CN113011420A - 字符识别方法、模型训练方法、相关装置及电子设备 - Google Patents

字符识别方法、模型训练方法、相关装置及电子设备 Download PDF

Info

Publication number
CN113011420A
CN113011420A CN202110261383.8A CN202110261383A CN113011420A CN 113011420 A CN113011420 A CN 113011420A CN 202110261383 A CN202110261383 A CN 202110261383A CN 113011420 A CN113011420 A CN 113011420A
Authority
CN
China
Prior art keywords
target
character recognition
feature
picture
character
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
CN202110261383.8A
Other languages
English (en)
Other versions
CN113011420B (zh
Inventor
吕鹏原
章成全
姚锟
韩钧宇
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 CN202110261383.8A priority Critical patent/CN113011420B/zh
Publication of CN113011420A publication Critical patent/CN113011420A/zh
Priority to EP22150574.6A priority patent/EP3961584A3/en
Priority to US17/578,735 priority patent/US20220139096A1/en
Application granted granted Critical
Publication of CN113011420B publication Critical patent/CN113011420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G06V30/19013—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template 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
    • 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
    • G06F18/24—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • 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
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06V30/18—Extraction of features or characteristics of the image
    • 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
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
    • G06V30/18019—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections by matching or filtering
    • G06V30/18038—Biologically-inspired filters, e.g. difference of Gaussians [DoG], Gabor filters
    • G06V30/18048—Biologically-inspired filters, e.g. difference of Gaussians [DoG], Gabor filters with interaction between the responses of different filters, e.g. cortical complex cells
    • G06V30/18057—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19127—Extracting features by transforming the feature space, e.g. multidimensional scaling; Mappings, e.g. subspace 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
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

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

Abstract

本申请公开了字符识别方法、模型训练方法、相关装置及电子设备，涉及计算机视觉、深度学习等人工智能技术领域。具体实现方案为：获取目标图片；对所述目标图片进行特征编码，得到所述目标图片的视觉特征；对所述视觉特征进行特征映射，得到所述目标图片的第一目标特征，所述第一目标特征为与所述目标图片的字符语义信息的特征具有匹配空间的特征；将所述第一目标特征输入至字符识别模型进行字符识别，以得到所述目标图片的第一字符识别结果。根据本申请的技术，解决了字符识别技术存在的字符识别准确性比较低的问题，提高了对图片进行字符识别的准确性。

