模型,确定所述目标字符的初始类型,其中,所述初始类型为手写体和印刷体中的任一种;输出对立类型的所述目标字符,其中,所述对立类型为与所述初始类型相反的类型。通过本公开的方案,提高了字符类型转换的多样性和适应性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种字符类型转换方法的装置。
背景技术
随着计算机技术的发展,智能设备的功能也越来越多样化。现有设备的字符显示方案中,通常显示的字符类型包括手写体和印刷体,手写体为采集用户手写输入操作形成的字符,印刷体则是设备本身生成的字符,输出字符的种类较为单一。
可见,现有的字符输出方案存在输出字符类型较为单一、适应性较差的技术问题。
发明内容
有鉴于此,本公开实施例提供一种字符类型转换方法和装置,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种字符类型转换方法,包括:
接收待处理的目标字符;
将所述目标字符输入字符类型转换模型,确定所述目标字符的初始类型,其中,所述初始类型为手写体和印刷体中的任一种;
输出对立类型的所述目标字符,其中,所述对立类型为与所述初始类型相反的类型。
根据本公开实施例的一种具体实现方式,获取预设数量的训练字符的手写体样本数据和印刷体样本数据;
将每个所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,训练得到所述字符类型转换模型
根据本公开实施例的一种具体实现方式,所述将每个所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,训练得到所述字符类型转换模型的步骤,包括:
将所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,提取手写体样本数据的手写体特征和印刷体样本数据的印刷体特征;
将所述手写体特征和印刷体特征输入神经网络;
将印刷体的训练字符转换为手写体的模拟字符,以及,将手写体的测试字符转换为印刷体的模拟字符;
确定所述手写体的模拟字符与所述手写体的训练字符的近似程度值,以及,所述印刷体的模拟字符与所述印刷体的训练字符的近似程度值;
抽取所述第一生成器和所述第二生成器的内隐含层的特征数据,得到漏洞损失值;
利用所述漏洞损失值调整补偿所述神经网络,得到所述字符类型转换模型。
根据本公开实施例的一种具体实现方式,所述神经网络为Cycle GAN;
所述将印刷体的训练字符转换为手写体的模拟字符,以及,将手写体的测试字符转换为印刷体的模拟字符的步骤,包括:
利用所述Cycle GAN的第一生成器,将印刷体的训练字符转换为手写体的模拟字符,以及,利用所述Cycle GAN的第二生成器,将手写体的模拟字符转换为印刷体的二次模拟字符;以及,
所述确定所述手写体的模拟字符与所述训练字符的手写体的近似程度值,以及,所述印刷体的模拟字符与所述训练字符的印刷体的近似程度值
利用所述Cycle GAN的第一判别器,判断所述手写体的模拟字符与所述手写体的训练字符的近似程度值,以及,利用所述Cycle GAN的第二判别器,判断所述印刷体的二次模拟字符与所述印刷体的训练字符的近似程度值。
根据本公开实施例的一种具体实现方式,所述利用所述Cycle GAN的第一生成器,将印刷体的训练字符转换为手写体的模拟字符的步骤,包括:
使用U形网络,对印刷体的所述训练字符进行下采样,得到第一特征层;
对所述第一特征层进行上采样,得到第二特征层;
将所述第一特征层的特征层信息输入到所述第二特征层的相同层级的特征信息中,得到手写体的模拟字符。
根据本公开实施例的一种具体实现方式,所述获取预设数量的训练字符的手写体样本数据和印刷体样本数据的步骤,包括:
获取初始数量的训练字符的手写体样本数据和印刷体样本数据;
对至少部分训练字符的手写体样本数据和印刷体样本数据进行几何变换,得到所述预设数量的训练字符的手写体样本数据和印刷体样本数据,其中,所述预设数量大于所述初始数量。
根据本公开实施例的一种具体实现方式,所述对至少部分训练字符的手写体样本数据和印刷体样本数据进行几何变换,得到所述预设数量的训练字符的手写体样本数据和印刷体样本数据的步骤之后所述方法还,包括:
对全部所述训练字符的手写体样本数据和印刷体样本数据进行二值化处理;
剔除灰度值小于预设阈值的样本数据。
根据本公开实施例的一种具体实现方式,所述几何变换包括:平移变换、旋转变换、缩放变换中的至少一种。
第二方面,本公开实施例提供了一种字符类型转换装置,包括:
接收模块,用于接收待处理的目标字符;
确定模块,用于将所述目标字符输入字符类型转换模型,确定所述目标字符的初始类型,其中,所述初始类型为手写体和印刷体中的任一种;
输出模块,用于输出对立类型的所述目标字符,其中,所述对立类型为与所述初始类型相反的类型。
根据本公开实施例的一种具体实现方式,所述装置还包括:
获取模块,用于获取预设数量的测试字符的手写体样本数据和印刷体样本数据;
训练模块,用于将每个所述测试字符的手写体样本数据和印刷体样本数据均对应输入神经网络,训练得到所述字符类型转换模型。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的字符类型转换方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的字符类型转换方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的字符类型转换方法。
