CN112131834A - 一种西波字体生成和识别方法 - Google Patents

一种西波字体生成和识别方法 Download PDF

Info

Publication number
CN112131834A
CN112131834A CN202011017747.XA CN202011017747A CN112131834A CN 112131834 A CN112131834 A CN 112131834A CN 202011017747 A CN202011017747 A CN 202011017747A CN 112131834 A CN112131834 A CN 112131834A
Authority
CN
China
Prior art keywords
font
external memory
noise
west
weight
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.)
Granted
Application number
CN202011017747.XA
Other languages
English (en)
Other versions
CN112131834B (zh
Inventor
唐轶
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.)
Yunnan Minzu University
Original Assignee
Yunnan Minzu University
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 Yunnan Minzu University filed Critical Yunnan Minzu University
Priority to CN202011017747.XA priority Critical patent/CN112131834B/zh
Publication of CN112131834A publication Critical patent/CN112131834A/zh
Application granted granted Critical
Publication of CN112131834B publication Critical patent/CN112131834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/103—Formatting, i.e. changing of presentation of documents
    • G06F40/109—Font handling; Temporal or kinetic typography
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Character Discrimination (AREA)
  • Controls And Circuits For Display Device (AREA)

Abstract

本发明涉及图像处理技术领域，且公开了一种西波字体生成和识别方法，包括以下步骤：A1、西波字体生成，西波字体的生成包括以下步骤：S1、生成器的输入；S2、生成器的数据流，数据逐块流过，每一个块的数据流方式为：对输入noise_style和noise进行spatially‑adaptive normalization(SPADE)操作，然后把SPADE的数据流与noise_image进行融合，接下来，对融合结果进行relu激活；S3、判别器的输入，喂给判别器的图像都是处理成256x256的单字RGB图像。本发明实现了较少西波字体数据集下的字体生成。本发明是基于字体图像的生成方法，通过训练阶段喂给判别器手写毛笔汉字，提取字体的笔画特征。相对于基于字体笔迹的生成方法，节省了计算机的计算开销。