Description

字符识别方法、模型训练方法、相关装置及电子设备
技术领域
本申请涉及人工智能技术领域，尤其涉及计算机视觉、深度学习技术领域，具体涉及一种字符识别方法、模型训练方法、相关装置及电子设备。
背景技术
字符识别技术可以被广泛应用于社会的各行各业，如教育、医疗、金融等领域。由字符识别技术派生的常见卡证票据的识别、文档的自动化录入以及拍照搜题等技术极大地提升了传统行业的智能化程度和生产效率，方便了人们的日常学习与生活。
目前，对图片进行字符识别的方案通常仅使用图片的视觉特征，通过视觉特征来对图片中的字符进行识别。
发明内容
本公开提供了一种字符识别方法、模型训练方法、相关装置及电子设备。
根据本公开的第一方面，提供了一种字符识别方法，包括：
获取目标图片；
对所述目标图片进行特征编码，得到所述目标图片的视觉特征；
对所述视觉特征进行特征映射，得到所述目标图片的第一目标特征，所述第一目标特征为与所述目标图片的字符语义信息的特征具有匹配空间的特征；
将所述第一目标特征输入至字符识别模型进行字符识别，以得到所述目标图片的第一字符识别结果。
根据本公开的第二方面，提供了一种模型训练方法，包括：
获取训练样本数据，所述训练样本数据包括训练图片和所述训练图片中字符信息的语义标签；
分别获取所述训练图片的第二目标特征和所述语义标签的第三目标特征，所述第二目标特征基于所述训练图片的视觉特征映射得到，所述第三目标特征基于所述语义标签的语言特征映射得到，所述第二目标特征的特征空间与所述第三目标特征的特征空间匹配；
将所述第二目标特征输入至字符识别模型进行字符识别，以得到所述训练图片的第二字符识别结果；并将所述第三目标特征输入至所述字符识别模型进行字符识别，以得到所述训练图片的第三字符识别结果；
基于所述第二字符识别结果和第三字符识别结果，更新所述字符识别模型的参数。
根据本公开的第三方面，提供了一种字符识别装置，包括：
第一获取模块，用于获取目标图片；
特征编码模块，用于对所述目标图片进行特征编码，得到所述目标图片的视觉特征；
特征映射模块，用于对所述视觉特征进行特征映射，得到所述目标图片的第一目标特征，所述第一目标特征为与所述目标图片的字符语义信息的特征具有匹配空间的特征；
第一字符识别模块，用于将所述第一目标特征输入至字符识别模型进行字符识别，以得到所述目标图片的第一字符识别结果。
根据本公开的第四方面，提供了一种模型训练装置，包括：
第二获取模块，用于获取训练样本数据，所述训练样本数据包括训练图片和所述训练图片中字符信息的语义标签；
第三获取模块，用于分别获取所述训练图片的第二目标特征和所述语义标签的第三目标特征，所述第二目标特征基于所述训练图片的视觉特征映射得到，所述第三目标特征基于所述语义标签的语言特征映射得到，所述第二目标特征的特征空间与所述第三目标特征的特征空间匹配；
第二字符识别模块，用于将所述第二目标特征输入至字符识别模型进行字符识别，以得到所述训练图片的第二字符识别结果；并将所述第三目标特征输入至所述字符识别模型进行字符识别，以得到所述训练图片的第三字符识别结果；
更新模块，用于基于所述第二字符识别结果和第三字符识别结果，更新所述字符识别模型的参数。
根据本公开的第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面中的任一项方法，或者执行第二方面中的任一项方法。
根据本公开的第六方面，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，该计算机指令用于使计算机执行第一方面中的任一项方法，或者执行第二方面中的任一项方法。
根据本公开的第七方面，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第一方面中的任一项方法，或者实现第二方面中的任一项方法。
根据本申请的技术解决了字符识别技术存在的字符识别准确性比较低的问题，提高了对图片进行字符识别的准确性。
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，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的字符识别方法的流程示意图；
图2是字符识别方法的实现框架示意图；
图3是根据本申请第二实施例的模型训练方法的流程示意图；
图4是字符识别模型的训练实现框架示意图；
图5是根据本申请第三实施例的字符识别装置的结构示意图；
图6是根据本申请第四实施例的模型训练装置的结构示意图；
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
第一实施例
如图1所示，本申请提供一种字符识别方法，包括如下步骤：
步骤S101：获取目标图片。
本实施例中，字符识别方法涉及人工智能技术，具体涉及计算机视觉、深度学习技术领域，其可以广泛应用于图片中字符检测识别场景中。该方法可以由本申请实施例的字符识别装置执行。而字符识别装置可以配置在任意电子设备中，以执行本申请实施例的字符识别方法，该电子设备可以服务器，也可以为终端，这里不做具体限定。
所述目标图片可以为文本图片，其中，文本图片指的是包括文本内容的图片，文本内容可以包括字符，其字符可以为中文字符、英文字符或特殊字符等，通过这些字符可以构成文字，本申请实施例的目的即是通过字符识别对图片中的文字进行识别，且识别的场景不限于图片中包括残缺文字、遮挡文字、光照不均匀文字或模糊文字等的场景。
所述目标图片的获取方式可以有多种，可以从电子设备中获取预先存储的一张文本图片，也可以接收其他设备发送的一张文本图片，还可以从网络上下载一张文本图片，亦或是通过摄像功能拍摄一张文本图片。
