CN113239925A - 一种文本检测模型训练方法、文本检测方法及装置、设备 - Google Patents
一种文本检测模型训练方法、文本检测方法及装置、设备 Download PDFInfo
- Publication number
- CN113239925A CN113239925A CN202110566326.0A CN202110566326A CN113239925A CN 113239925 A CN113239925 A CN 113239925A CN 202110566326 A CN202110566326 A CN 202110566326A CN 113239925 A CN113239925 A CN 113239925A
- Authority
- CN
- China
- Prior art keywords
- text
- image
- mask
- detection model
- box position
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 267
- 238000012549 training Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000000605 extraction Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 11
- 239000003550 marker Substances 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种文本检测模型训练方法、文本检测方法及装置、设备，通过获取包括原始图像、与原始图像对应的文本框位置标记图像和与原始图像对应的文本掩码标记图像的训练图像，并将训练图像输入至文本检测模型中，得到输出的文本框位置预测图像和文本掩码预测图像；利用文本框位置预测图像、文本框位置标记图像、文本掩码预测图像和文本掩码标记图像，对模型参数进行调整，并返回执行获取训练图像以及后续的训练步骤，在达到预设条件后生成文本检测模型。可以实现文本框位置和文本掩码的多任务联合训练，提高了生成的文本检测模型的准确程度。并且可以实现文本框位置和文本掩码的联合检测，使得检测得到的待检测图像的文本信息更为全面。
Description
技术领域
本申请涉及数据处理领域，具体涉及一种文本检测模型训练方法、装置及设备，一种文本检测方法、装置及设备。
背景技术
图像中可能包括有文本，通过图像中的文本可以获取图像中所包含的信息。通过对图像进行文本检测，可以检测得到图像中包括的文本，进而获取到图像所包含的信息。
目前，可以利用深度学习神经网络模型对图像中的文本进行检测。但是，通过深度学习神经网络模型通常仅能识别得到文本在图像中所在的位置信息，不能快速地获取文本的较为全面的信息。因此，如何快速地得到图像中文本较为全面的信息是亟待解决的问题。
发明内容
有鉴于此，本申请实施例提供一种文本检测模型训练方法、装置及设备，一种文本检测方法、装置及设备，能够利用训练得到的文本检测模型联合检测得到文本的文本框位置和文本掩码，实现了快速地获取文本较为全面的信息。
为解决上述问题，本申请实施例提供的技术方案如下：
第一方面，本申请实施例提供一种文本检测模型训练方法，所述方法包括：
获取训练图像，所述训练图像包括原始图像、文本框位置标记图像和文本掩码标记图像；其中，所述原始图像中包括目标文本，所述文本框位置标记图像为与所述原始图像对应的，标记所述目标文本的文本框位置的标记图像，所述文本掩码标记图像为与所述原始图像对应的，区别标记所述目标文本对应的像素点与其他像素点的标记图像；
将所述原始图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置预测图像和文本掩码预测图像；
根据所述文本框位置预测图像、所述文本框位置标记图像、所述文本掩码预测图像和所述文本掩码标记图像，对所述文本检测模型的模型参数进行调整，返回执行所述获取训练图像以及后续步骤，直到达到预设条件生成文本检测模型。
