CN112990346A - 书写质量评价方法、装置和电子设备 - Google Patents

书写质量评价方法、装置和电子设备 Download PDF

Info

Publication number
CN112990346A
CN112990346A CN202110386324.3A CN202110386324A CN112990346A CN 112990346 A CN112990346 A CN 112990346A CN 202110386324 A CN202110386324 A CN 202110386324A CN 112990346 A CN112990346 A CN 112990346A
Authority
CN
China
Prior art keywords
candidate model
model
candidate
character
feature vector
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
CN202110386324.3A
Other languages
English (en)
Other versions
CN112990346B (zh
Inventor
蔡猛
刘瑞
梁镇麟
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 Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network 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 Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202110386324.3A priority Critical patent/CN112990346B/zh
Publication of CN112990346A publication Critical patent/CN112990346A/zh
Application granted granted Critical
Publication of CN112990346B publication Critical patent/CN112990346B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例公开了书写质量评价方法、装置和电子设备。该方法的一具体实施方式包括：基于字符图像样本，对初始图像分类模型进行迭代，以及将各次迭代得到的初始图像分类模型作为候选模型；基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，其中，所述目标模型用于处理待评价书写图像生成第二特征向量，所述第二特征向量用于生成所述待评价书写图像的书写质量信息。由此，可以提供一种新的书写质量评价方式。

Description

书写质量评价方法、装置和电子设备
技术领域
本公开涉及互联网技术领域，尤其涉及一种书写质量评价方法、装置和电子设备。
背景技术
随着互联网的发展，用户越来越多的使用终端设备实现各种功能。例如，用户可以借助终端设备不断学习。
在一些应用场景中，可以由人类对书写质量进行评价。
发明内容
提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开实施例提供了一种书写质量评价方法，该方法包括：基于字符图像样本，对初始图像分类模型进行迭代，以及将各次迭代得到的初始图像分类模型作为候选模型；基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，其中，所述目标模型用于处理待评价书写图像生成第二特征向量，所述第二特征向量用于生成所述待评价书写图像的书写质量信息。
第二方面，本公开实施例提供了一种书写质量评价装置，包括：迭代步骤，用于基于字符图像样本，对初始图像分类模型进行迭代，以及将各次迭代得到的初始图像分类模型作为候选模型；确定单元，用于基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，其中，所述目标模型用于处理待评价书写图像生成第二特征向量，所述第二特征向量用于生成所述待评价书写图像的书写质量信息。
第三方面，本公开实施例提供了一种电子设备，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如第一方面所述的书写质量评价方法。
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的书写质量评价方法的步骤。
需要说明的是，本实施例提供的书写质量评价方法，在基于字符图像样本对初始图像分类模型进行迭代的过程中得到多个候选模型，然后，以候选模型处理字符图像样本得到的第一特征向量为依据，从至少一个候选模型中确定目标模型，此目标模型可以用于处理待评价书写图像得到第二特征向量。此第二特征向量可以用于生成待评价书写图像的书写质量信息。由此，可以提供一种新的书写质量评价方式。
