CN112966140B - 字段识别方法、装置、电子设备、存储介质和程序产品 - Google Patents

字段识别方法、装置、电子设备、存储介质和程序产品 Download PDF

Info

Publication number
CN112966140B
CN112966140B CN202110260014.7A CN202110260014A CN112966140B CN 112966140 B CN112966140 B CN 112966140B CN 202110260014 A CN202110260014 A CN 202110260014A CN 112966140 B CN112966140 B CN 112966140B
Authority
CN
China
Prior art keywords
field
feature
decoding
features
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.)
Active
Application number
CN202110260014.7A
Other languages
English (en)
Other versions
CN112966140A (zh
Inventor
李煜林
张晓强
钦夏孟
章成全
姚锟
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110260014.7A priority Critical patent/CN112966140B/zh
Publication of CN112966140A publication Critical patent/CN112966140A/zh
Application granted granted Critical
Publication of CN112966140B publication Critical patent/CN112966140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Library & Information Science (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开公开了字段识别方法、装置、电子设备、存储介质和程序产品，涉及人工智能领域，具体为计算机视觉和深度学习技术，可应用于OCR场景下。具体实现方案为：预测图像数据包括的多个字段；提取每个字段的特征信息；基于所述多个字段的特征信息，构建所述多个字段的共同编码特征；基于多个查询向量对所述共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，任一所述查询向量关联目标字段和一个候选字段；从所述多个解码特征中确定目标解码特征，并将所述目标解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段。本公开可以提高图像数据的字段识别效果。