Description

一种西波字体生成和识别方法
技术领域
本发明涉及图像处理技术领域，具体为一种西波字体生成和识别方法。
背景技术
西波文字受时间洗礼和传承方式的限制，现存该文字数量较少、风格单一。在使用神经网络模型处理该文字时，模型受到很大的限制。对于这个问题，生成西波字体是一种有效的技术手段，它通过计算机学习采集到的某个人书写笔迹，生成具有该人书写风格的西波文字。对于常见的文字生成方法，根据应用场景的不同，大致可以分为两类。一类是基于字体笔迹的生成方法，另一类是基于字体(扫描、拍照)图像的生成方法。
对于基于字体笔迹的生成方法来说，应用场景多是让机械臂帮人们处理手写任务，比如：代替个人写亲笔信、帮助文员做手写文案工作等。在这类方法中，首先要获取字体具体的笔迹，接着，就要考虑笔迹的数据属性：是连续性数据还是离散型数据？并依据笔迹的数据类型，给出空间表示。Lian等人在文献“Lian,Zhouhui and Jianguo Xiao.“Automatic shape morphing for Chinese characters.”SA'12(2012).”中提出一种基于笔迹自动实现不同风格汉字生成的模型，建立了单个字不同风格之间的准确对应关系。但是对应点查找步骤太过复杂，增加了计算开销。
对于基于字体图像的生成方法来说，在应用场景上，以生成新的字体为目标，可以仅依赖文字的图像完成。Chang等人在文献“Chang,Bo,Qiong Zhang,Shenyi Pan and LiliMeng.“Generating Handwritten Chinese Characters Using CycleGAN”2018IEEEWinter Conference on Applications of Computer Vision(WACV)(2018)：199-207.”中用cycleGAN模型对未配对的手写汉字进行个性化风格生成。该方法易于提取文字风格且可以一次性生成整张图片。但是，这类方法存在的缺陷是对手写文字到的笔画信息(字体笔画的书写规律、先后顺序)会丢失。github账号名为kaonashi-tyc的用户，在https：//github.com/kaonashi-tyc/zi2zi上给出“zi2zi”的基于字体图像的文字生成模型。该模型在字体的生成结果上取得了很大的进展。然而，模型需要大量的字体数据集。
发明内容
本发明的目的在于提供了一种西波字体生成和识别方法。
为实现上述目的，本发明提供如下技术方案：一种西波字体生成和识别方法，包括以下步骤：
A1、西波字体生成，西波字体的生成包括以下步骤：
S1、生成器的输入；
S2、生成器的数据流，数据逐块流过，每一个块的数据流方式为：对输入noise_style和noise进行spatially-adaptive normalization(SPADE)操作，然后把SPADE的数据流与noise_image进行融合，接下来，对融合结果进行relu激活；
S3、判别器的输入，喂给判别器的图像都是处理成256x256的单字RGB图像；
A2、西波字体识别，西波字体识别包括以下步骤：
B1、首先进行样本类别绑定，数据集为D＝{dt}＝{(xt，yt)}，yt既是目标类别标签，又以时间偏移的方式与xt一起输入，也就是说，模型输入序列为(x1，0)，(x2，y1)…(xt，yt-1)；
B2、定义余弦相似性度量，给定一些输入xt，控制器LSTM产生一个密钥gt，然后存储在外部记忆单元Rt的空位置，或用于已存储过的外部记忆单元中查询特定的外部记忆i,即Rt(i)，当查询外部记忆单元Rt时，使用余弦相似性度量来寻址向量mt，
Figure BDA0002699638410000031
B3、生成读取向量，读取权重向量
Figure BDA0002699638410000032
根据softmax计算：
Figure BDA0002699638410000033
读取向量mt可定义为外部记忆向量Rt(i)的凸组合：
Figure BDA0002699638410000034
B4、进行外部记忆的更新，在t时刻，使用权重
Figure BDA0002699638410000035
通过减少先前使用权重
Figure BDA0002699638410000036
和添加当前读取权重
Figure BDA0002699638410000037
写入权重
Figure BDA0002699638410000038
进行更新，
Figure BDA0002699638410000039
γ是衰减参数，并且计算
Figure BDA00026996384100000310
然后，使用
Figure BDA00026996384100000311
计算特定时间步长的最小使用权重
Figure BDA00026996384100000312
首先，我们引入符号W(V，n)来表示向量v的最小元素，
Figure BDA00026996384100000313
由下面公式计算：
Figure BDA00026996384100000314
其中n为对外部记忆的读取次数，写入权重
Figure BDA00026996384100000315
为先前读取权重
Figure BDA00026996384100000316
和先前最少使用权重
Figure BDA00026996384100000317
的凸组合：
Figure BDA00026996384100000318
这里，δ(α)是S形函数，α是在权重之间进行插值的标量门参数，在记忆写入前，由
Figure BDA00026996384100000319
计算最少使用的内存位置，并设置为零，然后计算写入权重
Figure BDA00026996384100000320
将信息存储在外部记忆单元中：
Figure BDA00026996384100000321
优选的，S1中包括以下步骤：
K1、控制特征的noise_style，在正态分布中采样获得，并经过归一化和两层的全连接操作后，再喂给生成器；
K2、控制笔迹细节的noise_image，从均匀分布中采样获得，并经一层卷积操作后，再喂给生成器；
K3、生成器的内容输入noise，给的是一个一维常数。