第二方面，本申请实施例提供一种文本检测方法，所述方法包括：
获取待检测图像，所述待检测图像中包括待检测文本；
将所述待检测图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置结果图像和文本掩码结果图像；所述文本检测模型是通过上述任一实施例所述的文本检测模型的训练方法训练生成的；
根据所述文本框位置结果图像确定所述待检测文本所在的文本框位置，根据所述文本掩码结果图像确定所述待检测文本的文本掩码。
第三方面，本申请实施例提供一种文本检测模型训练装置，所述装置包括：
第一获取单元，用于获取训练图像，所述训练图像包括原始图像、文本框位置标记图像和文本掩码标记图像；其中，所述原始图像中包括目标文本，所述文本框位置标记图像为与所述原始图像对应的，标记所述目标文本的文本框位置的标记图像，所述文本掩码标记图像为与所述原始图像对应的，区别标记所述目标文本对应的像素点与其他像素点的标记图像；
第一输入单元，用于将所述原始图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置预测图像和文本掩码预测图像；
生成单元，用于根据所述文本框位置预测图像、所述文本框位置标记图像、所述文本掩码预测图像和所述文本掩码标记图像，对所述文本检测模型的模型参数进行调整，返回执行所述获取训练图像以及后续步骤，直到达到预设条件生成文本检测模型。
第四方面，本申请实施例提供一种文本检测装置，所述装置包括：
第二获取单元，用于获取待检测图像，所述待检测图像中包括待检测文本；
第二输入单元，用于将所述待检测图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置结果图像和文本掩码结果图像；所述文本检测模型是通过上述任一实施例所述的文本检测模型的训练方法训练生成的；
确定单元，用于根据所述文本框位置结果图像确定所述待检测文本所在的文本框位置，根据所述文本掩码结果图像确定所述待检测文本的文本掩码。
第五方面，本申请实施例提供一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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任一实施例所述的文本检测模型训练方法，或者上述任一实施例所述的文本检测方法。
第六方面，本申请实施例提供一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述任一实施例所述的文本检测模型训练方法，或者上述任一实施例所述的文本检测方法。
由此可见，本申请实施例具有如下有益效果：
本申请实施例提供的一种文本检测模型训练方法、装置及设备，一种文本检测方法、装置及设备，通过获取包括原始图像、与原始图像对应的文本框位置标记图像和与原始图像对应的文本掩码标记图像的训练图像，并将训练图像输入至文本检测模型中，得到文本检测模型输出的文本框位置预测图像和文本掩码预测图像；最后利用文本框位置预测图像、文本框位置标记图像、文本掩码预测图像和文本掩码标记图像，对文本检测模型的模型参数进行调整，并返回执行获取训练图像以及后续的训练步骤，在达到预设条件后生成文本检测模型。通过利用包括原始图像、与原始图像对应的文本框位置标记图像和与原始图像对应的文本掩码标记图像的训练图像训练得到的文本检测模型，可以对输入的待检测图像中待检测文本的文本框位置和文本掩码进行联合检测，输出文本框位置结果图像和文本掩码结果图像。如此可以实现对待检测图像中待检测文本的文本框位置和文本掩码进行联合检测，使得检测得到的待检测图像的文本信息更为全面，提高了检测图片中文本的相关信息的效率。并且，通过对文本框位置和文本掩码进行联合训练，提高了生成的文本检测模型的准确程度，使得得到的文本框位置和文本掩码更为准确，便于后续利用检测结果对待检测图像进行进一步处理。
附图说明
图1为本申请实施例提供的示例性应用场景的框架示意图；
图2为本申请实施例提供的一种文本检测模型训练方法的流程图；
