CN112435196A - 基于深度学习的文字修复方法及系统 - Google Patents
基于深度学习的文字修复方法及系统 Download PDFInfo
- Publication number
- CN112435196A CN112435196A CN202011391379.5A CN202011391379A CN112435196A CN 112435196 A CN112435196 A CN 112435196A CN 202011391379 A CN202011391379 A CN 202011391379A CN 112435196 A CN112435196 A CN 112435196A
- Authority
- CN
- China
- Prior art keywords
- character
- network
- strokes
- image
- characters
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 230000008439 repair process Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Character Discrimination (AREA)
Abstract
本发明属于文字修复技术领域,特别涉及一种基于深度学习的文字修复方法及系统,包含:收集若干不同风格的书法文字作品图像,并提取各作品图像中的文字,将文字按笔画进行拆解,获取文字及与文字对应的笔画图像样本数据;构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络;将文字及笔画图像样本数据作为训练数据,对检测网络和修复网络进行训练学习;将待修复的文字图像作品进行拆解,并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。本发明能够以高相似度来提供修复残损的书法文字的效果图,提高文字修复工作效率,拓展深度学习算法在文物保护上的应用。
Description
技术领域
本发明属于文字修复技术领域,特别涉及一种基于深度学习的文字修复方法及系统。
背景技术
随着信息技术的迅猛发展,网络犯罪事件频繁发生,比如电信诈骗、信息勒索以及APT攻中国传统书法艺术是中华民族的文化瑰宝,但残损的书法作品往往需要对其进行文字修复工作。目前,书法文字的修复主要由人工手动完成。
深度学习神经网络主要通过学习数据集的特征,实现目标检测、识别、生成等。书法作品的珍贵加大了书法文字修复的难度,因此,通过深度学习神经网络实现书法文字修复的预览效果不仅能够降低书法文字修复的风险,也能够为书法文字修复提供方向。
发明内容
为此,本发明提供一种基于深度学习的文字修复方法及系统,能够以高相似度来提供修复残损的书法文字的效果图,提高文字修复工作效率,拓展深度学习算法在文物保护上的应用。
按照本发明所提供的设计方案,一种基于深度学习的文字修复方法,包含如下内容:
收集若干不同风格的书法文字作品图像,并提取各作品图像中的文字,将文字按笔画进行拆解,获取文字及与文字对应的笔画图像样本数据;
构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络;将文字及笔画图像样本数据作为训练数据,对检测网络和修复网络进行训练学习;
将待修复的文字图像作品进行拆解,并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。
作为本发明基于深度学习的文字修复方法,进一步的,收集各书法家的真迹图片或仿写作品图片来获取样本数据,并对样本数据定期更新。
作为本发明基于深度学习的文字修复方法,进一步地,所述检测网络包含用于检测文字图像完整性的缺失检测模块和用于匹配文字图像缺失笔画的风格匹配模块。
作为本发明基于深度学习的文字修复方法,进一步地,所述检测网络采用两个卷积神经网络模型来实现文字检测及缺失笔画匹配,其中一个卷积神经网络用来检测文字图像并输出缺失笔画,另一个卷积神经网络用于针对缺失笔画来匹配相似风格笔画。
作为本发明基于深度学习的文字修复方法,进一步地,所述修复网络包含生成文字图像缺失笔画的生成器模块和用于依据缺失笔画和生成器生成笔画相似度判别真伪的判别器模块,依据判别器真伪判别来进行网络输出。
作为本发明基于深度学习的文字修复方法,进一步地,所述修复网络采用GAN生成式对抗网络模型,利用该网络模型进行缺失文字图像的生成修复。
作为本发明基于深度学习的文字修复方法,进一步地,依据检测网络获取缺失笔画的文字图像及该文字图像匹配到的笔画风格,并将其作为修复网络的输入来获取修复后的文字图像。
进一步地,基于上述的方法,本发明还提供一种基于深度学习的文字修复系统,包含:样本收集模块、模型训练模块和目标修复模块,其中,
样本收集模块,用于收集若干不同风格的书法文字作品图像,并提取各作品图像中的文字,将文字按笔画进行拆解,获取文字及与文字对应的笔画图像样本数据;
模型训练模块,用于构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络;将文字及笔画图像样本数据作为训练数据,对检测网络和修复网络进行训练学习;
目标修复模块,用于将待修复的文字图像作品进行拆解,并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。
本发明的有益效果:
本发明将待修复的文字图像数据经过目标检测、文字修复来补全与原文字特征相近的缺损笔画,能够以高相似度提供修复残损的书法文字的效果图,为书法文字修复工作降低风险,提供方向,具有较好的应用前景。
附图说明:
图1为实施例中书法文字修复流程示意;
图2为实施例中网络训练流程示意;
图3为实施例中检测网络结构示意;
图4为实施例中修复网络结构示意。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详细的说明。
本发明实施例,提供一种基于深度学习的文字修复方法,包含如下内容:
收集若干不同风格的书法文字作品图像,并提取各作品图像中的文字,将文字按笔画进行拆解,获取文字及与文字对应的笔画图像样本数据;
构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络;将文字及笔画图像样本数据作为训练数据,对检测网络和修复网络进行训练学习;
将待修复的文字图像作品进行拆解,并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。
参见图1和2所示,通过收集书法作品图像;将书法文字按特征拆解笔画;拆解后的笔画作为训练数据训练检测网络和文字修复网络;将待修复文字的图像数据输入文字修复网络,得到修复后的文字图像。能够以高相似度提供修复残损的书法文字的效果图,为书法文字修复工作降低风险,提高效率。
进一步,实施例中所收集的图像可包括不同书法家、风格的笔画清晰的真迹作品图像;或者为不同书法家、风格的笔画清晰的仿写作品图像;并进行定期收集更新。按照不同书法家、不同风格拆解笔画;可以理解的是,采用笔画拆解的方式,能有效帮助实现局部文字修复的效果,并帮助降低后续神经网络的计算复杂度。
作为本发明实施例中基于深度学习的文字修复方法,进一步地,所述检测网络包含用于检测文字图像完整性的缺失检测模块和用于匹配文字图像缺失笔画的风格匹配模块。进一步地,所述检测网络采用两个卷积神经网络模型来实现文字检测及缺失笔画匹配,其中一个卷积神经网络用来检测文字图像并输出缺失笔画,另一个卷积神经网络用于针对缺失笔画来匹配相似风格笔画。通过卷积神经挽留过对待修复文字的缺失笔画进行检测,并匹配与待修复文字特征相符的完整笔画。
卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类。参见图3所示,利用两个卷积神经网络,一个用来检测缺失笔画,通过笔画遮盖后的文字样本数据进行训练,达到输出缺失笔画的效果;另一个用来匹配风格相近的笔画,通过拆解的笔画样本数据进行训练,达到输出相似风格的笔画的效果;
作为本发明实施例中的基于深度学习的文字修复方法,进一步地,所述修复网络包含生成文字图像缺失笔画的生成器模块和用于依据缺失笔画和生成器生成笔画相似度判别真伪的判别器模块,依据判别器真伪判别来进行网络输出。进一步地,所述修复网络采用GAN生成式对抗网络模型,利用该网络模型进行缺失文字图像的生成修复。依据检测网络获取缺失笔画的文字图像及该文字图像匹配到的笔画风格,并将其作为修复网络的输入来获取修复后的文字图像。
GAN网络模型通过框架中两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。参见图4所示,接收待修复文字图像和与之特征匹配的完整文字图像;生成与完整文字图像接近的修复后的文字图像;通过判别器判断修复后的文字图像是否达到相似度要求,达到则输出,反之重复生成步骤直至达到相似度要求。通过GAN网络模型能够实现对未知分布的学习,以通过特征匹配完整笔画,补全待修复文字中的缺损部分。
进一步地,基于上述的方法,本发明实施例还提供一种基于深度学习的文字修复系统,包含:样本收集模块、模型训练模块和目标修复模块,其中,
样本收集模块,用于收集若干不同风格的书法文字作品图像,并提取各作品图像中的文字,将文字按笔画进行拆解,获取文字及与文字对应的笔画图像样本数据;
模型训练模块,用于构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络;将文字及笔画图像样本数据作为训练数据,对检测网络和修复网络进行训练学习;
目标修复模块,用于将待修复的文字图像作品进行拆解,并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的方法或系统,本发明实施例还提供一种网络设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的系统或执行上述的方法。
基于上述的系统,本发明实施例还提供一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述的系统。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述系统实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述系统实施例中相应内容。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述系统实施例中的对应过程,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统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,所述模块、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,两个连续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动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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的文字修复方法,其特征在于,包含如下内容:
收集若干不同风格的书法文字作品图像,并提取各作品图像中的文字,将文字按笔画进行拆解,获取文字及与文字对应的笔画图像样本数据;
构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络;将文字及笔画图像样本数据作为训练数据,对检测网络和修复网络进行训练学习;
将待修复的文字图像作品进行拆解,并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。
2.根据权利要求1所述的基于深度学习的文字修复方法,其特征在于,收集各书法家的真迹图片或仿写作品图片来获取样本数据,并对样本数据定期更新。