需要说明的是，这种新的方式以图像分类为目标任务，利用了图像分类过程中模型对于特征提取能力的改进，却不直接将对初始图像分类模型进行迭代最终得到的模型作为目标模型，可以将图像分类任务与书写评价任务的差异作为影响因素，尽量从以图像分类为目标任务的候选模型中确定出适用于书写评价任务模型。从而，可以提高书写评价的准确性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的书写质量评价方法的一个实施例的流程图；
图2是根据本公开的书写质量评价方法的一个应用场景的示意图；
图3是根据本公开的书写质量评价装置的一个实施例的结构示意图；
图4是本公开的一个实施例的书写质量评价方法可以应用于其中的示例性系统架构；
图5是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
请参考图1，其示出了根据本公开的书写质量评价方法的一个实施例的流程。如图1所示该书写质量评价方法，包括以下步骤：
步骤101，基于字符图像样本，对初始图像分类模型进行迭代，以及将各次迭代得到的初始图像分类模型作为候选模型。
在本实施例中，书写质量评价方法的执行主体可以基于字符图像样本，对初始图像分类模型进行迭代，以及将各次迭代得到的初始图像分类模型作为候选模型。
在本实施例中，初始图像分类模型可以是用于对图像进行分类的初始神经网络。初始图像分类模型的输入可以是图像，输出可以是图像类型。图像类型的具体项，可以根据实际应用场景设置，在此不做限定。
可选的，图像分类模型的输出可以包括字符识别结果。作为示例，对于手写图像中的“的”字，图像分类模型可以识别手写图像中的字符为“的”。
在本实施例中，上述图像分类模型的结构，可以是任何神经网络结构，在此不做限定(例如，可以是AlexNet、VGG、ResNet、SqeezeNet、DenseNet、Inception等)。
在本实施例中，图像分类模型可以包括至少一个特征提取层。特征提取层用于提取图像特征。在一些应用场景中，提取图像特征可以得到特征向量(例如，图嵌入向量，graph embedding)。
可选的，特征提取层的个数可以是一个或者至少两个。作为示例，特征提取层的结构可以包括卷积层。
步骤102，基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型。
在本实施例中，上述执行主体可以基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型。
在这里，上述目标模型用于处理待评价书写图像生成第二特征向量。
在这里，上述第二特征向量用于生成所述待评价书写图像的书写质量信息。
在本实施例中，书写质量信息，可以用于表征书写质量。可以理解，书写质量通常为人眼去去看去评价的东西。在这里，可以将主观评价具体化为书写质量参数，采用计算机进行书写质量信息；即可以将通常需要人类去实现的评价，转化为计算机视觉以及计算机可以去衡量评价的指标。
在一些应用场景中，参与书写质量信息的具体书写质量参数项，可以根据实际应用场景选定，在此不做限制。
在本实施例中，书写质量参数项可以是用于评价书写质量的指标。书写质量参数项可以表征的内容，包括但不限于以下至少一项：字整体写的好不好，字形结构有没有问题，哪些笔画之间应该相连，哪些笔画应该出头而没有出头啊，笔顺对不对，笔画写的对不对，哪个偏旁写的好，或者哪个笔画写的好。
在本实施例中，待评价书写图像，可以图像内容包括书写字符的图像。书写字符的语种类型，可以是任意语种，在此不做限定。例如，可以是包括手写的汉字的图像。
作为示例，书写质量信息可以包括第一书写质量参数项(笔画应该出头而没有出头)和第二书写质量参数项(字体倾斜)。可以获取第一书写质量参数项对应的第二特征向量，与第一特征向量进行相似度计算，确定所述待评价书写图像在笔画应该出头而没有出头方面的参数项值。可以获取第二书写质量参数项对应的第二特征向量，与第三特征向量(例如可以从标准字形中提取得到)进行相似度计算，确定所述待评价书写图像在字体倾斜方面的参数项值。然后，可以根据笔画应该出头而没有出头方面的参数项值和字体倾斜方面的参数项值，生成所述书写质量评分。
作为示例，请参考图2，图2为基于初始图像分类模型得到候选模型的示意图。
在图2中，可以将字符图像样本导入初始图像分类模型，初始图像分类模型的隐含层可以生成第一特征向量零号。初始图像分类模型可以根据第一特征向量零号输出分类结果，根据分类结果与字符图像样本对应的类型信息得到损失值，然后根据损失值可以调整初始图像分类模型的参数，得到候选模型一号。调整初始图像分类模型得到候选模型一号的过程，可以称为一次迭代。
然后，可以将字符图像样本导入候选模型一号，候选模型一号的隐含层可以生成第一特征向量一号。候选模型一号可以根据第一特征向量一号输出分类结果，根据分类结果与字符图像样本对应的类型信息可以得到损失值，然后根据损失值可以调整候选模型一号得到候选模型二号。可以理解，调整候选模型一号得到候选模型二号的过程，可以称为一次迭代。
同理，可以基于候选模型二号，进行一次或者至少两次迭代，得到候选模型N号(N为大于等于2的正整数)。
请继续参考图2所示例子，候选模型一号可以处理字符图像样本得到第一特征向量一号，候选模型二号可以处理字符图像样本得到第一特征向量二号。候选模型N号可以处理字符图像样本得到第一特征向量N号。基于第一特征向量一号、第一特征向量二号……(省略号可以用于表征第一特征向量二号至第一特征向量N号之间可能具有的第一特征向量)第一特征向量N号，从候选模型一号、候选模型二号……(省略号可以用于表征候选模型二号至候选模型N号之间可能具有的候选模型)候选模型N号之中确定目标模型。可以理解，候选模型二号与候选模型N号之间，可以没有候选模型，也可以具有更多的候选模型；可以理解，第一特征向量二号与第一特征向量N号之间，可以没有第一特征向量，也可以具有更多的第一特征向量。