步骤S102：对所述目标图片进行特征编码，得到所述目标图片的视觉特征。
该步骤中，特征编码即指的是特征提取，也就是说，对所述目标图片进行特征编码即指的是对所述目标图片进行特征提取。
所述目标图片的视觉特征包括纹理、颜色、形状和空间关系等特征。所述目标图片的视觉特征的提取方式可以有多种，比如，可以采用手动方式提取所述目标图片的特征，又比如，也可以使用卷积神经网络提取所述目标图片的特征。
以使用卷积神经网络提取所述目标图片的视觉特征为例，理论上任意结构的卷积神经网络如VGG，ResNet、DenseNet或MobileNet等，以及一些可用于改善网络效果的算子如Deformconv，Se，Dilationconv或Inception等，都可以用来对所述目标图片进行特征提取，得到所述目标图片的视觉特征。
比如，对于一幅输入为h*w尺寸大小的目标图片，可以使用卷积神经网络提取所述目标图片的视觉特征，其大小为1*w，可以记为I_feat。
步骤S103：对所述视觉特征进行特征映射，得到所述目标图片的第一目标特征，所述第一目标特征为与所述目标图片的字符语义信息的特征具有匹配空间的特征。
该步骤中，特征映射指的是将特征从一个域中(可以称之为源域)中学习一些知识，并将其迁移到另外一个域(可以称之为目标域)中，以增强特征的表征性能。
域的定义是基于特征空间的，而数学意义上能够描述所有可能性的特点可以称之为特征空间，如果有n个特征向量，那么其共同构成的空间可以称之为n维特征空间，这个空间内的每一个点可以描述一个可能的事物，而这个事物在问题中可以由n个属性特点描述，而每个属性特点可以由特征向量描述。
所述目标图片的字符语义信息的特征可以为所述目标图片中字符的语言特征，语言特征可以表征所述目标图片中字符的语义特点，比如由字符组成的文字“SALE”，其具有“售卖”的意思，该“售卖”的意思则可以构成这些字符的语义特点。
对所述视觉特征进行特征映射，其作用是将视觉特征和语言特征映射到匹配的特征空间，得到目标域的特征空间对应的第一目标特征，也就是说，将视觉特征映射到一目标域，得到所述目标图片的第一目标特征，而将语言特征映射到另一目标域中，得到所述目标图片的另一目标特征，这两个目标域的特征空间是匹配的。
在一可选实施方式中，特征空间匹配可以指的是特征空间相同，而两个域的特征空间相同指的是，对于两个域可以应用相同的属性来描述事物的特点。
由于第一目标特征和所述目标图片的另一目标特征均是在相同的特征空间描述同一图片，即描述同一事件，因此，第一目标特征和另一目标特征在特征空间上是相似的。也就是说，第一目标特征即具有所述目标图片的视觉特征，同时具有所述目标图片中字符的语言特征。
理论上一切函数都可以用来作为映射函数，对所述视觉特征进行特征映射，得到所述目标图片的第一目标特征。其中，深度学习模型transformer则可以作为映射函数的一种，即可以将transformer作为映射函数。而使用transformer作为映射函数，其可以对视觉特征做非线性变换，也可以获取所述目标图片的全局特征。
通过对视觉特征进行特征映射，可以得到第一目标特征，用IP_feat表示。
比如，对于一幅输入为h*w尺寸大小的目标图片，通过将transformer作为映射函数对视觉特征I_feat进行特征映射，得到第一目标特征，其特征维度可以为w*D，可以记为IP_feat。其中，D属于特征维度，为自定义超参数。
步骤S104：将所述第一目标特征输入至字符识别模型进行字符识别，以得到所述目标图片的第一字符识别结果。
所述字符识别模型可以为深度学习模型，其可以用于对特征进行解码，而其解码的过程可以称之为字符识别。
具体的，可以将所述第一目标特征输入至字符识别模型进行特征解码，即进行字符识别，得到字符概率矩阵，字符概率矩阵表示针对所述目标图片中每个字符，其属于预设字符类别的概率。
比如，字符概率矩阵为w*C，其中，C为预设字符类别的数量如为26，即表征预设有26个字符类别，w表示基于第一目标特征识别出的字符数量。在该字符概率矩阵中，每一行C个元素可以分别表示属于对应字符类别的概率。
在预测时，可以获取字符概率矩阵中每行最大元素对应的目标字符类别，识别出来的目标字符类别所构成的字符串即为所述目标图片的第一字符识别结果。该字符串可以构成文字，比如字符串“hello”，其可以构成英文单词，如此通过字符识别可以实现对图片中的文字进行识别。
在一可选实施方式中，识别出来的目标字符类别所构成的字符串中可能包括一些额外的字符，这些额外的字符是为了将字符语义信息对齐视觉特征的维度而预先添加上去的，在该种应用场景下，可以将其去掉，最终得到第一字符识别结果。
比如，所述目标图片中包括文本内容“hello”，字符概率矩阵为w行C列，若w为10，针对每行取完概率最大的目标字符类别之后，得到的字符串为hello[EOS][EOS][EOS][EOS][EOS]，其中[EOS]即为预先添加的额外字符，将其去除掉之后即可以得到第一字符识别结果“hello”。
另外，所述字符识别模型在使用之前，需要对其进行预先训练，以使其能够根据视觉特征映射之后得到的目标域的特征空间的第一目标特征进行字符识别。其中，视觉特征映射之后得到的目标域的特征空间的第一目标特征既可以描述所述目标图片的视觉特征的属性，又可以描述所述目标图片的语言特征的属性。
本实施例中，通过将对所述视觉特征进行特征映射，得到所述目标图片的第一目标特征，所述第一目标特征为与所述目标图片的字符语义信息的特征具有匹配空间的特征；并将所述第一目标特征输入至字符识别模型进行字符识别，以得到所述目标图片的第一字符识别结果。如此，可以结合语言特征和视觉特征对所述目标图片进行字符识别。