Description

字段识别方法、装置、电子设备、存储介质和程序产品
技术领域
本公开涉及人工智能领域，具体为计算机视觉和深度学习技术，可应用于光学字符识别(Optical Character Recognition，OCR)场景下。
背景技术
在实际应用中使用到的图像数据往往是多样式的，例如：不同样式的票据图像数据、不同样式的铭牌图像数据等。目前识别图像数据的关联字段主要是通过预先设置适用特定样式的模板进行识别，不同模板只能识别特定样式的图像数据的关联字段。
发明内容
本公开提供了一种字段识别方法、装置、电子设备、存储介质和程序产品。
根据本公开的一方面，提供了一种字段识别方法，包括：
预测图像数据包括的多个字段；
提取每个字段的特征信息；
基于所述多个字段的特征信息，构建所述多个字段的共同编码特征；
基于多个查询向量对所述共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，任一所述查询向量关联目标字段和一个候选字段；
从所述多个解码特征中确定目标解码特征，并将所述目标解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段。
根据本公开的另一方面，提供了一种字段识别装置，包括：
预测模块，用于预测图像数据包括的多个字段；
提取模块，用于提取每个字段的特征信息；
构建模块，用于基于所述多个字段的特征信息，构建所述多个字段的共同编码特征；
解码模块，用于基于多个查询向量对所述共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，任一所述查询向量关联目标字段和一个候选字段；
确定模块，用于从所述多个解码特征中确定目标解码特征，并将所述目标解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开提供的字段识别方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开提供的字段识别方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的字段识别方法。
本公开中，通过预测图像数据包括的多个字段，利用多个字段的特征信息，构建多个字段的共同编码特征，再基于多查询向量对共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，将多个解码特征目标解码特征对应的查询向量所关联的候选字段确定目标字段的关联字段。从而可以提高图像数据的字段识别效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开提供的一种字段识别方法的流程图；
图2是本公开提供的一种字段识别的示意图；
图3是本公开提供的一种字段识别装置的结构图；
图4是本公开提供的另一种字段识别装置的结构图；
图5是用来实现本公开实施例的字段识别方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
请参见图1，图1是本公开提供的一种字段识别方法的流程图，如图1所示，包括以下步骤：
步骤S101、预测图像数据包括的多个字段。
上述图像数据可以是票据图像数据或者铭牌图像数据等包括多个字段的图像数据，进一步的，上述图像数据可以是在实际应用中存在多个样式的图像数据。
上述字段可以是一个词汇或者一组词汇，或者可以是一连串词汇，例如：日期是一个字段，20XX年XX月XX日为另一个字段。
上述预测图像数据包括的多个字段可以是，预测上述多个字段在上述图像数据中的位置区域，例如，预测多个字段在上述图像数据中的角点区域。
本公开还可以将各字段转化为文本框，例如：转化为文本框P＝{pi；i∈N}，pi＝(xi,yi,wi,hi)，xi,yi,wi,hi这四项分别为框pi的横坐标、纵坐标、框宽以及框高，N为字段数。
一些场景中，可以采用高效场景文本检测(Efficient and AccuracyScene Text，EAST)算法预测图像数据包括的多个字段，另一些场景中也可以通过文字检测网络(Connectionist Text Proposal Network，CTPN)算法来预测上述多个字段。需要说明的是，本公开中并不限定预测上述多个字段的实施方式。
另外，本公开中还可以在预测到上述多个字段后，使用图像文字识别技术提取各字段中的文本内容。
步骤S102、提取每个字段的特征信息。
上述提取每个字段的特征信息可以是提取字段的图像特征、位置特征或者文本语义特征。提取的方式包括但不限于通过神经网络、图像检测算法或者位置编码等方式。
步骤S103、基于所述多个字段的特征信息，构建所述多个字段的共同编码特征。
其中，上述基于所述多个字段的特征信息，构建所述多个字段的共同编码特征可以是，对上述多个字段的特征信息进行编码或者融合处理，得到上述多个字段的共同编码特征。其中，上述共同编码特征是指针对上述多个字段输出一个编码特征，该编码特征对应上述多个字段。