需要说明的是，本实施例提供的书写质量评价方法，在基于字符图像样本对初始图像分类模型进行迭代的过程中得到多个候选模型，然后，以候选模型处理字符图像样本得到的第一特征向量为依据，从至少一个候选模型中确定目标模型，此目标模型可以用于处理待评价书写图像得到第二特征向量。此第二特征向量可以用于生成待评价书写图像的书写质量信息。由此，可以提供一种新的书写质量评价方式。
需要说明的是，这种新的方式以图像分类为目标任务，利用了图像分类过程中模型对于特征提取能力的改进，却不直接将对初始图像分类模型进行迭代最终得到的模型作为目标模型，可以将图像分类任务与书写评价任务的差异作为影响因素，尽量从以图像分类为目标任务的候选模型中确定出适用于书写评价任务模型。从而，可以提高书写评价的准确性。
并且，基于第一特征向量从候选模型中选取目标模型，可以节省人工对各个候选模型进行主观评测的环节，节省人力和时间成本。由此，可以缩短得到目标模型的时间。
在一些实施例中，上述步骤102，可以包括：针对每个候选模型，执行第一步骤；基于各个候选模型对应的信息熵，从至少一个候选模型中确定目标模型。
在这里，上述第一步骤，可以包括：将至少一个字符图像样本导入该候选模型，得到该候选模型输出的与各个字符图像样本对应的第一特征向量，以及根据该候选模型输出的各个第一特征向量，生成该候选模型对应的信息熵。
在这里，信息熵可以用于表征信息的凌乱程度。信息熵越大，信息的凌乱程度越大；信息熵越小，信息的凌乱程度。
在这里，至少一个字符图像样本，可以是包括至少两个字符图像样本的字符图像样本集。
作为示例，接着以图2所示例进行说明。将字符图像样本集(例如包括一万个字符图像样本)导入候选模型一号，可以得到各个字符图像样本对应的第一特征向量一号，换句话说，可以得到一万个第一特征向量一号。然后，可以根据这一万个第一特征向量一号，生成该候选模型对应的信息熵。
需要说明的是，通过在以分类准确率为目标的迭代过程中，图形分类模型提取中的特征向量，文字的类内分布逐渐集中。这对分类任务是有利的，因为分类任务的目标是识别出字的类型，对于字形细节具有较强的包容性。换句话说，分类模型为了提高分类准确率，例如对写的差的字符也能够准确预测，会忽视不影响字形整体结构的细节。但是，这对书写质量评价任务来说是不利的，因为书写质量评价任务需要精细化的关注字形差异，即对于同一文字，关注的是字形差异，以确定书写质量。
需要说明的是，发明人发现，第一特征向量分布越广泛，对于手写质量评价越有利。然后，引入上述引入信息熵表征第一特征向量的凌乱程度，可以实现量化第一特征向量的分布的凌乱程度。基于信息熵选取凌乱程度较大的第一特征向量对应的候选模型作为目标模型，可以有效提取待评价书写图像的书写细节，提高所生成的书写质量信息的准确性。
可以理解，凌乱程度是一个通俗的解释，实际上，凌乱程度难以解释的一个原因是因为其评价对象本申请是杂乱的。直观解释的话，凌乱可以解释为第一特征向量的分布较为松散而不紧密，分布紧密的话，可能是由于同一文字类型的类内方差较小，类间方差较大。但是，分布紧密的话，无论字符书写的好坏，模型都能够很好的进行分类，这与书写质量评价的目标是有差异的。可以理解，书写质量评价希望将写的好的个体和写的差的个体的第一特征向量有比较明显的区分。
在这里，以信息熵表征凌乱程度，可以将指标客观化。由此，可以对有利于书写质量评价的特征进行有效表征，提高所选取出的目标模型适用于书写质量评价的程度。
在一些实施例中，上述步骤根据该候选模型输出的各个第一特征向量，生成该候选模型对应的信息熵，可以包括：拟合该候选模型输出的第一特征向量，生成概率分布；根据所述概率分布，确定各个第一特征向量的概率密度；根据所确定的概率密度，确定该候选模型输出的第一特征向量的信息熵。
在一些实施例中，可以使用高维的高斯混合模型(Gaussian Mixture Model，GMM)，拟合各个第一特征向量的分布，以及通过期望最大化算法(Expectation－Maximum，EM)进行分布的参数估计。由此，可以得到第一特征向量的概率分布。然后，可以由估计得到的第一特征向量的分布，估计第一特征向量的概率密度。再后，可以采用如下的信息熵的计算公式，确定候选模型对应的信息熵。
Figure BDA0003014524880000091
其中，H(x)表示信息熵。P为第一特征向量的概率函数(probability massfunction)。在这里，对数(即log)所使用的底，可以例如是2、10或者自然常数e。
需要说明的是，先拟合第一特征向量的概率分布，再确定第一特征向量的概率密度，再根据所确定的概率密度，确定候选模型对应的信息爽，可以实现确定出较为准确的信息熵，由此，可以提高所确定的凌乱程度的准确程度，从而提高所确定的目标模型的准确程度。
在一些实施例中，上述步骤102，可以包括：针对每个候选模型，执行第二步骤；基于各个候选模型对应的字符分类结果，从至少一个候选模型中确定目标模型。
在这里，第二步骤可以包括：将至少一个字符图像样本导入该候选模型，得到该候选模型输出的与各个字符图形样本对应的第一特征向量，以及根据该候选模型输出的各个第一特征向量，生成该候选模型对应的字符分类结果。
在这里，字符分类结果，可以表征候选模型分类的准确程度。