图3为本申请实施例提供的一种原始图像与对应的文本框位置标记图像的示意图；
图4为本申请实施例提供的另一种原始图像与对应的文本框位置标记图像的示意图；
图5为本申请实施例提供一种文本检测模型的结构示意图；
图6为本申请实施例提供的一种特征提取网络提取图像特征的示意图；
图7为本申请实施例提供的一种文本检测方法的流程图；
图8为本申请实施例提供的一种文本检测模型训练装置的结构示意图；
图9为本申请实施例提供的一种文本检测装置的结构示意图；
图10为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为了便于理解和解释本申请实施例提供的技术方案，下面将先对本申请的背景技术进行说明。
为便于理解本申请提供的技术方案，下面将先对本申请涉及的背景技术进行说明。
发明人在对传统的文本检测的方法进行研究后发现，目前采用的文本检测模型大多是对文本所在的位置进行检测，输出文本框位置的检测结果。基于文本框位置的检测结果，仅能获得文本在图像中的位置信息。如果需要进一步获取图像中文本的其他信息，则需要通过其他文本检测模型进行进一步检测，导致检测过程较为复杂，处理方法较为繁琐。并且，若基于检测得到的文本框位置进一步进行其他信息的检测，则文本框位置的误差还会影响到其他信息的检测结果，导致得到的检测结果不够准确。
基于此，本申请实施例提供了一种文本检测模型训练方法、装置及设备，一种文本检测方法、装置及设备，通过获取包括原始图像、与原始图像对应的文本框位置标记图像和与原始图像对应的文本掩码标记图像的训练图像，并将训练图像输入至文本检测模型中，得到文本检测模型输出的文本框位置预测图像和文本掩码预测图像；最后利用文本框位置预测图像、文本框位置标记图像、文本掩码预测图像和文本掩码标记图像，对文本检测模型的模型参数进行调整，并返回执行获取训练图像以及后续的训练步骤，在达到预设条件后生成文本检测模型。通过利用包括原始图像、与原始图像对应的文本框位置标记图像和与原始图像对应的文本掩码标记图像的训练图像训练得到的文本检测模型，可以对输入的待检测图像中待检测文本的文本框位置和文本掩码进行联合检测，输出文本框位置结果图像和文本掩码结果图像。如此可以实现对待检测图像中待检测文本的文本框位置和文本掩码进行联合检测，使得检测得到的待检测图像的文本信息更为全面，提高了检测图片中文本的相关信息的效率。并且，通过对文本框位置和文本掩码进行联合训练，提高了生成的文本检测模型的准确程度，使得得到的文本框位置和文本掩码更为准确，便于后续利用检测结果对待检测图像进行进一步处理。
为了便于理解本申请实施例提供的一种文本检测方法，下面结合图1所示的场景示例进行说明。参见图1所示，该图为本申请实施例提供的示例性应用场景的框架示意图。
在实际应用时，待检测图像10为包括待检测文本的图像，将待检测图像10输入至训练好的文本检测模型20中，得到文本检测模型20输出的文本框位置结果图像30和文本掩码结果图像40。文本框位置结果图像30中具有边界框，即图1中虚线组成的边界框。边界框标记待检测文本在待检测图像10中的位置。通过文本框位置结果图像30可以获取到待检测图像10中的待检测文本的位置信息。通过文本掩码结果图像40可以确定待检测文本的掩码信息，确定文本的形状。
本领域技术人员可以理解，图1所示的框架示意图仅是本申请的实施方式可以在其中得以实现的一个示例。本申请实施方式的适用范围不受到该框架任何方面的限制。
为了便于理解本申请实施例提供的技术方案，下面结合附图对本申请实施例提供的一种文本检测模型训练方法进行说明。
参见图2所示，该图为本申请实施例提供的一种文本检测模型训练方法的流程图，如图2所示，所述方法可以包括S201-S203：
S201：获取训练图像，训练图像包括原始图像、文本框位置标记图像和文本掩码标记图像；其中，原始图像中包括目标文本，文本框位置标记图像为与原始图像对应的，标记目标文本的文本框位置的标记图像，文本掩码标记图像为与原始图像对应的，区别标记目标文本对应的像素点与其他像素点的标记图像。
训练图像为用于对文本检测模型进行训练的图像。训练图像中包括原始图像、文本框位置标记图像和文本掩码标记图像。其中，文本框位置标记图像和文本掩码标记图像均是与原始图像对应的标记图像。