而在一些复杂场景如残缺的视觉缺陷场景，图片中文本内容“SALE”的字符“E”残缺，若基于视觉特征进行字符识别，其识别出来的结果为“SALL”，而结合视觉特征和语言特征进行字符识别，可以对图片中的文字进行语义增强，使得识别出来的结果可以为“SALE”，因此结合语言特征和视觉特征对所述目标图片进行字符识别能够提升尤其是复杂场景比如残缺、遮挡、模糊以及不均匀光照的视觉缺陷场景下的字符识别效果，进而可以提高对图片进行字符识别的准确性。
可选的，所述步骤S103具体包括：
采用目标映射函数对所述视觉特征进行非线性变换，得到所述目标图片的第一目标特征。
本实施方式中，所述目标映射函数可以为能够对特征进行非线性变换的映射函数，比如transformer，其可以对视觉特征做非线性变换，得到所述目标图片的第一目标特征。同时，将transformer作为映射函数还可以获取所述目标图片的全局特征，如此，可以提高特征映射的精度，进而可以进一步提高字符识别的准确性。
为了更加详细地阐述本申请实施例的方案，以下详细说明整个方案的实现过程。
参见图2，图2是字符识别方法的实现框架示意图，如图2所示，为实现本申请实施例的字符识别方法，所包含的具体模块包括三个模块，分别为视觉特征编码模块、视觉特征映射模块和共享解码模块。
具体的，输入一幅h*w大小的目标图片，所述目标图片中包含“hello”的文本内容，将所述目标图片输入至该实现框架中，其目的是对所述目标图片进行字符识别，以得到所述目标图片中文字的识别结果。
在实现过程中，可以通过视觉特征编码模块对所述目标图片进行特征编码，以提取所述目标图片的视觉特征。提取的视觉特征输入至视觉特征映射模块，视觉特征映射模块对所述视觉特征进行特征映射，得到第一目标特征，该第一目标特征为与所述目标图片的字符语义信息的特征具有匹配空间的特征。第一目标特征被输入至共享解码模块，共享解码模块可以通过字符识别模型对所述第一目标特征进行特征解码，以对所述目标图片进行字符识别，得到字符概率矩阵。该字符概率矩阵可以用来确定所述目标图片中的字符类别，得到字符识别结果。
第二实施例
如图3所示，本申请提供一种模型训练方法300，包括：
步骤S301：获取训练样本数据，所述训练样本数据包括训练图片和所述训练图片中字符信息的语义标签；
步骤S302：分别获取所述训练图片的第二目标特征和所述语义标签的第三目标特征，所述第二目标特征基于所述训练图片的视觉特征映射得到，所述第三目标特征基于所述语义标签的语言特征映射得到，所述第二目标特征的特征空间与所述第三目标特征的特征空间匹配；
步骤S303：将所述第二目标特征输入至字符识别模型进行字符识别，以得到所述训练图片的第二字符识别结果；并将所述第三目标特征输入至所述字符识别模型进行字符识别，以得到所述训练图片的第三字符识别结果；
步骤S304：基于所述第二字符识别结果和第三字符识别结果，更新所述字符识别模型的参数。
本实施例主要描述的是字符识别模型的训练过程，针对字符识别模型的训练，在步骤S301中，可以构建训练样本数据，所述训练样本数据可以包括训练图片和所述训练图片中字符信息的语义标签。所述训练图片为文本图片，且实际训练过程中，所述训练图片的数量为多个。
所述训练图片中字符信息的语义标签可以用label L表示，其可以为字符所构成的文字，比如，所述训练图片中包括多个字符，可以构成文字“hello”，该文字“hello”即为所述训练图片中字符信息的语义标签。当然，在所述训练图片中包括多个文字的情况下，所述训练图片中字符信息的语义标签即可以为这多个文字所构成的句子。
在步骤S302中，可以分别获取所述训练图片的第二目标特征(用IP_feat表示)和所述语义标签的第三目标特征(用LP_feat表示)。其中，所述第二目标特征与所述第一目标特征所表征的属性和获取方式均类似，这两个特征所表征的属性均包括图片的视觉属性和语言属性，且均是基于视觉特征映射得到，只是第一目标特征是基于目标图片的视觉特征映射得到，而第二目标特征是基于训练图片的视觉特征映射得到。另外，所述训练图片的视觉特征和所述目标图片的视觉特征的获取方式类似，这里不进行赘述。
所述第三目标特征是基于所述语义标签的语言特征(用L_feat表示)映射得到，且所述第三目标特征所表征的属性包括训练图片的视觉属性和语言属性。所述语义标签的语言特征可以基于语言模型得到，语言模型可以为one-hot或word2vector等，在字符识别模型的训练过程，所述语言模型可以为预先训练好的模型，也可以同字符识别模型进行同时训练，即交替更新字符识别模型和语言模型的参数，这里不做具体限定。
所述第二目标特征和第三目标特征均可以基于映射函数对特征进行映射得到，理论上一切函数都可以用来作为映射函数，基于映射函数对所述训练图片的视觉特征进行特征映射，得到所述训练图片的第二目标特征，基于映射函数对所述训练图片的语言特征进行特征映射，得到所述训练图片的第三目标特征。
其中，深度学习模型transformer则可以作为映射函数的一种，即可以将transformer作为映射函数。而使用transformer作为映射函数，其可以对特征做非线性变换，也可以获取训练图片的全局特征。
需要说明的是，将所述训练图片的视觉特征映射至一目标域，且将所述训练图片的语言特征映射至另一目标域，这两个目标域的特征空间匹配，在一可选实施方式中，这两个目标域的特征空间相同，也即所述第二目标特征的特征空间与所述第三目标特征的特征空间相同。而两个域的特征空间相同指的是，对于两个域可以应用相同的属性来描述事物的特点。