作为示例，将字符图像样本集(例如包括一万个字符图像样本)导入候选模型一号，可以得到各个字符图像样本对应的第一特征向量一号，换句话说，可以得到一万个第一特征向量一号，基于每个第一特征向量一号，可以进行分类，得到字符类型预估值，即可以得到一万个字符类型预估值。由此，可以得到候选模型一号对应的字符分类结果。
同理，将字符图像样本集(例如包括一万个字符图像样本)导入候选模型二号，可以得到各个字符图像样本对应的第一特征向量二号，换句话说，可以得到一万个第一特征向量二号。然后，可以根据这一万个第一特征向量二号，可以进行分类，得到字符类型预估值。由此，可以得到候选模型二号对应的字符分类结果。
需要说明的是，基于字符分类结果确定目标模型，可以保证目标模型具有较高的字形结构的特征提取能力。换句话说，如果候选模型提取出的第一特征向量的分类结果较差，说明候选模型提取出的第一特征向量不能准确表征字符图像样本的字形结构特征。由此，采用字符分类结果确定的目标模型，可以提高对于待评价书写图像的字形结构的提取能力，由此提高书写质量评价信息的准确程度。
在一些实施例中，上述根据该候选模型输出的各个第一特征向量，生成该候选模型对应的字符分类结果，可以包括：根据该候选模型输出的第一字符类型与字符图像样本关联的第二字符类型，生成该候选模型对应的字符分类交叉熵作为字符分类结果。
在这里，交叉熵可以是字符图像样本的真实字符类型和预估字符类型两个概率分布上，且衡量了两个概率分布的差异。
在这里，字符图像样本关联的第二字符类型，可以指示字符图像样本中所包括的字符的类型。
在这里，候选模型输出的第一字符类型，可以是候选模型预估的字符图像样本所包括的字符的类型。
需要说明的是，通过生成字符分类交叉熵作为字符分类结果，可以提高对于字符分类准确性的表征的准确程度。由此，可以选取出对于字形结构特征提取能力较高的目标模型。
在一些实施例中，上述步骤102，可以包括：根据各个候选模型对应的信息熵和各个候选模型对应的字符分类结果，从至少一个候选模型中，确定目标模型。
在这里，候选模型对应的信息熵，可以用于表征候选模型生成的第一特征向量的凌乱程度。
在这里，候选模型对应的字符分类结果，可以包括上述字符分类交叉熵。字符分类结果，可以用于表征候选模型可以表征候选模型分类的准确程度。具体的说，字符分类结果，可以用于表征候选模型提取字形结构的能力。
在这里，根据信息熵和字符分类结果，确定目标模型，可以采用各种方式实现。
例如，可以将信息熵和字符分类结果设置优先级，例如信息熵的优先级高于字符分类结果的优先级。然后，根据信息熵选取预设数目个候选模型；再后，从这预设数目个候选模型中，根据字符分类结果确定目标模型。
在一些实施例中，字符分类结果可以包括字符分类交叉熵。上述根据各个候选模型对应的信息熵和各个候选模型对应的字符分类结果，从所述至少一个候选模型中确定目标模型，可以包括：针对每个候选模型，执行第三步骤；基于各个模型对应的加权和，从至少一个候选模型中确定目标模型。
在这里，上述第三步骤可以包括：采用预先设置的权重值，对该候选模型对应的信息熵和字符分类交叉熵进行加权求和，得到该候选模型对应的加权和。
在这里，信息熵和字符分类交叉熵可以分别对应预设权重值，例如，信息熵对应的权重值为0.6，字符分类交叉熵对应的权重值为0.4。
作为示例，可以选取加权和最小的候选模型作为目标模型。
需要说明的是，采用信息熵和字符分类交叉熵作为选取目标模型的选取依据，可以将保证选取出的目标模型，不仅具有较好的字形结构提取能力，而且对于字形细节具有较好的提取能力。由此，目标模型处理待评价书写图像得到的第二特征向量，可以有效提取评价书写质量所需的字形特征，从而可以基于第二特征向量得到更为准确的书写质量信息。
进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种书写质量评价装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例的书写质量评价装置包括：迭代单元301和确定单元302。其中，迭代单元，用于基于字符图像样本，对初始图像分类模型进行迭代，以及将各次迭代得到的初始图像分类模型作为候选模型；确定单元，用于基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，其中，所述目标模型用于处理待评价书写图像生成第二特征向量，所述第二特征向量用于生成所述待评价书写图像的书写质量信息。
在本实施例中，书写质量评价装置的迭代单元301和确定单元302的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101和步骤102的相关说明，在此不再赘述。
在一些实施例中，所述基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，包括：针对每个候选模型，执行第一步骤，第一步骤包括：将至少一个字符图像样本导入该候选模型，得到该候选模型输出的与各个字符图像样本对应的第一特征向量，以及根据该候选模型输出的各个第一特征向量，生成该候选模型对应的信息熵；基于各个候选模型对应的信息熵，从所述至少一个候选模型中确定目标模型。
在一些实施例中，所述根据该候选模型输出的各个第一字符图像样本，生成该候选模型对应的信息熵，包括：拟合该候选模型输出的第一特征向量，生成概率分布；根据该概率分布，确定各个第一特征向量的概率密度；根据所确定的概率密度，确定该候选模型输出的第一特征向量的信息熵。