本公开实施例中的字符类型转换方案,包括:接收待处理的目标字符;将所述目标字符输入字符类型转换模型,确定所述目标字符的初始类型,其中,所述初始类型为手写体和印刷体中的任一种;输出对立类型的所述目标字符,其中,所述对立类型为与所述初始类型相反的类型。通过本公开的方案,提高了字符类型转换的多样性和适应性。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,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它的附图。
图1为本公开实施例提供的一种字符类型转换方法的流程示意图;
图2为本公开实施例提供的另一种字符类型转换方法的部分流程示意图;
图3为本公开实施例提供的另一种字符类型转换方法的部分流程示意图;
图4为本公开实施例提供的字符类型转换方法所涉及的Cycle GAN的部分结构示意图;
图5为本公开实施例提供的字符类型转换方法的具体转换过程示意图;
图6为本公开实施例提供的字符类型转换方法所涉及的字符转换类型的对比图;
图7为本公开实施例提供的一种字符类型转换装置的结构示意图;
图8为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种字符类型转换方法。本实施例提供的字符类型转换方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,本公开实施例提供的一种字符类型转换方法,包括:
S101,接收待处理的目标字符;
本实施例提供的字符类型转换方法,能够实现针对同一字符不同类型转换,例如将一个字符的印刷体转换为手写体,或者由手写体转换为印刷体。考虑到字符的印刷体或者手写体通常存在多种字体,在进行转换时,通常在一种字体格式下进行转换,例如宋体的印刷体转换为接近宋体的手写体,接近楷体的手写体则转换为楷体的手写体,以提高类型转换的接近程度。
接收当前待处理的字符,定义为目标字符。该目标字符的类型可以为手写体或者印刷体,不作限定。
S102,将所述目标字符输入字符类型转换模型,确定所述目标字符的初始类型,其中,所述初始类型为手写体和印刷体中的任一种;
电子设备内预先存储有字符类型转换模型,该字符类型转换模型能够识别输入字符的初始类型,并能够将该输入字符转换为与初始类型对立的类型,例如,将印刷体的字符转换为手写体的字符,或者将手写体的字符转换为印刷体的字符。
确定待处理的目标字符后,即可将该目标字符输入到字符类型转换模型,先确定所输入的目标字符的初始类型是印刷体还是手写体。
S103,输出对立类型的所述目标字符,其中,所述对立类型为与所述初始类型相反的类型。
在确定了输入的目标字符的初始类型后,即可通过字符类型转化模型的处理,得到不同于初始类型的目标字符,定义该类型为与初始类型相反的对立类型。
在上述实施例的基础上,根据本公开实施例的一种具体实现方式,如图2所示,所述将所述目标字符输入字符类型转换模型的步骤之前,所述方法还可以包括:
S201,获取预设数量的训练字符的手写体样本数据和印刷体样本数据;
S202,将每个所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,训练得到所述字符类型转换模型。
本实施例提供的字符类型转换方法,通过样本数据训练神经网络,得到能够进行字符类型识别和转换的字符类型转换模型。
具体的,如图3至图6所示,所述将每个所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,训练得到所述字符类型转换模型的步骤,包括:
S301,将所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,提取手写体样本数据的手写体特征和印刷体样本数据的印刷体特征;
S302,将所述手写体特征和印刷体特征输入神经网络;
S303,将印刷体的训练字符转换为手写体的模拟字符,以及,将手写体的训练字符转换为印刷体的模拟字符;
可选的,所述神经网络为Cycle GAN。Cycle GAN网络是基于生成对抗网络结构的改进形式,其在原有的生成对抗网络的生成器G1和判别器D1结构上,增加了另外了一组生成器G2和判别器D2,实现将D2(G2(G1(x)),x)的分布近似误差最小化。Cycle GAN结构则构成了一个环形的网络结构特征。
所述将印刷体的训练字符转换为手写体的模拟字符,以及,将手写体的训练字符转换为印刷体的模拟字符的步骤,包括:
利用所述Cycle GAN的第一生成器,将印刷体的训练字符转换为手写体的模拟字符,以及,利用所述Cycle GAN的第二生成器,将手写体的模拟字符转换为印刷体的二次模拟字符。
S304,确定所述手写体的模拟字符与所述手写体的训练字符的近似程度值,以及,所述印刷体的模拟字符与所述印刷体的训练字符的近似程度值;
近似程度值的确定过程具体包括:
利用所述Cycle GAN的第一判别器,判断所述手写体的模拟字符与所述手写体的训练字符的近似程度值,以及,利用所述Cycle GAN的第二判别器,判断所述印刷体的二次模拟字符与所述印刷体的训练字符的近似程度值。