原始图像中具有目标文本。本申请实施例不限定目标文本组成的整体形状，可以为较为平直的形状，也可以为其他形状，比如弯曲形状。
文本框位置标记图像为标记目标文本的文本框位置的标记图像。文本框位置可以通过文本所在的区域表示。其中，多边形边界框所包括的区域为文本框位置对应的图像区域。
在一种可能的实现方式中，文本框位置标记图像为与原始图像对应的，采用像素级别标记目标文本的所在的文本框位置的标记图像。具体的，参见图3所示，该图为本申请实施例提供的一种原始图像与对应的文本框位置标记图像的示意图。其中，图3中左图为原始图像，图3中的中间图和右图为对应的文本框位置标记图像。一个原始图像对应的文本框位置标记图像可以为与目标文本的文本框所在区域的多边形对应的掩码图像，以及不同缩放大小的文本框所在区域的多边形对应的掩码图像。通过此类文本框位置标记图像训练得到的文本检测模型，可以更好地对各类形状，尤其是弯曲形状的文本框位置对应的区域进行检测。
或者，在另一种可能的实现方式中，文本框位置标记图像为与原始图像对应的，通过边界框标记目标文本的文本框位置的标记图像。其中，边界框可以为矩形或者其他多边形形状。参见图4所示，该图为本申请实施例提供的另一种原始图像与对应的文本框位置标记图像的示意图。其中，图4中左图为原始图像，图4中的右图为对应的文本框位置标记图像的示意图，虚线表示边界框，边界框为近似于扇形的多边形。在进行文本框位置标记时，可以通过提供边界框的顶点的坐标数据实现对边界框的标记。通过标记边界框，可以更好地表示目标文本的文本框位置的范围。通过此类文本框位置标记图像训练得到的文本检测模型，可以对较为平直的文本框位置对应的区域进行检测。
文本掩码标记图像为区别标记目标文本对应的像素点与其他像素点的标记图像。具体的，文本掩码标记图像可以为二值图像，即文本对应的像素点为白色，除文本像素点以外的其他像素点为黑色。
S202：将原始图像输入至文本检测模型中，得到文本检测模型输出的文本框位置预测图像和文本掩码预测图像。
将原始图像输入至文本检测模型中，文本检测模型可以根据输入的原始图像，输出对应的文本框位置预测图像和文本掩码预测图像。其中，文本框位置预测图像为文本检测模型输出的用于预测文本框位置的图像。文本框位置预测图像中包括文本框位置所在区域的边界顶点坐标确定的边界框，边界框中的区域为文本检测模型预测的文本框位置的所在区域。文本掩码预测图像可以为二值图像，包括白色像素点和黑色像素点，白色像素点为预测的文本对应的像素点，黑色像素点为预测的除文本以外的背景所对应的像素点。
在一种可能的实现方式中，文本检测模型由特征提取网络、文本框位置预测网络和文本掩码预测网络构成。本申请实施例还提供针对此类文本检测模型的将原始图像输入至文本检测模型中，得到文本检测模型输出的文本框位置预测图像和文本掩码预测图像的具体实施方式，请参见下文。
S203：根据文本框位置预测图像、文本框位置标记图像、文本掩码预测图像和文本掩码标记图像，对文本检测模型的模型参数进行调整，返回执行获取训练图像以及后续步骤，直到达到预设条件生成文本检测模型。
根据训练图像中与原始图像对应的文本框位置标记图像和文本检测模型输出的文本框位置标记图像，可以对文本检测模型中有关文本框位置检测的模型参数进行调整。根据训练图像中与原始图像对应的文本掩码标记图像和文本掩码预测图像，可以对文本检测模型中有关文本掩码检测的模型参数进行调整。
在对文本检测模型经过调整之后，需要判断是否满足预设条件。在一种可能的实现方式中，预设条件可以是文本检测模型收敛。
如果不能达到预设条件，则需要继续利用训练图像对文本检测模型进行调整。对应的，返回执行获取训练图像以及后续的训练步骤，直到达到预设条件，完成文本检测模型的训练过程，生成文本检测模型。
在一种可能的实现方式中，本申请实施例提供一种根据文本框位置预测图像、文本框位置标记图像、文本掩码预测图像和文本掩码标记图像，对文本检测模型的模型参数进行调整的具体实现方式，具体请参见下文。