步骤S104、基于多个查询向量对所述共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，任一所述查询向量关联目标字段和一个候选字段。
上述目标字段可以是上述多个字段中的当前待查询的字段，例如：日期、名称、金额等。每个查询向量关联上述目标字段，以及一个候选字段，其中，这里的候选字段可以是指上述目标字段之外的字段。这样将不同的候选字段上述目标字段进行联合从而得到多个查询向量。
由于上述共同编码特征是对应上述多个字段，则上述多个查询向量关联上述多个字段中的目标字段和候选字段，这样通过上述解码可以各查询向量关联的字段对应的解码特征。
步骤S105、从所述多个解码特征中确定目标解码特征，并将所述目标解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段。
其中，上述目标解码特征为上述多个解码特征满足预设条件的解码特征，例如：匹配条件概率最高的解码特征。
例如：上述目标字段是日期，而上述多个字段还包括字段20XX年XX月XX日，字段XXX.XX(例如：金额值)，字段XX-YY(型号或者票号)，这样就可以将这多个数字字段与上述日期字段组成多个向量，从而得到每个包括数字的字段与日期字段对应的解码特征，再通过步骤S105确定字段20XX年XX月XX日为上述日期字段关联的字段，即确定日期字段的字段值。
本公开中，通过预测图像数据包括的多个字段，利用多个字段的特征信息，构建多个字段的共同编码特征，再基于多查询向量对共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，将多个解码特征目标解码特征对应的查询向量所关联的候选字段确定目标字段的关联字段。从而可以提高图像数据的字段识别效果。另外，本公开由于上述多个字段是预测得到的，这样可以支持不同样式的图像数据的字段识别。
作为一种可选的实施方式，上述提取每个字段的特征信息，包括：
提取每个字段的图像特征、位置特征和文本语义特征，其中，所述特征信息为所述图像特征、位置特征和文本语义特征的融合特征信息。
上述图像特征可以是通过图像检测模型进行提取的，例如：通过卷积神经网络(Convolutional Neural Networks,CNN)提取整张图像的特征图I，并逐个地提取每个字段的空间坐标，再基于空间坐标提取每个字段在上述特征图I中的图像特征如使用感兴趣区域(region of interest，ROI)池化(Pooling)技术提取每个字段在整个特征图上I的图像特征/>其中，上述/>表示2048维的图像特征，对此本公开并不作限定，例如：可以提取1024维的图像特征。
上述位置特征可以是对各字段的区域进行位置编码(PositionEmbedding)，以得到各字段的位置特征。例如：提取各字段的位置特征其中/>同样的，这里的/>表示6个维度的位置特征，对此本公开并不作限定，例如：可以提取8维的位置特征。
上述语义特征可以是字段进行位置编码文本编码(Text Embedding)，得到每个字段的语义特征，例如：采用双向长短期记忆网络(BidirectionalLong Short-Term Memory，BiLSTM)编码，得到每个字段的文本语义特征同样的，这里的/>表示128个维度的位置特征，对此本公开并不作限定，例如：可以提取256或者64维的位置特征。
上述融合特征信息可以是将图像特征、位置特征和文本语义特征进行拼接，以获取字段的多模态融合特征其中，||表示特征之间的拼接。
该实施方式中，由于提取了图像特征、位置特征和文本语义特征的融合特征信息，从而可以提高字段识别的准确性。
需要说明的是，本发明实施例中并不限定提取每个字段的融合特征信息，例如：可以只提取图像特征、位置特征和文本语义特征中的任一项，或者图像特征、位置特征和文本语义特征中的任二项的融合特征信息。
作为一种可选的实施方式，所述基于所述多个字段的特征信息，构建所述多个字段的共同编码特征，包括：
通过预先配置的多层特征编码器预测所述多个字段在多个维度上的综合共同编码特征，其中，所述多层特征编码器的第一层输入包括所述多个字段的特征信息，所述多层特征编码器的第n层的输入为包括第n-1层的输出，n为大于1的整数。
其中，上述多层特征编码器可以是多层双向转换自编码器(BidirectionalEncoder Representation from Transformers，BERT)，或者可以是简单的多层自编码器(Auto Encoder)。
另外，上述多层特征编码器可以是预先训练的用于预测所述多个字段在多个维度上的综合共同编码特征的编码器。
上述多个字段在多个维度上的综合共同编码特征可以是，在上述多个字段的特征信息的基础上进一步提取空间、视觉和语义等中至少一项的特征维度上的综合共同编码特征。
下面通过一个具体的表达式来举例说明上述多层特征编码器：
H0＝V
其中，Hn表示第n层的输出，H0表示第一层的输出，V表示多个字段的特征信息的集合，例如：多个字段的特征信息的拼接，σ表示函数sigmoid，W1和W2表示训练两个参数矩阵，表示常数。