S305,抽取第一生成器和第二生成器的内隐含层的特征数据,得到漏洞损失值;
S306,利用所述漏洞损失值调整补偿所述神经网络,得到所述字符类型转换模型。
在利用Cycle GAN网络结构约束模型训练过程的前提下,为了进一步增强模型的稳定性,还可以构建一个基于两个生成器的Leaky Loss,进一步的约束了模型表现。
抽取生成器G1和G2部分隐含层的特征数据,评价两者隐含层特征数据的分布的差异性,从而计算得到Leaky Loss。
根据本公开实施例的一种具体实现方式,如图4至图6所示,所述利用所述CycleGAN的第一生成器,将印刷体的训练字符转换为手写体的模拟字符的步骤,包括:
使用U形网络,对印刷体的所述训练字符进行下采样,得到第一特征层;
对所述第一特征层进行上采样,得到第二特征层;
将所述第一特征层的特征层信息输入到所述第二特征层的相同层级的特征信息中,得到手写体的模拟字符。
对于数据集当中的一对字符,其由一个印刷体字符A和其对应的手写体字符B组成。手写体字符通过生成器G1,字符变形成为和手写体字符B近似的字符B’。该近似的印刷体字符再通过生成器G2,变形成为和印刷体字符A近似的字符A’。通过这样的过程,实现对于手写体与印刷体之间的字符风格转换。
此外,根据本公开实施例的另一种具体实现方式,所述获取预设数量的训练字符的手写体样本数据和印刷体样本数据的步骤,包括:
获取初始数量的训练字符的手写体样本数据和印刷体样本数据;
对至少部分训练字符的手写体样本数据和印刷体样本数据进行几何变换,得到所述预设数量的训练字符的手写体样本数据和印刷体样本数据,其中,所述预设数量大于所述初始数量。
通过几何变换实现数据扩充,减少样本数据采集的工作量,扩充了用于模型训练的样本数据总量。可选的,所述几何变换包括:平移变换、旋转变换、缩放变换中的至少一种。
此外,进行数据扩充之后,方法还可以包括:
对全部所述训练字符的手写体样本数据和印刷体样本数据进行二值化处理;
剔除灰度值小于预设阈值的样本数据。
对于训练数据样本进行归一化处理,例如可以0.67为阈值,进行数据二值化。提高样本数据的整体质量,提高模型训练的准确度。
上述本发明实施例提供的字符类型转换方法,本发明公开了一种基于深度学习的字符风格转换方法。该方法通过深度学习中的Cycle GAN结构,基于本公司收集整理得到的不同人的手写体数据集和标准字库的数据库,使模型能够实现同一个字符,在手写体和印刷体之间的字体风格转换。引入了Cycle GAN网络结构,用于约束模型在训练过程。建了一个基于两个生成器的Leaky Loss,进一步的约束了模型表现,增强模型的稳定性。
与上面的方法实施例相对应,参见图7,本公开实施例还提供了一种字符类型转换装置70,包括:
接收模块701,用于接收待处理的目标字符;
确定模块702,用于将所述目标字符输入字符类型转换模型,确定所述目标字符的初始类型,其中,所述初始类型为手写体和印刷体中的任一种;
输出模块703,用于输出对立类型的所述目标字符,其中,所述对立类型为与所述初始类型相反的类型。
根据本公开实施例的一种具体实现方式,所述装置70还包括:
获取模块,用于获取预设数量的训练字符的手写体样本数据和印刷体样本数据;
训练模块,用于将每个所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,训练得到所述字符类型转换模型。
图7所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图8,本公开实施例还提供了一种电子设备80,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的字符类型转换方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的字符类型转换方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的的字符类型转换方法。
下面参考图8,其示出了适于用来实现本公开实施例的电子设备80的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备80可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备80操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备80与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备80,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备能够实现上述方法实施例提供的方案。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备能够实现上述方法实施例提供的方案。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种字符类型转换方法,其特征在于,包括:
接收待处理的目标字符;
将所述目标字符输入字符类型转换模型,确定所述目标字符的初始类型,其中,所述初始类型为手写体和印刷体中的任一种;
输出对立类型的所述目标字符,其中,所述对立类型为与所述初始类型相反的类型。