由于第二目标特征和所述第三目标特征均是在相同的特征空间描述同一图片，即描述同一事件，因此，第二目标特征和第三目标特征在特征空间上是相似的。也就是说，第二目标特征和第三目标特征均具有所述训练图片的视觉特征，同时具有所述训练图片中字符的语言特征。
在步骤S303中，可以将所述第二目标特征和第三目标特征分别输入至字符识别模型进行字符识别，以得到第二字符识别结果和第三字符识别结果。
具体的，可以将所述第二目标特征输入至字符识别模型进行特征解码，即进行字符识别，得到字符概率矩阵，基于该字符概率矩阵，得到第二字符识别结果。并将所述第三目标特征输入至字符识别模型进行特征解码，即进行字符识别，得到另一字符概率矩阵，基于该字符概率矩阵，得到第三字符识别结果。
在一可选实施方式中，识别出来的字符串中可能包括一些额外的字符，这些额外的字符是为了将语义标签对齐视觉特征的维度而预先添加上去的，在该种应用场景下，可以将其去掉，最终得到第二字符识别结果和第三字符识别结果。
比如，训练图片中包括文本内容“hello”，字符概率矩阵为w行C列，若w为10，针对每行取完概率最大的目标字符类别之后，得到的字符串为hello[EOS][EOS][EOS][EOS][EOS]，其中[EOS]即为预先添加的额外字符，将其去除掉之后即可以得到第二字符识别结果“hello”和第三字符识别结果“hello”。
在步骤S304中，可以比对第二字符识别结果和第三字符识别结果分别与语义标签的差异，以得到字符识别模型的网络损失值，并基于所述网络损失值采用梯度下降法更新所述字符识别模型的参数。
本实施例中，通过共享训练图片的视觉特征和语言特征的方式，来训练字符识别模型，如此可以提高字符识别模型的训练效果。相应的，字符识别模型可以基于共享的目标特征增强对文字语义的识别，提高字符识别的准确性。
可选的，所述步骤S304具体包括：
确定所述第二字符识别结果与所述语义标签的第一差异信息，以及确定所述第三字符识别结果与所述语义标签的第二差异信息；
基于所述第一差异信息和第二差异信息，更新所述字符识别模型的参数。
本实施方式中，可以通过距离算法比对第二字符识别结果与所述语义标签的第一差异信息，以及比对第三字符识别结果与所述语义标签的第二差异信息，对所述第一差异信息和第二差异信息进行加权计算，得到字符识别模型的网络损失值，基于所述网络损失值更新所述字符识别模型的参数，在网络损失值趋于收敛的情况下，字符识别模型可以更新完成，如此可以实现对字符识别模型的训练。
可选的，所述语义标签的语言特征通过以下方式获取：
对目标语义标签进行向量编码，得到所述目标语义标签的字符编码信息，所述目标语义标签的维度与所述训练图片的视觉特征的维度匹配，所述目标语义标签基于所述语义标签确定；
对所述字符编码信息进行特征编码，得到所述语义标签的语言特征。
本实施方式中，可以采用现有的或新的语言模型对目标语义标签进行向量编码，以得到所述目标语义标签的字符编码信息。其中，所述语言模型可以为one-hot或者word2vector等。
具体的，可以使用transformer对语义标签进行特征编码，得到训练图片的语言特征。在输入到transformer之前，可以采用语言模型对字符进行向量编码，可以使用one-hot或者word2vector的方式将目标语义标签编码成d维度的字符编码信息。
在语义标签的长度与视觉特征的长度匹配时，目标语义标签即为所述训练图片中字符信息的语义标签。
而在语义标签的长度不及视觉特征的长度时，为了和训练图片的视觉特征的长度对齐，即为了使语义标签的维度与训练图片的视觉特征的维度匹配，可以将语义标签的长度补齐到视觉特征的长度如w，得到目标语义标签。具体可以使用一个额外的字符如“EOS”来补齐语义标签，将补齐后的语义标签即目标语义标签进行向量编码，得到字符编码信息后，输入到transformer，即可得到训练图片的语言特征L_feat。
本实施方式中，通过对目标语义标签进行向量编码，得到所述目标语义标签的字符编码信息，并对所述字符编码信息进行特征编码，得到所述语义标签的语言特征，如此，可以使字符识别模型结合语言模型进行共同训练，使字符识别模型更有效的利用语言模型的语言特征，从而可以进一步提高字符识别模型的训练效果。
为了更加详细地阐述本申请实施例的方案，以下详细说明字符识别模型的训练实现过程。
参见图4，图4是字符识别模型的训练实现框架示意图，如图4所示，为实现本申请实施例的模型训练方法，所包含的具体模块包括五个模块，分别为视觉特征编码模块、视觉特征映射模块、语言特征编码模块、语言特征映射模块和共享解码模块。
具体的，输入h*w大小的训练图片，训练图片中包含“hello”的文本内容，其语义标签可以记为label L，将训练图片输入至该实现框架中，其目的是基于该训练图片对字符识别模型进行训练。
在实现过程中，可以通过视觉特征编码模块对训练图片进行特征编码，以提取训练图片的视觉特征，得到I_feat。并通过语言特征编码模块对语义标签进行特征编码，以提取训练图片的语言特征，得到L_feat。
视觉特征编码模块可以使用卷积神经网络提取所述训练图片的视觉特征。而语言特征编码模块可以使用transformer对语义标签进行编码，在输入至transformer，可以对字符进行向量编码，可以使用one-hot或者word2vector的方式将特征编码成d维度的字符编码信息。且为了和视觉特征长度对齐，可以将语义标签的长度补齐到w，具体可以使用一个额外的字符如“EOS”来补齐语义标签，得到目标语义标签。之后将目标语义标签输入到语言特征编码模块，即可得到语言特征L_feat。