需要说明的是，本公开中并不限定上述多层特征编码器为上述表达式所示，例如：在一些场景中还可以表示为如下表达式：
H0＝V
或者
H0＝V
其中，上述a和b可以是与场景相关的常数或者函数。
进一步的，上述多层特征编码器可以使用全连接层(FC)对输入的特征进行维度变换，并通过计算两两特征间的权重构建新的融合特征，其中，最后输出的融合特征为上述综合共同编码特征。这样可以实现通过多层特征编码器(例如：多层BERT)来实现多模态特征的信息重组，以进一步提高编码特征的准确性。
该实施方式中，由于多层特征编码器预测所述多个字段在多个维度上的综合共同编码特征，这样可以实现下一层的输入包括上一层的输出，这样使得最终预测的综合共同编码特征更加准确。
可选的，任一所述查询向量包括所述目标字段的标识信息和一个候选字段的标识信息；
所述方法还包括：
为每个字段分配标识信息，并将每个字段的标识信息更新至对应的特征信息中；
其中，所述多层特征编码器的第一层输入包括所述多个字段的包括标识信息的特征信息。
上述查询向量可以是由目标字段的标识信息和一个候选字段的标识信息构成，例如：查询向量pij＝(idi||idj)为第i个字段和第j个字段的查询向量，idi和idj分别表示第i个字段和第j个字段的标识信息。该标识信息可以是字段的编号。
上述将每个字段的标识信息更新至对应的特征信息中可以是，将标识信息的字段的特征信息进行拼接，例如：对多个字段进行从左上到右下的排序，并基于排序结果赋予多个字段一个从0到N-1的编号更新特征vi＝(vi||idi)。
该实施方式中，由于多层特征编码器的第一层输入包括所述多个字段的包括标识信息的特征信息，这样多层特征编码器预测的综合共同编码特征就是与字段的标识信息相关，而查询向量也是与字段的标识信息相当，从而使得最终得到的每个查询向量的解码特征更加准确。
需要说明的是，本公开中并不限定在特征信息中添加标识信息，例如：在多层特征编码器的输入时将多个字段的特征信息按照某种规则进行排列，这样可以根据该规则确定每个字段的特征信息。
另外，本公开中并不限定通过上述多层特征编码器来构建多个字段的共同编码特征，例如：在一些场景中也可以通过单层特征编码器来构建多个字段的共同编码特征。
作为一种可选的实施方式，所述基于多个查询向量对所述共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，包括：
通过预先配置的多层特征解码器对所述共同编码特征进行多次解码操作，得到所述多个查询向量对应的多个解码特征，其中，每次解码操作过程中，所述多层特征解码器的第一层的输入包括一个所述查询向量和所述共同编码特征，所述多层特征编码器的第n层的输入为包括第n-1层的输出，n为大于1的整数。
上述多层特征解码器可以是多层跨注意力网络(Cross AttentionNetwork，CAN)，或者可以是简单的多层转换解码器(Transformer Decoder)。
进一步的，上述多层特征解码器可以是预先训练好的，用于对所述共同编码特征进行的多层特征解码器。
该实施方式中，每次解码操作可以是输入一个查询向量，这样通过多次解码操作得到多个查询向量对应的解码特征。
下面以如下表达式为对上述多层特征解码器进行举例说明：
D0＝Q
其中，Q为查询向量，H为上述共同编码特征，Dn表示第n层的输出，D0表示第一层的输出，σ表示函数sigmoid，W3和W4表示训练两个参数矩阵，表示常数。
需要说明的是，本公开中并不限定上述多层特征解码器为上述表达式所示，例如：在一些场景中还可以表示为如下表达式：
D0＝Q
或者
D0＝Q
其中，上述c和d可以是与场景相关的常数或者函数。
该实施方式中，通过多层特征解码器可以准确地得到每个查询向量对应的编码特征。
需要说明的是，本公开中并不限定通过上述多层特征解码器得到查询向量的解码特征，例如：在一些场景中也可以通过单层特征解码器来获得查询向量的解码特征。
作为一种可选的实施方式，所述从所述多个解码特征中确定目标解码特征，并将所述目标解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段，包括：
分别对所述多个解码特征进行降维处理，得到多个一维解码特征，并计算每个一维解码特征的匹配条件概率，并将目标一维解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段，所述目标一维解码特征的匹配条件概率满足预设条件。
上述对所述多个解码特征进行降维处理可以是通过预先训练好的神经网络模块进行降维处理，得到多个一维解码特征，例如：通过预先训练好的一个全连接层(FC)变化压缩解码特征，得到一维解码特征。
上述计算每个一维解码特征的匹配条件概率可以是通过预先训练的神经网络模块或者函数来计算，例如：通过预先训练好的sigmoid函数计算每个一维解码特征的匹配条件概率。其中，上述匹配条件概率可以是候选字段与上述目标字段的匹配概率。且匹配条件概率可以为 其中，m上述目标字段*表示候选字段。例如，上述目标字段为日期字段，而上述多个字段还包括字段20XX年XX月XX日，字段XXX.XX(例如：金额值)，字段XX-YY(型号或者票号)，这样通过计算得到字段20XX年XX月XX日对应的匹配条件概率为1，其他字段对应的匹配条件概率为0，从而将字段20XX年XX月XX日确定为日期字段的关联字段，即日期字段的字段值。