2.根据权利要求1所述的方法,其特征在于,所述将所述目标字符输入字符类型转换模型的步骤之前,所述方法还包括:
获取预设数量的训练字符的手写体样本数据和印刷体样本数据;
将每个所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,训练得到所述字符类型转换模型。
3.根据权利要求2所述的方法,其特征在于,所述将每个所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,训练得到所述字符类型转换模型的步骤,包括:
将所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,提取手写体样本数据的手写体特征和印刷体样本数据的印刷体特征;
将所述手写体特征和印刷体特征输入神经网络;
将印刷体的训练字符转换为手写体的模拟字符,以及,将手写体的测试字符转换为印刷体的模拟字符;
确定所述手写体的模拟字符与所述手写体的训练字符的近似程度值,以及,所述印刷体的模拟字符与所述印刷体的训练字符的近似程度值;
抽取第一生成器和第二生成器的内隐含层的特征数据,得到漏洞损失值;
利用所述漏洞损失值调整补偿所述神经网络,得到所述字符类型转换模型。
4.根据权利要求3所述的方法,其特征在于,所述神经网络为Cycle GAN;
所述将印刷体的训练字符转换为手写体的模拟字符,以及,将手写体的测试字符转换为印刷体的模拟字符的步骤,包括:
利用所述Cycle GAN的第一生成器,将印刷体的训练字符转换为手写体的模拟字符,以及,利用所述Cycle GAN的第二生成器,将手写体的模拟字符转换为印刷体的二次模拟字符;以及,
所述确定所述手写体的模拟字符与所述训练字符的手写体的近似程度值,以及,所述印刷体的模拟字符与所述训练字符的印刷体的近似程度值
利用所述Cycle GAN的第一判别器,判断所述手写体的模拟字符与所述手写体的训练字符的近似程度值,以及,利用所述Cycle GAN的第二判别器,判断所述印刷体的二次模拟字符与所述印刷体的训练字符的近似程度值。
5.根据权利要求4所述的方法,其特征在于,所述利用所述Cycle GAN的第一生成器,将印刷体的训练字符转换为手写体的模拟字符的步骤,包括:
使用U形网络,对印刷体的所述训练字符进行下采样,得到第一特征层;
对所述第一特征层进行上采样,得到第二特征层;
将所述第一特征层的特征层信息输入到所述第二特征层的相同层级的特征信息中,得到手写体的模拟字符。
6.根据权利要求2至5中任一项所述的方法,其特征在于,所述获取预设数量的训练字符的手写体样本数据和印刷体样本数据的步骤,包括:
获取初始数量的训练字符的手写体样本数据和印刷体样本数据;
对至少部分训练字符的手写体样本数据和印刷体样本数据进行几何变换,得到所述预设数量的训练字符的手写体样本数据和印刷体样本数据,其中,所述预设数量大于所述初始数量。
7.根据权利要求6所述的方法,其特征在于,所述对至少部分训练字符的手写体样本数据和印刷体样本数据进行几何变换,得到所述预设数量的训练字符的手写体样本数据和印刷体样本数据的步骤之后所述方法还,包括:
对全部所述训练字符的手写体样本数据和印刷体样本数据进行二值化处理;
剔除灰度值小于预设阈值的样本数据。
8.根据权利要求7所述的方法,其特征在于,所述几何变换包括:平移变换、旋转变换、缩放变换中的至少一种。
9.一种字符类型转换装置,其特征在于,包括:
接收模块,用于接收待处理的目标字符;
确定模块,用于将所述目标字符输入字符类型转换模型,确定所述目标字符的初始类型,其中,所述初始类型为手写体和印刷体中的任一种;
输出模块,用于输出对立类型的所述目标字符,其中,所述对立类型为与所述初始类型相反的类型。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
获取模块,用于获取预设数量的训练字符的手写体样本数据和印刷体样本数据;
训练模块,用于将每个所述训练字符的手写体样本数据和印刷体样本数据均对应输入神经网络,训练得到所述字符类型转换模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113342.3A CN110852042A (zh) | 2019-12-13 | 2019-12-13 | 字符类型转换方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113342.3A CN110852042A (zh) | 2019-12-13 | 2019-12-13 | 字符类型转换方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852042A true CN110852042A (zh) | 2020-02-28 |
Family
ID=69601730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113342.3A Pending CN110852042A (zh) | 2019-12-13 | 2019-12-13 | 字符类型转换方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852042A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962192A (zh) * | 2021-04-28 | 2022-01-21 | 江西师范大学 | 汉字字体生成模型的生成方法、汉字字体生成方法及装置 |