可以将视觉特征输入至视觉特征映射模块，视觉特征映射模块的作用是将视觉特征和语言特征映射到相同的特征空间。视觉特征映射模块可以使用transformer作为映射函数来对视觉特征进行特征映射，得到IP_feat。
可以将语言特征输入至语言特征映射模块，语言特征映射模块的作用是将语言特征和视觉特征映射到相同的特征空间。语言特征映射模块可以使用transformer作为映射函数来对语言特征进行特征映射，得到LP_feat。
将IP_feat和LP_feat均输入至共享解码模块，共享解码模块使用字符识别模型分别对IP_feat和LP_feat进行特征解码，以进行字符识别。由于由于IP_feat和LP_feat具有相同的语义标签，因此，IP_feat和LP_feat在特征空间上也将相似。
通过视觉特征映射模块和语言特征映射模块之后，IP_feat和FP_feat的特征维度均为w*D，通过共享解码模块使用字符识别模型分别将IP_feat和FP_feat进行解码得到字符概率矩阵w*C，其中C为字符类别。该字符概率矩阵表示在每一个位置上，每个字符类别的概率，通过该字符概率矩阵，可以得到字符识别结果。之后，可以基于该字符识别结果，更新字符识别模型的参数。
第三实施例
如图5所示，本申请提供一种字符识别装置500，包括：
第一获取模块501，用于获取目标图片；
特征编码模块502，用于对所述目标图片进行特征编码，得到所述目标图片的视觉特征；
特征映射模块503，用于对所述视觉特征进行特征映射，得到所述目标图片的第一目标特征，所述第一目标特征为与所述目标图片的字符语义信息的特征具有匹配空间的特征；
第一字符识别模块504，用于将所述第一目标特征输入至字符识别模型进行字符识别，以得到所述目标图片的第一字符识别结果。
可选的，其中，所述特征映射模块503，具体用于采用目标映射函数对所述视觉特征进行非线性变换，得到所述目标图片的第一目标特征。
本申请提供的字符识别装置500能够实现上述字符识别方法实施例实现的各个过程，且能够达到相同的有益效果，为避免重复，这里不再赘述。
第四实施例
可选的，如图6所示，本申请提供一种模型训练装置600，包括：
第二获取模块601，用于获取训练样本数据，所述训练样本数据包括训练图片和所述训练图片中字符信息的语义标签；
第三获取模块602，用于分别获取所述训练图片的第二目标特征和所述语义标签的第三目标特征，所述第二目标特征基于所述训练图片的视觉特征映射得到，所述第三目标特征基于所述语义标签的语言特征映射得到，所述第二目标特征的特征空间与所述第三目标特征的特征空间匹配；
第二字符识别模块603，用于将所述第二目标特征输入至字符识别模型进行字符识别，以得到所述训练图片的第二字符识别结果；并将所述第三目标特征输入至所述字符识别模型进行字符识别，以得到所述训练图片的第三字符识别结果；
更新模块604，用于基于所述第二字符识别结果和第三字符识别结果，更新所述字符识别模型的参数。
可选的，其中，所述更新模块604，具体用于确定所述第二字符识别结果与所述语义标签的第一差异信息，以及确定所述第三字符识别结果与所述语义标签的第二差异信息；基于所述第一差异信息和第二差异信息，更新所述字符识别模型的参数。
可选的，其中，所述语义标签的语言特征通过以下方式获取：
对目标语义标签进行向量编码，得到所述目标语义标签的字符编码信息，所述目标语义标签的维度与所述训练图片的视觉特征的维度匹配，所述目标语义标签基于所述语义标签确定；
对所述字符编码信息进行特征编码，得到所述语义标签的语言特征。
本申请提供的模型训练装置600能够实现上述模型训练方法实施例实现的各个过程，且能够达到相同的有益效果，为避免重复，这里不再赘述。
根据本申请的实施例，本申请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7示出了可以用来实施本公开的实施例的示例电子设备700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/或者要求的本申请的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可以存储设备700操作所需的各种程序和数据。计算单元701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调整解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如字符识别方法或模型训练方法。例如，在一些实施例中，字符识别方法或模型训练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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时，可以执行上文描述的字符识别方法或模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方法(例如，借助于固件)而被配置为执行字符识别方法或模型训练方法。
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辑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、便携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)、互联网和区块链网络。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本发申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (13)