上述预设条件可以是配置条件概率最高，或者可以是匹配条件概率为预设值(例如：1)或者，或者可以是配置条件概率最高且超过阈值。
该实施方式中，由于对解码特征进行降维处理，得到多个一维解码特征，这样可以降低计算的复杂度，从而节约计算资源。
需要说明的是，本公开中并不限定通过上述方式确定目标字段的关联字段，例如：在一些场景也可以不进行降维处理，直接计算匹配条件概率，进而确定目标字段对应的关联字段。
下面图2所示的图像数据包括字段A、B、C、D、E、F和G为例，对本公开提供的字段识别方法进行举例说明，分别提取字段A、B、C、D、E、F和G的图像特征F、位置特征S和文本语义特征T，并将图像特征F、位置特征S和文本语义特征T进行融合输入层多层特征编码器得到综合共同编码特征，再通过多层特征解码器输出多个查询向量对应的解码特征，其中，字段A、B、C、D、E、F和G的标识信息分别为a、b、c、d、e、f和g，当目标字段为字段A时，可以构建查询向量{qa*}，如ab、ac、ad、ae、af、ag，通过上述步骤可以得到解码特征集合{Da*}，即ab、ac、ad、ae、af、ag各自对应的解码特征。之后，通过降维和匹配条件概率计算，确定字段A关联的字段B或者D。另外，在确定目标字段可以是基于OCR文字识别搜索所需的字段名称，例如发票号、名称、日期、金额等。
请参见图3，图3是本公开提供的一种字段识别装置，如图4所示，字段识别装置300包括：
预测模块301，用于预测图像数据包括的多个字段；
提取模块302，用于提取每个字段的特征信息；
构建模块303，用于基于所述多个字段的特征信息，构建所述多个字段的共同编码特征；
解码模块304，用于基于多个查询向量对所述共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，任一所述查询向量关联目标字段和一个候选字段；
确定模块305，用于从所述多个解码特征中确定目标解码特征，并将所述目标解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段。
可选的，所述提取模块302用于提取每个字段的图像特征、位置特征和文本语义特征，其中，所述特征信息为所述图像特征、位置特征和文本语义特征的融合特征信息。
可选的，所述构建模块303用于通过预先配置的多层特征编码器预测所述多个字段在多个维度上的综合共同编码特征，其中，所述多层特征编码器的第一层输入包括所述多个字段的特征信息，所述多层特征编码器的第n层的输入为包括第n-1层的输出，n为大于1的整数。
可选的，任一所述查询向量包括所述目标字段的标识信息和一个候选字段的标识信息；
如图4所示，所述装置还包括：
更新模块306，用于为每个字段分配标识信息，并将每个字段的标识信息更新至对应的特征信息中；
其中，所述多层特征编码器的第一层输入包括所述多个字段的包括标识信息的特征信息。
可选的，所述解码模块304用于通过预先配置的多层特征解码器对所述共同编码特征进行多次解码操作，得到所述多个查询向量对应的多个解码特征，其中，每次解码操作过程中，所述多层特征解码器的第一层的输入包括一个所述查询向量和所述共同编码特征，所述多层特征编码器的第n层的输入为包括第n-1层的输出，n为大于1的整数。
可选的，所述确定模块305用于分别对所述多个解码特征进行降维处理，得到多个一维解码特征，并计算每个一维解码特征的匹配条件概率，并将目标一维解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段，所述目标一维解码特征的匹配条件概率满足预设条件。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如字段识别方法。例如，在一些实施例中，字段识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的字段识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行字段识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种字段识别方法，包括：
预测图像数据包括的多个字段；
提取每个字段的特征信息；
基于所述多个字段的特征信息，构建所述多个字段的共同编码特征；
基于多个查询向量对所述共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，任一所述查询向量关联目标字段和一个候选字段；
从所述多个解码特征中确定目标解码特征，并将所述目标解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段；