基于上述S201-S203的相关内容可知，通过包括原始图像、与原始图像对应的文本框位置标记图像和与原始图像对应的文本掩码标记图像，可以对文本检测模型的文本框位置检测和文本掩码检测过程进行联合训练，使得文本检测模型可以学习到文本框位置和文本掩码的相关内容，提高生成的文本检测模型进行检测的准确程度。并且，利用训练好的文本检测模型可以对输入的待检测图像进行文本框位置和文本掩码的联合检测，能够实现快速地得到待检测图像中较为全面的文本信息。
在一种可能的实现方式中，文本检测模型可以由特征提取网络、文本框位置预测网络和文本掩码预测网络构成。参见图5所示，该图为本申请实施例提供一种文本检测模型的结构示意图。
对应的，将原始图像输入至文本检测模型中，得到文本检测模型输出的文本框位置预测图像和文本掩码预测图像，包括以下三个步骤：
A1：将原始图像输入至特征提取网络中，得到特征提取网络输出的图像特征。
特征提取网络用于提取原始图像中的图像特征。具体的，特征提取网络可以是特征金字塔网络。参见图6所示，该图为本申请实施例提供的一种特征提取网络提取图像特征的示意图。具体的，先对原始图像进行下采样、特征融合和上采样，得到多尺度的特征层，即P2、P3、P4和P5。每个特征层的通道数量为256。通过将高层特征与低层特征进行融合，可以将低层次的高分辨率的信息和高层次的强语义的信息进行结合，提高文本检测模型的检测性能。将得到的不同尺度的特征层进行拼接，得到图像特征。具体的，图像特征F＝C(P2，P3，P4，P5)＝P2||Upx2(P3)||Upx4(P4)||Upx8(P5)。其中，“Upx2”、“Upx4”和“Upx8”分别表示2倍、4倍和8倍的上采样。“||”表示特征层拼接。
将得到的图像特征分别输入到文本框位置检测的分支和文本掩码检测的分支中，进行文本框位置和文本掩码的联合检测。
A2：将图像特征输入至文本框位置预测网络中，得到文本框位置预测网络输出的文本框位置预测图像。
对于文本框位置的检测分支，将得到的图像特征输入至文本框位置预测网络中。利用输入的图像特征预测得到不同文本核比例的分割图。分割图中具有最小文本核的分割图以及最大文本核的分割图。通过渐进扩展算法扩展最小文本核的分割图中每个文本对应的文本核，直到变成最大文本核的分割图，得到完整的文本块。基于得到的完整的文本块生成文本框位置预测图像，文本框位置预测图像中具有预测的文本框位置对应的区域的边界框，用于标示预测的文本框位置。具体的，在确定文本块之后可以确定文本块的边缘顶点，利用边缘顶点的坐标可以生成对应的边界线。
A3：将图像特征输入至文本掩码预测网络中，得到文本掩码预测网络输出的文本掩码预测图像。
对于文本掩码的检测分支，将得到的图像特征输入至文本掩码预测网络中。对图像特征进行卷积和上采样，再通过二分类得到文本掩码预测图像。文本掩码预测图像为二值图像，其中，白色像素点为预测的文本对应的像素点，黑色像素点为预测的文本以外的背景对应的像素点。
在本申请实施例中，通过特征提取网络提取原始图像的图像特征，再通过文本框位置预测网络和文本掩码预测网络两个分支，可以实现对文本框位置和文本掩码的联合训练，生成的文本检测模型的检测准确率较高。并且可以实现对文本框位置和文本掩码的联合提取，提高了文本检测的效率以及检测得到的文本的信息的全面性。
在一种可能的实现方式中，本申请实施例提供一种根据文本框位置预测图像、文本框位置标记图像、文本掩码预测图像和文本掩码标记图像，对文本检测模型的模型参数进行调整的具体实现方式，包括以下四个步骤：
B1：根据文本框位置预测图像和文本框位置标记图像，计算第一损失值。
利用文本框位置预测图像和文本框位置标记图像，计算针对文本框位置检测对应的损失值，即第一损失值。
具体的，第一损失值可以通过dice loss函数计算得到。
B2：根据文本掩码预测图像和文本掩码标记图像，计算第二损失值。
利用文本掩码预测图像和文本掩码标记图像，计算针对文本掩码检测对应的损失值，即第二损失值。
在一种可能的实现方式中，本申请实施例提供了一种根据文本掩码预测图像和文本掩码标记图像，计算第二损失值的具体实现方式，具体请参见下文。
B3：根据第一损失值和第二损失值得到第三损失值。