在一些实施例中，所述基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，包括：针对每个候选模型，执行第二步骤，第二步骤包括：将至少一个字符图像样本导入该候选模型，得到该候选模型输出的与各个字符图像样本对应的第一特征向量，以及根据该候选模型输出的各个第一特征向量，生成该候选模型对应的字符分类结果；基于各个候选模型对应的字符分类结果，从所述至少一个候选模型中确定目标模型。
在一些实施例中，所述根据该候选模型输出的各个第一特征向量，生成该候选模型对应的字符分类结果，包括：根据该候选模型输出的第一字符类型与字符图像样本关联的第二字符类型，生成该候选模型对应的字符分类交叉熵作为字符分类结果。
在一些实施例中，所述基于各个候选模型对应的信息熵，从所述至少一个候选模型中确定目标模型，包括：根据各个候选模型对应的信息熵和各个候选模型对应的字符分类结果，从所述至少一个候选模型中确定目标模型。
在一些实施例中，所述字符分类结果包括字符分类交叉熵；以及所述根据各个候选模型对应的信息熵和各个候选模型对应的字符分类结果，从所述至少一个候选模型中确定目标模型，包括：针对每个候选模型，执行第三步骤，其中，第三步骤包括：采用预先设置的权重值，对该候选模型对应的信息熵和字符分类交叉熵进行加权求和，得到该候选模型对应的加权和；基于各个候选模型对应的加权和，从所述至少一个候选模型中确定目标模型。
请参考图4，图4示出了本公开的一个实施例的书写质量评价方法可以应用于其中的示例性系统架构。
如图4所示，系统架构可以包括终端设备401、402、403，网络404，服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备401、402、403可以通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种客户端应用，例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备401、402、403中的客户端应用可以接收用户的指令，并根据用户的指令完成相应的功能，例如根据用户的指令在信息中添加相应信息。
终端设备401、402、403可以是硬件，也可以是软件。当终端设备401、402、403为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备401、402、403为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器405可以是提供各种服务的服务器，例如接收终端设备401、402、403发送的信息获取请求，根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备401、402、403。
需要说明的是，本公开实施例所提供的书写质量评价方法可以由终端设备执行，相应地，书写质量评价装置可以设置在终端设备401、402、403中。此外，本公开实施例所提供的书写质量评价方法还可以由服务器405执行，相应地，书写质量评价装置可以设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图4中的终端设备或服务器)的结构示意图。本公开实施例中的终端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5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5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置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。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，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，其包括承载在非暂态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509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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：基于字符图像样本，对初始图像分类模型进行迭代，以及将各次迭代得到的初始图像分类模型作为候选模型；基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，其中，所述目标模型用于处理待评价书写图像生成第二特征向量，所述第二特征向量用于生成所述待评价书写图像的书写质量信息。
在一些实施例中，所述基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，包括：针对每个候选模型，执行第一步骤，第一步骤包括：将至少一个字符图像样本导入该候选模型，得到该候选模型输出的与各个字符图像样本对应的第一特征向量，以及根据该候选模型输出的各个第一特征向量，生成该候选模型对应的信息熵；基于各个候选模型对应的信息熵，从所述至少一个候选模型中确定目标模型。