其中，所述基于所述多个字段的特征信息，构建所述多个字段的共同编码特征，包括：
通过预先配置的多层特征编码器预测所述多个字段在多个维度上的综合共同编码特征，其中，所述多层特征编码器的第一层输入包括所述多个字段的特征信息，所述多层特征编码器的第n层的输入为包括第n-1层的输出，n为大于1的整数。
2.根据权利要求1所述的方法，其中，所述提取每个字段的特征信息，包括：
提取每个字段的图像特征、位置特征和文本语义特征，其中，所述特征信息为所述图像特征、位置特征和文本语义特征的融合特征信息。
3.根据权利要求1所述的方法，任一所述查询向量包括所述目标字段的标识信息和一个候选字段的标识信息；
所述方法还包括：
为每个字段分配标识信息，并将每个字段的标识信息更新至对应的特征信息中；
其中，所述多层特征编码器的第一层输入包括所述多个字段的包括标识信息的特征信息。
4.根据权利要求1所述的方法，其中，所述基于多个查询向量对所述共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，包括：
通过预先配置的多层特征解码器对所述共同编码特征进行多次解码操作，得到所述多个查询向量对应的多个解码特征，其中，每次解码操作过程中，所述多层特征解码器的第一层的输入包括一个所述查询向量和所述共同编码特征，所述多层特征编码器的第n层的输入为包括第n-1层的输出，n为大于1的整数。
5.根据权利要求1所述的方法，其中，所述从所述多个解码特征中确定目标解码特征，并将所述目标解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段，包括：
分别对所述多个解码特征进行降维处理，得到多个一维解码特征，并计算每个一维解码特征的匹配条件概率，并将目标一维解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段，所述目标一维解码特征的匹配条件概率满足预设条件。
6.一种字段识别装置，包括：
预测模块，用于预测图像数据包括的多个字段；
提取模块，用于提取每个字段的特征信息；
构建模块，用于基于所述多个字段的特征信息，构建所述多个字段的共同编码特征；
解码模块，用于基于多个查询向量对所述共同编码特征进行解码，得到所述多个查询向量对应的多个解码特征，任一所述查询向量关联目标字段和一个候选字段；
确定模块，用于从所述多个解码特征中确定目标解码特征，并将所述目标解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段；
其中，所述构建模块用于通过预先配置的多层特征编码器预测所述多个字段在多个维度上的综合共同编码特征，其中，所述多层特征编码器的第一层输入包括所述多个字段的特征信息，所述多层特征编码器的第n层的输入为包括第n-1层的输出，n为大于1的整数。
7.根据权利要求6所述的装置，其中，所述提取模块用于提取每个字段的图像特征、位置特征和文本语义特征，其中，所述特征信息为所述图像特征、位置特征和文本语义特征的融合特征信息。
8.根据权利要求6所述的装置，任一所述查询向量包括所述目标字段的标识信息和一个候选字段的标识信息；
所述装置还包括：
更新模块，用于为每个字段分配标识信息，并将每个字段的标识信息更新至对应的特征信息中；
其中，所述多层特征编码器的第一层输入包括所述多个字段的包括标识信息的特征信息。
9.根据权利要求6所述的装置，其中，所述解码模块用于通过预先配置的多层特征解码器对所述共同编码特征进行多次解码操作，得到所述多个查询向量对应的多个解码特征，其中，每次解码操作过程中，所述多层特征解码器的第一层的输入包括一个所述查询向量和所述共同编码特征，所述多层特征编码器的第n层的输入为包括第n-1层的输出，n为大于1的整数。
10.根据权利要求6所述的装置，其中，所述确定模块用于分别对所述多个解码特征进行降维处理，得到多个一维解码特征，并计算每个一维解码特征的匹配条件概率，并将目标一维解码特征对应的查询向量所关联的候选字段确定所述目标字段的关联字段，所述目标一维解码特征的匹配条件概率满足预设条件。
11. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
CN202110260014.7A 2021-03-10 2021-03-10 字段识别方法、装置、电子设备、存储介质和程序产品 Active CN112966140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110260014.7A CN112966140B (zh) 2021-03-10 2021-03-10 字段识别方法、装置、电子设备、存储介质和程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110260014.7A CN112966140B (zh) 2021-03-10 2021-03-10 字段识别方法、装置、电子设备、存储介质和程序产品