1.一种字符识别方法，包括：
获取目标图片；
对所述目标图片进行特征编码，得到所述目标图片的视觉特征；
对所述视觉特征进行特征映射，得到所述目标图片的第一目标特征，所述第一目标特征为与所述目标图片的字符语义信息的特征具有匹配空间的特征；
将所述第一目标特征输入至字符识别模型进行字符识别，以得到所述目标图片的第一字符识别结果。
2.根据权利要求1所述的方法，其中，所述对所述视觉特征进行特征映射，得到所述目标图片的第一目标特征，包括：
采用目标映射函数对所述视觉特征进行非线性变换，得到所述目标图片的第一目标特征。
3.一种模型训练方法，包括：
获取训练样本数据，所述训练样本数据包括训练图片和所述训练图片中字符信息的语义标签；
分别获取所述训练图片的第二目标特征和所述语义标签的第三目标特征，所述第二目标特征基于所述训练图片的视觉特征映射得到，所述第三目标特征基于所述语义标签的语言特征映射得到，所述第二目标特征的特征空间与所述第三目标特征的特征空间匹配；
将所述第二目标特征输入至字符识别模型进行字符识别，以得到所述训练图片的第二字符识别结果；并将所述第三目标特征输入至所述字符识别模型进行字符识别，以得到所述训练图片的第三字符识别结果；
基于所述第二字符识别结果和第三字符识别结果，更新所述字符识别模型的参数。
4.根据权利要求3所述的方法，其中，所述基于所述第二字符识别结果和第三字符识别结果，更新所述字符识别模型的参数，包括：
确定所述第二字符识别结果与所述语义标签的第一差异信息，以及确定所述第三字符识别结果与所述语义标签的第二差异信息；
基于所述第一差异信息和第二差异信息，更新所述字符识别模型的参数。
5.根据权利要求3所述的方法，其中，所述语义标签的语言特征通过以下方式获取：
对目标语义标签进行向量编码，得到所述目标语义标签的字符编码信息，所述目标语义标签的维度与所述训练图片的视觉特征的维度匹配，所述目标语义标签基于所述语义标签确定；
对所述字符编码信息进行特征编码，得到所述语义标签的语言特征。
6.一种字符识别装置，包括：
第一获取模块，用于获取目标图片；
特征编码模块，用于对所述目标图片进行特征编码，得到所述目标图片的视觉特征；
特征映射模块，用于对所述视觉特征进行特征映射，得到所述目标图片的第一目标特征，所述第一目标特征为与所述目标图片的字符语义信息的特征具有匹配空间的特征；
第一字符识别模块，用于将所述第一目标特征输入至字符识别模型进行字符识别，以得到所述目标图片的第一字符识别结果。
7.根据权利要求6所述的装置，其中，所述特征映射模块，具体用于采用目标映射函数对所述视觉特征进行非线性变换，得到所述目标图片的第一目标特征。
8.一种模型训练装置，包括：
第二获取模块，用于获取训练样本数据，所述训练样本数据包括训练图片和所述训练图片中字符信息的语义标签；
第三获取模块，用于分别获取所述训练图片的第二目标特征和所述语义标签的第三目标特征，所述第二目标特征基于所述训练图片的视觉特征映射得到，所述第三目标特征基于所述语义标签的语言特征映射得到，所述第二目标特征的特征空间与所述第三目标特征的特征空间匹配；
第二字符识别模块，用于将所述第二目标特征输入至字符识别模型进行字符识别，以得到所述训练图片的第二字符识别结果；并将所述第三目标特征输入至所述字符识别模型进行字符识别，以得到所述训练图片的第三字符识别结果；
更新模块，用于基于所述第二字符识别结果和第三字符识别结果，更新所述字符识别模型的参数。
9.根据权利要求8所述的装置，其中，所述更新模块，具体用于确定所述第二字符识别结果与所述语义标签的第一差异信息，以及确定所述第三字符识别结果与所述语义标签的第二差异信息；基于所述第一差异信息和第二差异信息，更新所述字符识别模型的参数。
10.根据权利要求8所述的装置，其中，所述语义标签的语言特征通过以下方式获取：
对目标语义标签进行向量编码，得到所述目标语义标签的字符编码信息，所述目标语义标签的维度与所述训练图片的视觉特征的维度匹配，所述目标语义标签基于所述语义标签确定；
对所述字符编码信息进行特征编码，得到所述语义标签的语言特征。
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1-2中任一项所述的方法，或者执行权利要求3-5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，所述计算机指令用于使所述计算机执行权利要求1-2中任一项所述的方法，或者执行权利要求3-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-2中任一项所述的方法，或者实现根据权利要求3-5中任一项所述的方法。
CN202110261383.8A 2021-03-10 2021-03-10 字符识别方法、模型训练方法、相关装置及电子设备 Active CN113011420B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110261383.8A CN113011420B (zh) 2021-03-10 2021-03-10 字符识别方法、模型训练方法、相关装置及电子设备
EP22150574.6A EP3961584A3 (en) 2021-03-10 2022-01-07 Character recognition method, model training method, related apparatus and electronic device
US17/578,735 US20220139096A1 (en) 2021-03-10 2022-01-19 Character recognition method, model training method, related apparatus and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110261383.8A CN113011420B (zh) 2021-03-10 2021-03-10 字符识别方法、模型训练方法、相关装置及电子设备