优选的，S3中判别器输入分为训练阶段和测试阶段，训练阶段，判别器喂进来的图像是手写毛笔汉字；测试阶段，判别器喂进来的是我们采集到的手写西波文字。
优选的，B1中对于MANN模型，标签需进行混洗，混洗是将任务数据集D＝{dt}＝{(xt，yt)}的表现形式重新绑定为D1＝{dt}＝{(xt，yt-1)}的表现形式。
优选的，样本类别绑定后，将样本数据信息保存在外部记忆单元中。
优选的，B4中信息可以存储在归零存储器或先前使用的存储器中；如果是后者，则最少使用记忆被新信息代替。
本发明提供了一种西波字体生成和识别方法。具备以下有益效果：
1.实现了较少西波字体数据集下的字体生成。本发明是基于字体图像的生成方法，通过训练阶段喂给判别器手写毛笔汉字，提取字体的笔画特征。相对于基于字体笔迹的生成方法，节省了计算机的计算开销。
2.非成对西波字体生成。本发明精心构造生成器，使得整个模型的输入是一维常量和字体图像。
3.字体特征纠缠减少。喂给生成器的noise_style经过信息的提取，得到特征解缠，并控制笔画的生成。
4.记忆网络对样本少的西波文识别精度理想。
5.记忆网络训练时间相对深度学习较少，学习速度更快。
6.记忆网络扩大了深度学习神经网络的内存空间。
附图说明
图1为本发明西波字体生成流程图；
图2为本发明西波字体识别原理图；
图3为本发明西波字体进行样本类别绑定原理图；
图4为本发明记忆增强网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1-4所示，本发明提供一种技术方案：一种西波字体生成和识别方法，包括以下步骤：
A1、西波字体生成，西波字体的生成包括以下步骤：
S1、生成器的输入；
S1中包括以下步骤：
K1、控制特征的noise_style，在正态分布中采样获得，并经过归一化和两层的全连接操作后，再喂给生成器；
K2、控制笔迹细节的noise_image，从均匀分布中采样获得，并经一层卷积操作后，再喂给生成器；
K3、生成器的内容输入noise，给的是一个一维常数。
S2、生成器的数据流，数据逐块流过，每一个块的数据流方式为：对输入noise_style和noise进行spatially-adaptive normalization(SPADE)操作，然后把SPADE的数据流与noise_image进行融合，接下来，对融合结果进行relu激活；
S3、判别器的输入，喂给判别器的图像都是处理成256x256的单字RGB图像；S3中判别器输入分为训练阶段和测试阶段，训练阶段，判别器喂进来的图像是手写毛笔汉字；测试阶段，判别器喂进来的是我们采集到的手写西波文字。
A2、西波字体识别，西波字体识别包括以下步骤：
B1、首先进行样本类别绑定，数据集为D＝{dt}＝{(xt，yt)}，yt既是目标类别标签，又以时间偏移的方式与xt一起输入，也就是说，模型输入序列为(x1，0)，(x2，y1)…(xt，yt-1)；B1中对于MANN模型，标签需进行混洗，混洗是将任务数据集D＝{dt}＝{(xt，yt)}的表现形式重新绑定为D1＝{dt}＝{(xt，yt-1)}的表现形式，它可以防止网络在权重上缓慢学习并进行样本类别绑定，样本类别绑定后，将样本数据信息保存在外部记忆单元中。
B2、定义余弦相似性度量，给定一些输入xt，控制器LSTM产生一个密钥gt，然后存储在外部记忆单元Rt的空位置，或用于已存储过的外部记忆单元中查询特定的外部记忆i,即Rt(i)，当查询外部记忆单元Rt时，使用余弦相似性度量来寻址向量mt，
Figure BDA0002699638410000061
B3、生成读取向量，读取权重向量
Figure BDA0002699638410000071
根据softmax计算：
Figure BDA0002699638410000072
读取向量mt可定义为外部记忆向量Rt(i)的凸组合：
Figure BDA0002699638410000073
B4、进行外部记忆的更新，在t时刻，使用权重
Figure BDA0002699638410000074
通过减少先前使用权重
Figure BDA0002699638410000075
和添加当前读取权重
Figure BDA0002699638410000076
写入权重
Figure BDA0002699638410000077
进行更新，
Figure BDA0002699638410000078
γ是衰减参数，并且计算
Figure BDA0002699638410000079
然后，使用
Figure BDA00026996384100000710
计算特定时间步长的最小使用权重
Figure BDA00026996384100000711
首先，我们引入符号W(V，n)来表示向量v的最小元素，
Figure BDA00026996384100000712
由下面公式计算：
Figure BDA00026996384100000713
其中n为对外部记忆的读取次数，写入权重
Figure BDA00026996384100000714
为先前读取权重
Figure BDA00026996384100000715
和先前最少使用权重
Figure BDA00026996384100000716
的凸组合：
Figure BDA00026996384100000717
这里，δ(α)是S形函数，α是在权重之间进行插值的标量门参数，在记忆写入前，由
Figure BDA00026996384100000718
计算最少使用的内存位置，并设置为零，然后计算写入权重
Figure BDA00026996384100000719
将信息存储在外部记忆单元中：
Figure BDA00026996384100000720
B4中信息可以存储在归零存储器或先前使用的存储器中；如果是后者，则最少使用记忆被新信息代替。
深度学习和元学习方法对比结果如表1所示：
Figure BDA0002699638410000081
表1