Publications (2)

Publication Number Publication Date
CN112966140A CN112966140A (zh) 2021-06-15
CN112966140B true CN112966140B (zh) 2023-08-08

Family

ID=76277064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110260014.7A Active CN112966140B (zh) 2021-03-10 2021-03-10 字段识别方法、装置、电子设备、存储介质和程序产品

Country Status (1)

Country Link
CN (1) CN112966140B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842489A (zh) * 2022-05-13 2022-08-02 北京百度网讯科技有限公司 表格解析方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349229A (zh) * 2019-07-09 2019-10-18 北京金山数字娱乐科技有限公司 一种图像描述方法及装置
CN110442582A (zh) * 2019-08-09 2019-11-12 江苏满运软件科技有限公司 场景检测方法、装置、设备和介质
CN110569332A (zh) * 2019-09-09 2019-12-13 腾讯科技（深圳）有限公司 一种语句特征的提取处理方法及装置
CN110569846A (zh) * 2019-09-16 2019-12-13 北京百度网讯科技有限公司 图像文字识别方法、装置、设备及存储介质
US10572725B1 (en) * 2018-03-30 2020-02-25 Intuit Inc. Form image field extraction
WO2020097734A1 (en) * 2018-11-15 2020-05-22 Element Ai Inc. Automatically predicting text in images
CN111274267A (zh) * 2019-12-31 2020-06-12 杭州量之智能科技有限公司 一种数据库查询方法、装置及计算机可读取存储介质
US10706450B1 (en) * 2018-02-14 2020-07-07 Amazon Technologies, Inc. Artificial intelligence system for generating intent-aware recommendations
CN111931664A (zh) * 2020-08-12 2020-11-13 腾讯科技（深圳）有限公司 混贴票据图像的处理方法、装置、计算机设备及存储介质
WO2020228519A1 (zh) * 2019-05-10 2020-11-19 腾讯科技（深圳）有限公司 字符识别方法、装置、计算机设备以及存储介质
CN112163428A (zh) * 2020-09-18 2021-01-01 中国人民大学 语义标签的获取方法、装置、节点设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10706450B1 (en) * 2018-02-14 2020-07-07 Amazon Technologies, Inc. Artificial intelligence system for generating intent-aware recommendations
US10572725B1 (en) * 2018-03-30 2020-02-25 Intuit Inc. Form image field extraction
WO2020097734A1 (en) * 2018-11-15 2020-05-22 Element Ai Inc. Automatically predicting text in images
WO2020228519A1 (zh) * 2019-05-10 2020-11-19 腾讯科技（深圳）有限公司 字符识别方法、装置、计算机设备以及存储介质
CN110349229A (zh) * 2019-07-09 2019-10-18 北京金山数字娱乐科技有限公司 一种图像描述方法及装置
CN110442582A (zh) * 2019-08-09 2019-11-12 江苏满运软件科技有限公司 场景检测方法、装置、设备和介质
CN110569332A (zh) * 2019-09-09 2019-12-13 腾讯科技（深圳）有限公司 一种语句特征的提取处理方法及装置
CN110569846A (zh) * 2019-09-16 2019-12-13 北京百度网讯科技有限公司 图像文字识别方法、装置、设备及存储介质
CN111274267A (zh) * 2019-12-31 2020-06-12 杭州量之智能科技有限公司 一种数据库查询方法、装置及计算机可读取存储介质
CN111931664A (zh) * 2020-08-12 2020-11-13 腾讯科技（深圳）有限公司 混贴票据图像的处理方法、装置、计算机设备及存储介质
CN112163428A (zh) * 2020-09-18 2021-01-01 中国人民大学 语义标签的获取方法、装置、节点设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐三立 ; 程战战 ; 钮毅 ; 雷鸣 ; .一种面向结构化文本图像识别的深度学习模型.杭州电子科技大学学报(自然科学版).2020,(第02期),全文. *

Also Published As

Publication number Publication date
CN112966140A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN112966522B (zh) 一种图像分类方法、装置、电子设备及存储介质
JP2023541532A (ja) テキスト検出モデルのトレーニング方法及び装置、テキスト検出方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム
CN112949415B (zh) 图像处理方法、装置、设备和介质
CN113033534A (zh) 建立票据类型识别模型与识别票据类型的方法、装置
CN113343982B (zh) 多模态特征融合的实体关系提取方法、装置和设备
CN113379718A (zh) 一种目标检测方法、装置、电子设备以及可读存储介质
CN113642583B (zh) 用于文本检测的深度学习模型训练方法及文本检测方法
CN113901907A (zh) 图文匹配模型训练方法、图文匹配方法及装置
US20230102804A1 (en) Method of rectifying text image, training method, electronic device, and medium
CN114022887B (zh) 文本识别模型训练及文本识别方法、装置、电子设备
CN115565177A (zh) 文字识别模型训练、文字识别方法、装置、设备及介质
CN114242113B (zh) 语音检测方法、训练方法、装置和电子设备
CN112966140B (zh) 字段识别方法、装置、电子设备、存储介质和程序产品
CN114495101A (zh) 文本检测方法、文本检测网络的训练方法及装置
CN114022865A (zh) 基于车道线识别模型的图像处理方法、装置、设备和介质
CN113360683A (zh) 训练跨模态检索模型的方法以及跨模态检索方法和装置
CN114445833B (zh) 文本识别方法、装置、电子设备和存储介质
CN113361522B (zh) 用于确定字符序列的方法、装置和电子设备
CN114707638A (zh) 模型训练、对象识别方法及装置、设备、介质和产品
CN113642654A (zh) 图像特征的融合方法、装置、电子设备和存储介质
CN113239215A (zh) 多媒体资源的分类方法、装置、电子设备及存储介质
CN113283241A (zh) 文本识别方法、装置、电子设备及计算机可读存储介质
CN114821603B (zh) 票据识别方法、装置、电子设备以及存储介质
CN116778006B (zh) 图片编码器的建模方法、装置、电子设备及存储介质
CN113657353B (zh) 公式识别方法、装置、电子设备及存储介质

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