在一些实施例中，所述根据该候选模型输出的各个第一字符图像样本，生成该候选模型对应的信息熵，包括：拟合该候选模型输出的第一特征向量，生成概率分布；根据该概率分布，确定各个第一特征向量的概率密度；根据所确定的概率密度，确定该候选模型输出的第一特征向量的信息熵。
在一些实施例中，所述基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，包括：针对每个候选模型，执行第二步骤，第二步骤包括：将至少一个字符图像样本导入该候选模型，得到该候选模型输出的与各个字符图像样本对应的第一特征向量，以及根据该候选模型输出的各个第一特征向量，生成该候选模型对应的字符分类结果；基于各个候选模型对应的字符分类结果，从所述至少一个候选模型中确定目标模型。
在一些实施例中，所述根据该候选模型输出的各个第一特征向量，生成该候选模型对应的字符分类结果，包括：根据该候选模型输出的第一字符类型与字符图像样本关联的第二字符类型，生成该候选模型对应的字符分类交叉熵作为字符分类结果。
在一些实施例中，所述基于各个候选模型对应的信息熵，从所述至少一个候选模型中确定目标模型，包括：根据各个候选模型对应的信息熵和各个候选模型对应的字符分类结果，从所述至少一个候选模型中确定目标模型。
在一些实施例中，所述字符分类结果包括字符分类交叉熵；以及所述根据各个候选模型对应的信息熵和各个候选模型对应的字符分类结果，从所述至少一个候选模型中确定目标模型，包括：针对每个候选模型，执行第三步骤，其中，第三步骤包括：采用预先设置的权重值，对该候选模型对应的信息熵和字符分类交叉熵进行加权求和，得到该候选模型对应的加权和；基于各个候选模型对应的加权和，从所述至少一个候选模型中确定目标模型。
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但不限于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，确定单元还可以被描述为“从至少一个候选模型中确定目标模型”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种书写质量评价方法，其特征在于，包括：
基于字符图像样本，对初始图像分类模型进行迭代，以及将各次迭代得到的初始图像分类模型作为候选模型；
基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，其中，所述目标模型用于处理待评价书写图像生成第二特征向量，所述第二特征向量用于生成所述待评价书写图像的书写质量信息。
2.根据权利要求1所述的方法，其特征在于，所述基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，包括：
针对每个候选模型，执行第一步骤，其中，所述第一步骤包括：将至少一个字符图像样本导入该候选模型，得到该候选模型输出的与各个字符图像样本对应的第一特征向量，以及根据该候选模型输出的各个第一特征向量，生成该候选模型对应的信息熵；
基于各个候选模型对应的信息熵，从所述至少一个候选模型中确定目标模型。
3.根据权利要求2所述的方法，其特征在于，所述根据该候选模型输出的各个第一字符图像样本，生成该候选模型对应的信息熵，包括：
拟合该候选模型输出的第一特征向量，生成概率分布；
根据该概率分布，确定各个第一特征向量的概率密度；
根据所确定的概率密度，确定该候选模型输出的第一特征向量的信息熵。
4.根据权利要求1所述的方法，其特征在于，所述基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，包括：
针对每个候选模型，执行第二步骤，其中，所述第二步骤包括：将至少一个字符图像样本导入该候选模型，得到该候选模型输出的与各个字符图像样本对应的第一特征向量，以及根据该候选模型输出的各个第一特征向量，生成该候选模型对应的字符分类结果；
基于各个候选模型对应的字符分类结果，从所述至少一个候选模型中确定目标模型。
5.根据权利要求4所述的方法，其特征在于，所述根据该候选模型输出的各个第一特征向量，生成该候选模型对应的字符分类结果，包括：
根据该候选模型输出的第一字符类型与字符图像样本关联的第二字符类型，生成该候选模型对应的字符分类交叉熵作为字符分类结果。
6.根据权利要求2所述的方法，其特征在于，所述基于各个候选模型对应的信息熵，从所述至少一个候选模型中确定目标模型，包括：
根据各个候选模型对应的信息熵和各个候选模型对应的字符分类结果，从所述至少一个候选模型中确定目标模型。
7.根据权利要求6所述的方法，其特征在于，所述字符分类结果包括字符分类交叉熵；以及
所述根据各个候选模型对应的信息熵和各个候选模型对应的字符分类结果，从所述至少一个候选模型中确定目标模型，包括：
针对每个候选模型，执行第三步骤，其中，所述第三步骤包括：采用预先设置的权重值，对该候选模型对应的信息熵和字符分类交叉熵进行加权求和，得到该候选模型对应的加权和；
基于各个候选模型对应的加权和，从所述至少一个候选模型中确定目标模型。
8.一种书写质量评价装置，其特征在于，包括：
迭代单元，用于基于字符图像样本，对初始图像分类模型进行迭代，以及将各次迭代得到的初始图像分类模型作为候选模型；
确定单元，用于基于各个候选模型处理字符图像样本得到的第一特征向量，从至少一个候选模型中确定目标模型，其中，所述目标模型用于处理待评价书写图像生成第二特征向量，所述第二特征向量用于生成所述待评价书写图像的书写质量信息。