第一损失值为衡量文本框位置预测图像与文本框位置标记图像之间差距的数值，第二损失值为衡量文本掩码预测图像与文本掩码标记图像之间差距的数值。基于第一损失值和第二损失值，得到表示文本检测结果整体差距的第三损失值。
具体的，可以直接将第一损失值与第二损失值相加，得到第三损失值。在另一种可能的实现方式中，还可以为第一损失值与第二损失值分配对应的权重。计算第一损失值与第一权重相乘得到的第一乘积，计算第二损失值与第二权重相乘得到的第二乘积。将计算得到的第一乘积与第二乘积相加，得到第三损失值。
B4：利用第三损失值对文本检测模型的模型参数进行调整。
得到的第三损失值可以表示文本检测模型的预测结果与正确结果之间的差距，利用第三损失值对文本检测模型中的模型参数进行调整。具体的，可以采用反向传播算法，基于第三损失值对文本检测模型的模型参数进行调整。
在本申请实施例中，通过利用第一损失值和第二损失值计算得到的第三损失值进行文本检测模型的模型参数调整，可以实现对于文本框位置和文本掩码的多任务联合训练，提高文本检测模型的准确程度。
进一步的，本申请实施例还提供一种根据文本掩码预测图像和文本掩码标记图像，计算第二损失值的具体实施方式，包括以下三个步骤：
C1：根据文本掩码预测图像中各个像素点对应的取值，得到第一图像矩阵，第一图像矩阵中的各个元素与文本掩码预测图像中各个像素点对应的取值相对应。
生成的文本掩码预测图像中的各个像素点具有对应的取值，利用各个像素点的对应的取值，得到用于表示文本掩码预测图像的第一图像矩阵。第一图像矩阵中的各个元素与对应的文本掩码预测图像中各个像素点对应的取值相对应。
在一种可能的实现方式中，文本掩码预测图像可以为黑白两种颜色的二值图像。对应的，文本掩码预测图像中的各个像素点对应的取值的预测值范围可以为0至1。
C2：根据文本掩码标记图像中各个像素点对应的取值，得到对应的第二图像矩阵，第二图像矩阵中的各个元素与文本掩码标记图像中各个像素点对应的取值相对应。
文本掩码标记图像中的各个像素点具有对应的取值，利用各个像素点对应的取值，得到用于表示文本掩码标记图像的第二图像矩阵。第二图像矩阵中的各个元素与文本掩码标记图像中各个像素点对应的取值相对应。
在一种可能的实现方式中，文本掩码标记图像可以为黑白两种颜色的二值图像。对应的，文本掩码标记图像中的各个像素点对应的取值为0或者1。
C3：利用第一图像矩阵和第二图像矩阵计算得到第二损失值。
基于第一图像矩阵和第二图像矩阵计算得到的第二损失值，可以从像素的层面计算得到对应的损失值，进而可以实现利用损失值对文本检测模型进行更为准确地参数调整，得到较为准确的文本检测模型。
具体的，在一种可能的实现方式中，本申请实施例提供一种利用第一图像矩阵和第二图像矩阵计算得到第二损失值的具体实现方式，包括四个步骤：
D1：将第一图像矩阵与第二图像矩阵点乘，得到第三图像矩阵。
通过将第一图像矩阵与第二图像矩阵进行点乘，可以将第二图像矩阵中为“0”的元素所对应相乘的第一图像矩阵的元素清零，提高第二图像矩阵中为“1”的元素所对应相乘的第二图像矩阵的元素的置信度对第二损失值的影响。
D2：将第三图像矩阵中的元素相加，得到第一数值。
将得到的第三图像矩阵中的各个元素进行相加，将得到的和作为第一数值。
D3：利用第一图像矩阵中的元素得到第二数值，利用第二图像矩阵中的元素得到第三数值。
基于第一图像矩阵中的元素，得到第二数值；基于第二图像矩阵中的元素，得到第三数值。
在一种可能的实现方式中，可以通过将矩阵中的元素依次相加得到对应的数值。将第一图像矩阵中的元素相加得到第二数值，将第二图像矩阵中的元素相加得到第三数值。
在另一种可能的实现方式中，可以先计算矩阵中各个元素的平方值，再将矩阵中各个元素的平方值依次相加得到对应的数值。
计算第一图像矩阵中各个元素的平方值，将得到的第一图像矩阵中各个元素的平方值相加得到第二数值；计算第二图像矩阵中各个元素的平方值，将得到的第二图像矩阵中各个元素的平方值相加得到第三数值。
D4：利用第一数值、第二数值和第三数值计算得到第二损失值。
根据得到的第一数值、第二数值和第三数值计算得到第二损失值。
在一种具体的实现方式中，第二损失值d可以通过以下公式计算得到：
其中，A为第一数值，B为第二数值，C为第三数值。