Publications (2)

Publication Number Publication Date
CN113011420A true CN113011420A (zh) 2021-06-22
CN113011420B CN113011420B (zh) 2022-08-30

Family

ID=76404404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110261383.8A Active CN113011420B (zh) 2021-03-10 2021-03-10 字符识别方法、模型训练方法、相关装置及电子设备

Country Status (3)

Country Link
US (1) US20220139096A1 (zh)
EP (1) EP3961584A3 (zh)
CN (1) CN113011420B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361523A (zh) * 2021-06-23 2021-09-07 北京百度网讯科技有限公司 文本确定方法、装置、电子设备和计算机可读存储介质
CN114021645A (zh) * 2021-11-03 2022-02-08 北京百度网讯科技有限公司 视觉模型降秩方法、装置、设备、存储介质以及程序产品
CN114140802A (zh) * 2022-01-29 2022-03-04 北京易真学思教育科技有限公司 一种文本识别方法、装置、电子设备和存储介质
CN114187593A (zh) * 2021-12-14 2022-03-15 北京有竹居网络技术有限公司 一种图像处理方法及装置
CN114372477A (zh) * 2022-03-21 2022-04-19 北京百度网讯科技有限公司 文本识别模型的训练方法、文本识别方法及装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115315038B (zh) * 2022-10-10 2023-06-23 东莞锐视光电科技有限公司 调节led装置的色温和显色的方法及装置
CN117332109A (zh) * 2023-09-20 2024-01-02 中移互联网有限公司 智能相册的质量优化方法及装置
CN118111940A (zh) * 2024-03-21 2024-05-31 武汉怡特环保科技有限公司 大气硫化物分析方法、装置、存储介质及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180204360A1 (en) * 2017-01-13 2018-07-19 International Business Machines Corporation Automatic data extraction from a digital image
CN111507355A (zh) * 2020-04-17 2020-08-07 北京百度网讯科技有限公司 一种字符识别方法、装置、设备和存储介质
CN112257426A (zh) * 2020-10-14 2021-01-22 北京一览群智数据科技有限责任公司 一种文字识别方法、系统、训练方法、存储介质及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180204360A1 (en) * 2017-01-13 2018-07-19 International Business Machines Corporation Automatic data extraction from a digital image
CN111507355A (zh) * 2020-04-17 2020-08-07 北京百度网讯科技有限公司 一种字符识别方法、装置、设备和存储介质
CN112257426A (zh) * 2020-10-14 2021-01-22 北京一览群智数据科技有限责任公司 一种文字识别方法、系统、训练方法、存储介质及设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361523A (zh) * 2021-06-23 2021-09-07 北京百度网讯科技有限公司 文本确定方法、装置、电子设备和计算机可读存储介质
CN114021645A (zh) * 2021-11-03 2022-02-08 北京百度网讯科技有限公司 视觉模型降秩方法、装置、设备、存储介质以及程序产品
CN114187593A (zh) * 2021-12-14 2022-03-15 北京有竹居网络技术有限公司 一种图像处理方法及装置
CN114187593B (zh) * 2021-12-14 2024-01-30 北京有竹居网络技术有限公司 一种图像处理方法及装置
CN114140802A (zh) * 2022-01-29 2022-03-04 北京易真学思教育科技有限公司 一种文本识别方法、装置、电子设备和存储介质
CN114140802B (zh) * 2022-01-29 2022-04-29 北京易真学思教育科技有限公司 一种文本识别方法、装置、电子设备和存储介质
CN114372477A (zh) * 2022-03-21 2022-04-19 北京百度网讯科技有限公司 文本识别模型的训练方法、文本识别方法及装置

Also Published As

Publication number Publication date
CN113011420B (zh) 2022-08-30
EP3961584A3 (en) 2022-07-20
US20220139096A1 (en) 2022-05-05
EP3961584A2 (en) 2022-03-02

Similar Documents

Publication Publication Date Title
CN113011420B (zh) 字符识别方法、模型训练方法、相关装置及电子设备
CN113313022A (zh) 文字识别模型的训练方法和识别图像中文字的方法
CN112579727B (zh) 文档内容的提取方法、装置、电子设备及存储介质
CN113989593A (zh) 图像处理方法、检索方法、训练方法、装置、设备及介质
CN113177449B (zh) 人脸识别的方法、装置、计算机设备及存储介质
CN112989970A (zh) 文档版面分析方法、装置、电子设备及可读存储介质
CN113591566A (zh) 图像识别模型的训练方法、装置、电子设备和存储介质
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN116152833B (zh) 基于图像的表格还原模型的训练方法及表格还原方法
US20230114673A1 (en) Method for recognizing token, electronic device and storage medium
US20230215203A1 (en) Character recognition model training method and apparatus, character recognition method and apparatus, device and storage medium
CN113360700A (zh) 图文检索模型的训练和图文检索方法、装置、设备和介质
CN113901909A (zh) 基于视频的目标检测方法、装置、电子设备和存储介质
CN113393371A (zh) 一种图像处理方法、装置及电子设备
CN113378921A (zh) 数据筛选方法、装置及电子设备
CN114973333B (zh) 人物交互检测方法、装置、设备以及存储介质
CN112560848B (zh) 兴趣点poi预训练模型的训练方法、装置及电子设备
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN114841172A (zh) 文本匹配双塔模型的知识蒸馏方法、装置及程序产品
CN114973224A (zh) 一种文字识别方法、装置、电子设备及存储介质
CN114708580A (zh) 文本识别、模型训练方法、装置、设备、存储介质及程序
CN114707017A (zh) 视觉问答方法、装置、电子设备和存储介质
CN113204616A (zh) 文本抽取模型的训练与文本抽取的方法、装置
CN114896993B (zh) 翻译模型的生成方法、装置、电子设备及存储介质
CN114255427B (zh) 视频理解方法、装置、设备以及存储介质

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