表1说明，LSTM模型，CNN模型对小样本的西波手写文字数据集识别精度最高达到36％，并花费大量时间进行训练。由于深度学习对识别任务需要大量的数据进行广泛迭代训练，才能达到理想的效果。因此，在小样本的西波手写文字识别任务中，深度学习并不是一个理想的选择。相反，元学习对小样本的西波手写文字识别效果比较理想。MANN模型只需深度学习一半的训练时间，识别精度就可提高到79％。
在使用时，LSTM做控制器，最近最少使用访问--LRUA模块做外部记忆。控制器LSTM将学习得到的内容通过读写头与外部记忆进行交互。LSTM学习得到的内容通过读写头存储在外部记忆中，并产生相关密钥gt。LSTM进行新的学习时，通过密钥gt查询、遗忘门ft决定是否从外部记忆读取学习。当LRUA查询到相关内容时，遗忘门ft关闭，直接读取外部记忆内容进行学习，若没有查询到相关内容，则遗忘门ft打开，将LSTM学习到的内容存储在外部记忆。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种西波字体生成和识别方法，其特征在于：包括以下步骤：
A1、西波字体生成，西波字体的生成包括以下步骤：
S1、生成器的输入；
S2、生成器的数据流，数据逐块流过，每一个块的数据流方式为：对输入noise_style和noise进行spatially-adaptive normalization(SPADE)操作，然后把SPADE的数据流与noise_image进行融合，接下来，对融合结果进行relu激活；
S3、判别器的输入，喂给判别器的图像都是处理成256x256的单字RGB图像；
A2、西波字体识别，西波字体识别包括以下步骤：
B1、首先进行样本类别绑定，数据集为D＝{dt}＝{(xt，yt)}，yt既是目标类别标签，又以时间偏移的方式与xt一起输入，也就是说，模型输入序列为(x1，0)，(x2，y1)…(xt，yt-1)；
B2、定义余弦相似性度量，给定一些输入xt，控制器LSTM产生一个密钥gt，然后存储在外部记忆单元Rt的空位置，或用于已存储过的外部记忆单元中查询特定的外部记忆i,即Rt(i)，当查询外部记忆单元Rt时，使用余弦相似性度量来寻址向量mt，
Figure FDA0002699638400000011
B3、生成读取向量，读取权重向量
Figure FDA0002699638400000012
根据softmax计算：
Figure FDA0002699638400000013
读取向量mt可定义为外部记忆向量Rt(i)的凸组合：
Figure FDA0002699638400000014
B4、进行外部记忆的更新，在t时刻，使用权重
Figure FDA0002699638400000015
通过减少先前使用权重
Figure FDA0002699638400000016
和添加当前读取权重
Figure FDA0002699638400000017
写入权重
Figure FDA0002699638400000018
进行更新，
Figure FDA0002699638400000021
γ是衰减参数，并且计算
Figure FDA0002699638400000022
然后，使用
Figure FDA0002699638400000023
计算特定时间步长的最小使用权重
Figure FDA0002699638400000024
首先，我们引入符号W(V，n)来表示向量v的最小元素，
Figure FDA0002699638400000025
由下面公式计算：
Figure FDA0002699638400000026
其中n为对外部记忆的读取次数，写入权重
Figure FDA0002699638400000027
为先前读取权重
Figure FDA0002699638400000028
和先前最少使用权重
Figure FDA0002699638400000029
的凸组合：
Figure FDA00026996384000000210
这里，δ(α)是S形函数，α是在权重之间进行插值的标量门参数，在记忆写入前，由
Figure FDA00026996384000000211
计算最少使用的内存位置，并设置为零，然后计算写入权重
Figure FDA00026996384000000212
将信息存储在外部记忆单元中：
Figure FDA00026996384000000213
2.根据权利要求1所述的一种西波字体生成和识别方法，其特征在于：
S1中包括以下步骤：
K1、控制特征的noise_style，在正态分布中采样获得，并经过归一化和两层的全连接操作后，再喂给生成器；
K2、控制笔迹细节的noise_image，从均匀分布中采样获得，并经一层卷积操作后，再喂给生成器；
K3、生成器的内容输入noise，给的是一个一维常数。
3.根据权利要求1所述的一种西波字体生成和识别方法，其特征在于：S3中判别器输入分为训练阶段和测试阶段，训练阶段，判别器喂进来的图像是手写毛笔汉字；测试阶段，判别器喂进来的是我们采集到的手写西波文字。
4.根据权利要求1所述的一种西波字体生成和识别方法，其特征在于：B1中对于MANN模型，标签需进行混洗，混洗是将任务数据集D＝{dt}＝{(xt，yt)}的表现形式重新绑定为D1＝{dt}＝{(xt，yt-1)}的表现形式。
5.根据权利要求4所述的一种西波字体生成和识别方法，其特征在于：样本类别绑定后，将样本数据信息保存在外部记忆单元中。
6.根据权利要求1所述的一种西波字体生成和识别方法，其特征在于：B4中信息可以存储在归零存储器或先前使用的存储器中；如果是后者，则最少使用记忆被新信息代替。
CN202011017747.XA 2020-09-24 2020-09-24 一种西波字体生成和识别方法 Active CN112131834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011017747.XA CN112131834B (zh) 2020-09-24 2020-09-24 一种西波字体生成和识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011017747.XA CN112131834B (zh) 2020-09-24 2020-09-24 一种西波字体生成和识别方法