基于上述实施例提供的一种文本检测模型训练方法，本申请实施例还提供一种文本检测方法。
下面结合附图对本申请实施例提供的一种文本检测方法进行说明。
参见图7所示，该图为本申请实施例提供的一种文本检测方法的流程图，如图7所示，方法可以包括S701-S703：
S701：获取待检测图像，待检测图像中包括待检测文本。
待检测图像为需要进行文本检测的图像，待检测图像中包括有需要进行检测的待检测文本。
S702：将待检测图像输入至文本检测模型中，得到文本检测模型输出的文本框位置结果图像和文本掩码结果图像；文本检测模型是通过上述任一项实施例的文本检测模型的训练方法训练生成的。
将获取到的待检测图像输入至文本检测模型中，可以得到文本检测模型输出的文本框位置结果图像和文本掩码结果图像。
文本框位置结果图像中具有标记待检测文本所在区域的边界框。边界框可以是矩形，也可以是除矩形以外的其他多边形，具体可以由训练文本检测模型的训练图像，以及待检测文本的具体形状确定。文本掩码结果图像可以为由黑色和白色两种颜色组成的二值图像。其中，白色像素点为文本对应的像素点，黑色像素点为除文本以外的背景对应的像素点。
S703：根据文本框位置结果图像确定待检测文本所在的文本框位置，根据文本掩码结果图像确定待检测文本的文本掩码。
基于文本检测模型输出的文本框位置结果图像，可以确定待检测文本所在的文本框位置。基于文本检测模型输出的文本掩码结果图像，可以确定待检测文本对应的文本掩码。根据待检测文本的文本掩码，可以得到文本的形状等相关信息。
基于上述S701-S703的相关内容可知，通过文本检测模型，可以对待检测图像中的待检测文本的文本框位置和文本掩码进行联合检测，便于快速地获取文本的较为全面的相关信息。通过利用联合训练生成的文本检测模型进行文本检测，得到的文本框位置和文本掩码更为准确。
在一种可能的实现方式中，可以利用检测得到的文本掩码结果图像对待检测图像中的文本进行处理。
具体的，本申请实施例还提供一种文本检测方法，除上述步骤以外，所述方法还包括：
根据文本掩码结果图像，对待检测图像中的待检测文本进行增强或者消除。
通过文本掩码结果图像，可以确定待检测图像中的待检测文本对应的形状。利用文本掩码结果图像，可以对待检测文本进行文本增强处理，提高待检测文本在待检测图像中的清晰度。此外，还可以利用文本掩码结果图像对待检测文本进行文本消除处理，在待检测图像中消除待检测文本。例如，若待检测文本为水印，利用检测得到的文本掩码结果图像可以在待检测图像消除水印。
在本申请实施例中，通过检测得到的文本掩码结果图像，可以实现对待检测图像中的待检测文本进行处理。基于检测得到的较为准确的文本掩码结果图像，可以提高对待检测文本的处理精度，使得处理后的待检测图像符合使用的需要。
基于上述方法实施例提供的一种文本检测模型训练方法，本申请实施例还提供了一种文本检测模型训练装置，下面将结合附图对文本检测模型训练装置进行说明。
参见图8所示，该图为本申请实施例提供的一种文本检测模型训练装置的结构示意图。如图8所示，该文本检测模型训练装置包括：
第一获取单元801，用于获取训练图像，所述训练图像包括原始图像、文本框位置标记图像和文本掩码标记图像；其中，所述原始图像中包括目标文本，所述文本框位置标记图像为与所述原始图像对应的，标记所述目标文本的文本框位置的标记图像，所述文本掩码标记图像为与所述原始图像对应的，区别标记所述目标文本对应的像素点与其他像素点的标记图像；
第一输入单元802，用于将所述原始图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置预测图像和文本掩码预测图像；
生成单元803，用于根据所述文本框位置预测图像、所述文本框位置标记图像、所述文本掩码预测图像和所述文本掩码标记图像，对所述文本检测模型的模型参数进行调整，返回执行所述获取训练图像以及后续步骤，直到达到预设条件生成文本检测模型。
在一种可能的实现方式中，所述文本检测模型由特征提取网络、文本框位置预测网络和文本掩码预测网络构成；
所述第一输入单元802，包括：
第一输入子单元，用于将所述原始图像输入至所述特征提取网络中，得到所述特征提取网络输出的图像特征；