9.一种电子设备，其特征在于，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如权利要求1－7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－7中任一所述的方法。
CN202110386324.3A 2021-04-09 2021-04-09 书写质量评价方法、装置和电子设备 Active CN112990346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110386324.3A CN112990346B (zh) 2021-04-09 2021-04-09 书写质量评价方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110386324.3A CN112990346B (zh) 2021-04-09 2021-04-09 书写质量评价方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112990346A true CN112990346A (zh) 2021-06-18
CN112990346B CN112990346B (zh) 2023-06-27

Family

ID=76337803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386324.3A Active CN112990346B (zh) 2021-04-09 2021-04-09 书写质量评价方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112990346B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171280A (zh) * 2018-01-31 2018-06-15 国信优易数据有限公司 一种分类器构建方法及预测分类的方法
CN109598331A (zh) * 2018-12-04 2019-04-09 北京芯盾时代科技有限公司 一种欺诈识别模型训练方法、欺诈识别方法及装置
CN110796131A (zh) * 2019-10-31 2020-02-14 黑龙江文茁教育科技有限公司 一种汉字书写评价系统
CN110991476A (zh) * 2019-10-18 2020-04-10 北京奇艺世纪科技有限公司 决策分类器的训练、音视频的推荐方法、装置及存储介质
CN111626297A (zh) * 2020-04-13 2020-09-04 小船出海教育科技（北京）有限公司 文字书写质量评价方法、装置、电子设备和记录介质
US20200320328A1 (en) * 2017-11-17 2020-10-08 Pfu Limited Image processing device, control method, and control program

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200320328A1 (en) * 2017-11-17 2020-10-08 Pfu Limited Image processing device, control method, and control program
CN108171280A (zh) * 2018-01-31 2018-06-15 国信优易数据有限公司 一种分类器构建方法及预测分类的方法
CN109598331A (zh) * 2018-12-04 2019-04-09 北京芯盾时代科技有限公司 一种欺诈识别模型训练方法、欺诈识别方法及装置
CN110991476A (zh) * 2019-10-18 2020-04-10 北京奇艺世纪科技有限公司 决策分类器的训练、音视频的推荐方法、装置及存储介质
CN110796131A (zh) * 2019-10-31 2020-02-14 黑龙江文茁教育科技有限公司 一种汉字书写评价系统
CN111626297A (zh) * 2020-04-13 2020-09-04 小船出海教育科技（北京）有限公司 文字书写质量评价方法、装置、电子设备和记录介质

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
HAMIDREZA KADKHODAEI 等: "An entropy based approach to find the best combination of the base classifiers in ensemble classifiers based on stack generalization", 《2016 4TH INTERNATIONAL CONFERENCE ON CONTROL, INSTRUMENTATION, AND AUTOMATION (ICCIA)》, pages 21 - 30 *
JUAN ANTONIO MORENTE-MOLINERA 等: "Improving Supervised Learning Classification Methods Using Multigranular Linguistic Modeling and Fuzzy Entropy", 《IEEE TRANSACTIONS ON FUZZY SYSTEMS》 *