Publications (2)

Publication Number Publication Date
CN112131834A true CN112131834A (zh) 2020-12-25
CN112131834B CN112131834B (zh) 2023-12-29

Family

ID=73840622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011017747.XA Active CN112131834B (zh) 2020-09-24 2020-09-24 一种西波字体生成和识别方法

Country Status (1)

Country Link
CN (1) CN112131834B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011337A (zh) * 2021-03-19 2021-06-22 山东大学 一种基于深度元学习的汉字字库生成方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1679021A (zh) * 2002-07-03 2005-10-05 2012244安大略公司 可缩放笔划字体的系统和方法
CN105335689A (zh) * 2014-08-06 2016-02-17 阿里巴巴集团控股有限公司 字符识别方法和装置
CN106407874A (zh) * 2016-03-25 2017-02-15 东南大学 基于笔迹坐标序列的手写识别方法
CN107515844A (zh) * 2017-07-31 2017-12-26 广东欧珀移动通信有限公司 字体设置方法、装置及移动设备
WO2019232843A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 手写模型训练、手写图像识别方法、装置、设备及介质
WO2019232852A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 手写字训练样本获取方法、装置、设备及介质
WO2019232850A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 手写汉字图像识别方法、装置、计算机设备及存储介质
CN111667008A (zh) * 2020-06-08 2020-09-15 大连民族大学 一种基于特征融合的个性化汉字字体图片生成方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1679021A (zh) * 2002-07-03 2005-10-05 2012244安大略公司 可缩放笔划字体的系统和方法
CN105335689A (zh) * 2014-08-06 2016-02-17 阿里巴巴集团控股有限公司 字符识别方法和装置
CN106407874A (zh) * 2016-03-25 2017-02-15 东南大学 基于笔迹坐标序列的手写识别方法
CN107515844A (zh) * 2017-07-31 2017-12-26 广东欧珀移动通信有限公司 字体设置方法、装置及移动设备
WO2019232843A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 手写模型训练、手写图像识别方法、装置、设备及介质
WO2019232852A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 手写字训练样本获取方法、装置、设备及介质
WO2019232850A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 手写汉字图像识别方法、装置、计算机设备及存储介质
CN111667008A (zh) * 2020-06-08 2020-09-15 大连民族大学 一种基于特征融合的个性化汉字字体图片生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁顺利;章夏芬;秦?;: "风格一致的书法匾额生成", 计算机辅助设计与图形学学报, no. 09 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011337A (zh) * 2021-03-19 2021-06-22 山东大学 一种基于深度元学习的汉字字库生成方法及系统

Also Published As

Publication number Publication date
CN112131834B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
Clanuwat et al. Deep learning for classical japanese literature
TW389865B (en) System and method for automated interpretation of input expressions using novel a posteriori probability measures and optimally trained information processing network
Li et al. Multimodal architecture for video captioning with memory networks and an attention mechanism
CN106845358B (zh) 一种手写体字符图像特征识别的方法及系统
CN110210468B (zh) 一种基于卷积神经网络特征融合迁移的文字识别方法
CN110114776A (zh) 使用全卷积神经网络的字符识别的系统和方法
CN110705233A (zh) 基于文字识别技术的笔记生成方法、装置和计算机设备
CN111062277A (zh) 基于单目视觉的手语-唇语转化方法
Kotani et al. Generating handwriting via decoupled style descriptors
Luo et al. SLOGAN: handwriting style synthesis for arbitrary-length and out-of-vocabulary text
CN112862024A (zh) 一种文本识别方法及系统
CN111276149A (zh) 语音识别方法、装置、设备及可读存储介质
CN110705490A (zh) 视觉情感识别方法
Zhong et al. Sgbanet: Semantic gan and balanced attention network for arbitrarily oriented scene text recognition
Abdurahman et al. AHWR-Net: offline handwritten amharic word recognition using convolutional recurrent neural network
Inunganbi et al. Handwritten Meitei Mayek recognition using three‐channel convolution neural network of gradients and gray
Addis et al. Printed ethiopic script recognition by using lstm networks
CN112131834A (zh) 一种西波字体生成和识别方法
Sueiras Continuous offline handwriting recognition using deep learning models
CN117152768A (zh) 用于扫读笔的离线识别方法及系统
JP7435098B2 (ja) くずし字認識システム、くずし字認識方法及びプログラム
Vidal-Gorène et al. Synthetic lines from historical manuscripts: an experiment using GAN and style transfer
CN112699684A (zh) 命名实体识别方法和装置、计算机可读存储介质及处理器
Venkateswararao et al. CTC token parsing algorithm using keyword spotting for BLSTM based unconstrained handwritten recognition
Xie et al. Enhancing multimodal deep representation learning by fixed model reuse

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
GR01 Patent grant
GR01 Patent grant