3.根据权利要求1所述的基于深度学习的文字修复方法,其特征在于,所述检测网络包含用于检测文字图像完整性的缺失检测模块和用于匹配文字图像缺失笔画的风格匹配模块。
4.根据权利要求1或3所述的基于深度学习的文字修复方法,其特征在于,所述检测网络采用两个卷积神经网络模型来实现文字检测及缺失笔画匹配,其中一个卷积神经网络用来检测文字图像并输出缺失笔画,另一个卷积神经网络用于针对缺失笔画来匹配相似风格笔画。
5.根据权利要求1所述的基于深度学习的文字修复方法,其特征在于,所述修复网络包含生成文字图像缺失笔画的生成器模块和用于依据缺失笔画和生成器生成笔画相似度判别真伪的判别器模块,依据判别器真伪判别来进行网络输出。
6.根据权利要求1或5所述的基于深度学习的文字修复方法,其特征在于,所述修复网络采用GAN生成式对抗网络模型,利用该网络模型进行缺失文字图像的生成修复。
7.根据权利要求6所述的基于深度学习的文字修复方法,其特征在于,依据检测网络获取缺失笔画的文字图像及该文字图像匹配到的笔画风格,并将其作为修复网络的输入来获取修复后的文字图像。
8.一种基于深度学习的文字修复系统,其特征在于,包含:样本收集模块、模型训练模块和目标修复模块,其中,
样本收集模块,用于收集若干不同风格的书法文字作品图像,并提取各作品图像中的文字,将文字按笔画进行拆解,获取文字及与文字对应的笔画图像样本数据;
模型训练模块,用于构建用于检测文字图像缺失笔画并进行缺失笔画风格匹配的检测网络及用于文字图像修复的修复网络;将文字及笔画图像样本数据作为训练数据,对检测网络和修复网络进行训练学习;
目标修复模块,用于将待修复的文字图像作品进行拆解,并利用训练后的检测网络和修复网络来获取修复后的文字图像作品。
9.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时执行权利要求1~7任一项所述的方法。
10.一种计算机设备,包含处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以执行权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011391379.5A CN112435196B (zh) | 2020-12-02 | 2020-12-02 | 基于深度学习的文字修复方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011391379.5A CN112435196B (zh) | 2020-12-02 | 2020-12-02 | 基于深度学习的文字修复方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112435196A true CN112435196A (zh) | 2021-03-02 |
CN112435196B CN112435196B (zh) | 2022-11-29 |
Family
ID=74698168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011391379.5A Active CN112435196B (zh) | 2020-12-02 | 2020-12-02 | 基于深度学习的文字修复方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112435196B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069766A (zh) * | 2015-07-24 | 2015-11-18 | 北京航空航天大学 | 一种基于汉字图像轮廓特征描述的碑文修复方法 |
CN106384094A (zh) * | 2016-09-18 | 2017-02-08 | 北京大学 | 一种基于书写风格建模的中文字库自动生成方法 |
CN109377448A (zh) * | 2018-05-20 | 2019-02-22 | 北京工业大学 | 一种基于生成对抗网络的人脸图像修复方法 |
CN109635883A (zh) * | 2018-11-19 | 2019-04-16 | 北京大学 | 基于深度堆叠网络的结构信息指导的中文字库生成方法 |
CN110570481A (zh) * | 2019-07-31 | 2019-12-13 | 中国地质大学(武汉) | 基于风格迁移的书法字库自动修复方法及系统 |
CN110765339A (zh) * | 2019-11-14 | 2020-02-07 | 南宁师范大学 | 一种基于生成对抗网络的残缺中文书法修复补全方法 |
CN111062290A (zh) * | 2019-12-10 | 2020-04-24 | 西北大学 | 基于生成对抗网络中国书法风格转换模型构建方法及装置 |
KR20200068193A (ko) * | 2018-12-05 | 2020-06-15 | 서울대학교산학협력단 | 자연어 문장에서 응대 여부를 판단하는 음성인식 방법 |
-
2020
- 2020-12-02 CN CN202011391379.5A patent/CN112435196B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069766A (zh) * | 2015-07-24 | 2015-11-18 | 北京航空航天大学 | 一种基于汉字图像轮廓特征描述的碑文修复方法 |
CN106384094A (zh) * | 2016-09-18 | 2017-02-08 | 北京大学 | 一种基于书写风格建模的中文字库自动生成方法 |
CN109377448A (zh) * | 2018-05-20 | 2019-02-22 | 北京工业大学 | 一种基于生成对抗网络的人脸图像修复方法 |
CN109635883A (zh) * | 2018-11-19 | 2019-04-16 | 北京大学 | 基于深度堆叠网络的结构信息指导的中文字库生成方法 |