JUAN ANTONIO MORENTE-MOLINERA 等: "Improving Supervised Learning Classification Methods Using Multigranular Linguistic Modeling and Fuzzy Entropy", 《IEEE TRANSACTIONS ON FUZZY SYSTEMS》, vol. 25, no. 5, 27 July 2016 (2016-07-27), pages 1078 - 1089 *
LIANG-YUH OUYANG 等: "Using a QCAC–Entropy–TOPSIS approach to measure quality characteristics and rank improvement priorities for all substandard quality characteristics", 《INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH》, vol. 52, no. 10, pages 3110 - 3124 *
张玉娟 等: "基于信息熵和细节方差均值与背景方差均值比的无参考图像锐化结果评价", 《哈尔滨师范大学自然科学学报》, vol. 35, no. 1, pages 36 - 40 *
毛莞丁: "基于信息熵的去运动模糊图像的质量评价方法", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》, no. 1, pages 138 - 908 *
求是汪在路上: "PU Learning在风控中的应用（理论篇）", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/98887617》 *
求是汪在路上: "PU Learning在风控中的应用（理论篇）", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/98887617》, 7 March 2020 (2020-03-07), pages 1 - 13 *
潮洛蒙: "基于信息熵和迭代SVM的特征选择方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑(月刊)》 *
潮洛蒙: "基于信息熵和迭代SVM的特征选择方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑(月刊)》, no. 09, 15 September 2019 (2019-09-15), pages 139 - 89 *

Also Published As

Publication number Publication date
CN112990346B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN109800732B (zh) 用于生成漫画头像生成模型的方法和装置
CN112364860A (zh) 字符识别模型的训练方法、装置和电子设备
CN111831855B (zh) 用于匹配视频的方法、装置、电子设备和介质
CN109800730B (zh) 用于生成头像生成模型的方法和装置
CN112650841A (zh) 信息处理方法、装置和电子设备
CN114282581A (zh) 基于数据增强的训练样本获取方法、装置和电子设备
CN112149699A (zh) 用于生成模型的方法、装置和用于识别图像的方法、装置
CN111897950A (zh) 用于生成信息的方法和装置
CN111680761B (zh) 信息反馈方法、装置和电子设备
WO2015148420A1 (en) User inactivity aware recommendation system
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
CN113191257B (zh) 笔顺检测方法、装置和电子设备
CN114420135A (zh) 基于注意力机制的声纹识别方法及装置
CN112990176A (zh) 书写质量评价方法、装置和电子设备
CN112241761B (zh) 模型训练方法、装置和电子设备
CN111783731B (zh) 用于提取视频特征的方法和装置
CN111949837A (zh) 信息处理方法、装置、电子设备以及存储介质
CN116363431A (zh) 物品分类方法、装置、电子设备和计算机可读介质
CN110765304A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN112990346A (zh) 书写质量评价方法、装置和电子设备
CN112860999B (zh) 信息推荐方法、装置、设备和存储介质
CN113792952A (zh) 用于生成模型的方法和装置
CN111897951A (zh) 用于生成信息的方法和装置
CN113010728A (zh) 一种歌曲推荐方法、系统、智能设备及存储介质
CN112990345A (zh) 书写质量评价方法、装置和电子设备

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