CN117472257A (zh) * | 2023-12-28 | 2024-01-30 | 广东德远科技股份有限公司 | 一种基于ai算法的自动转正楷的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165376A (zh) * | 2018-06-28 | 2019-01-08 | 西交利物浦大学 | 基于少量样本的风格字符生成方法 |
CN109285111A (zh) * | 2018-09-20 | 2019-01-29 | 广东工业大学 | 一种字体转换的方法、装置、设备及计算机可读存储介质 |
-
2019
- 2019-12-13 CN CN201911113342.3A patent/CN110852042A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165376A (zh) * | 2018-06-28 | 2019-01-08 | 西交利物浦大学 | 基于少量样本的风格字符生成方法 |
CN109285111A (zh) * | 2018-09-20 | 2019-01-29 | 广东工业大学 | 一种字体转换的方法、装置、设备及计算机可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962192A (zh) * | 2021-04-28 | 2022-01-21 | 江西师范大学 | 汉字字体生成模型的生成方法、汉字字体生成方法及装置 |
CN113962192B (zh) * | 2021-04-28 | 2022-11-15 | 江西师范大学 | 汉字字体生成模型的生成方法、汉字字体生成方法及装置 |
CN117472257A (zh) * | 2023-12-28 | 2024-01-30 | 广东德远科技股份有限公司 | 一种基于ai算法的自动转正楷的方法及系统 |
CN117472257B (zh) * | 2023-12-28 | 2024-04-26 | 广东德远科技股份有限公司 | 一种基于ai算法的自动转正楷的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN112507806B (zh) | 智慧课堂信息交互方法、装置及电子设备 | |
CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN110267097A (zh) | 基于分类特征的视频推送方法、装置及电子设备 | |
CN111563390B (zh) | 文本生成方法、装置和电子设备 | |
US20230334880A1 (en) | Hot word extraction method and apparatus, electronic device, and medium | |
CN111738316B (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN111178056A (zh) | 基于深度学习的文案生成方法、装置及电子设备 | |
CN110826619A (zh) | 电子卷宗的文件分类方法、装置及电子设备 | |
CN109815448B (zh) | 幻灯片生成方法及装置 | |
CN110826567A (zh) | 光学字符识别方法、装置、设备及存储介质 | |
CN112487883A (zh) | 智能笔书写行为特征分析方法、装置及电子设备 | |
CN111680761B (zh) | 信息反馈方法、装置和电子设备 | |
CN112487871A (zh) | 笔迹数据处理方法、装置及电子设备 | |
CN110852042A (zh) | 字符类型转换方法和装置 | |
CN115270717A (zh) | 一种立场检测方法、装置、设备及介质 | |
CN118071428A (zh) | 用于多模态监测数据的智能处理系统及方法 | |
CN111402867B (zh) | 混合采样率声学模型训练方法、装置及电子设备 | |
CN111797822B (zh) | 文字对象评价方法、装置和电子设备 | |
CN112487897A (zh) | 笔迹内容评价方法、装置及电子设备 | |
CN112487876A (zh) | 智能笔字符识别方法、装置及电子设备 | |
CN112486337A (zh) | 笔迹图形分析方法、装置及电子设备 | |
CN113706663B (zh) | 图像生成方法、装置、设备及存储介质 | |
CN116089251A (zh) | 接口测试方法、设备、存储介质及程序产品 |
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: 20200228 |
|
RJ01 | Rejection of invention patent application after publication |