KR20200068193A (ko) * | 2018-12-05 | 2020-06-15 | 서울대학교산학협력단 | 자연어 문장에서 응대 여부를 판단하는 음성인식 방법 |
CN110570481A (zh) * | 2019-07-31 | 2019-12-13 | 中国地质大学(武汉) | 基于风格迁移的书法字库自动修复方法及系统 |
CN110765339A (zh) * | 2019-11-14 | 2020-02-07 | 南宁师范大学 | 一种基于生成对抗网络的残缺中文书法修复补全方法 |
CN111062290A (zh) * | 2019-12-10 | 2020-04-24 | 西北大学 | 基于生成对抗网络中国书法风格转换模型构建方法及装置 |
Non-Patent Citations (3)
Title |
---|
GE SONG等: "Occluded offline handwritten Chinese character inpainting via", 《NEUROCOMPUTING》 * |
李农勤: "基于生成式对抗神经网络的手写文字图像补全", 《图学学报》 * |
王晓红等: "基于生成对抗网络的风格化书法图像生成", 《包装工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112435196B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wan et al. | Occlusion robust face recognition based on mask learning | |
Goodfellow et al. | Multi-digit number recognition from street view imagery using deep convolutional neural networks | |
CN110598019B (zh) | 重复图像识别方法及装置 | |
Rabbani et al. | Hand drawn optical circuit recognition | |
CN111401099A (zh) | 文本识别方法、装置以及存储介质 | |
Li et al. | Braille recognition using deep learning | |
Feng et al. | Learning an invariant and equivariant network for weakly supervised object detection | |
Jiang et al. | DeeperForensics Challenge 2020 on real-world face forgery detection: Methods and results | |
Georgieva et al. | Optical character recognition for autonomous stores | |
CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
Fernandez-Fernandez et al. | Quick, stat!: A statistical analysis of the quick, draw! dataset | |
Prabhu et al. | Fonts-2-handwriting: A seed-augment-train framework for universal digit classification | |
CN112435196B (zh) | 基于深度学习的文字修复方法及系统 | |
Hajihashemi et al. | A pattern recognition based Holographic Graph Neuron for Persian alphabet recognition | |
CN111191584A (zh) | 一种人脸识别方法及装置 | |
CN115640401A (zh) | 文本内容提取方法及装置 | |
Zhang et al. | SEMv2: Table separation line detection based on instance segmentation | |
Xu et al. | Application of Neural Network in Handwriting Recognition | |
CN111695526B (zh) | 网络模型生成方法、行人重识别方法及装置 | |
Wu et al. | Giid-net: Generalizable image inpainting detection network | |
Doughan et al. | Logic-based neural network for pattern correction | |
Jung et al. | DUET: detection utilizing enhancement for text in scanned or captured documents | |
Sandoval et al. | Classification of fine-art paintings with simulated partial damages | |
Yuan et al. | An efficient attention based image adversarial attack algorithm with differential evolution on realistic high-resolution image | |
Assabie et al. | Ethiopic character recognition using direction field tensor |
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 |