第二输入子单元，用于将所述图像特征输入至所述文本框位置预测网络中，得到所述文本框位置预测网络输出的文本框位置预测图像；
第三输入子单元，用于将所述图像特征输入至所述文本掩码预测网络中，得到所述文本掩码预测网络输出的文本掩码预测图像。
在一种可能的实现方式中，所述生成单元803，包括：
第一计算子单元，用于根据所述文本框位置预测图像和所述文本框位置标记图像，计算第一损失值；
第二计算子单元，用于根据所述文本掩码预测图像和所述文本掩码标记图像，计算第二损失值；
第三计算子单元，用于根据所述第一损失值和所述第二损失值得到第三损失值；
调整子单元，用于利用所述第三损失值对所述文本检测模型的模型参数进行调整。
在一种可能的实现方式中，所述第二计算子单元，包括：
第四计算子单元，用于根据所述文本掩码预测图像中各个像素点对应的取值，得到第一图像矩阵，所述第一图像矩阵中的各个元素与所述文本掩码预测图像中各个像素点对应的取值相对应；
第五计算子单元，用于根据所述文本掩码标记图像中各个像素点对应的取值，得到第二图像矩阵，所述第二图像矩阵中的各个元素与所述文本掩码标记图像中各个像素点对应的取值相对应；
损失值计算子单元，用于利用所述第一图像矩阵和所述第二图像矩阵计算得到第二损失值。
在一种可能的实现方式中，所述文本框位置标记图像为与所述原始图像对应的，采用像素级别标记所述目标文本的所在的文本框位置的标记图像；
或者，
所述文本框位置标记图像为与所述原始图像对应的，通过边界框标记所述目标文本的文本框位置的标记图像。
基于上述方法实施例提供的一种文本检测方法，本申请实施例还提供了一种文本检测装置，下面将结合附图对文本检测装置进行说明。
参见图9所示，该图为本申请实施例提供的一种文本检测装置的结构示意图。如图9所示，该文本检测装置包括：
第二获取单元901，用于获取待检测图像，所述待检测图像中包括待检测文本；
第二输入单元902，用于将所述待检测图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置结果图像和文本掩码结果图像；所述文本检测模型是通过上述任一实施例所述的文本检测模型的训练方法训练生成的；
确定单元903，用于根据所述文本框位置结果图像确定所述待检测文本所在的文本框位置，根据所述文本掩码结果图像确定所述待检测文本的文本掩码。
在一种可能的实现方式中，所述装置还包括：调整单元，用于根据所述文本掩码结果图像，对所述待检测图像中的所述待检测文本进行增强或者消除。
基于上述方法实施例提供的一种文本检测模型训练方法和文本检测方法，本申请还提供一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，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任一实施例所述的文本检测模型训练方法，或者上述任一实施例所述的文本检测方法
下面参考图10，其示出了适于用来实现本申请实施例的电子设备1000的结构示意图。本申请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(Personal Digital Assistant，个人数字助理)、PAD(portable androiddevice，平板电脑)、PMP(Portable Media Player，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(television，电视机)、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示，电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1006加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM1003中，还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常，以下装置可以连接至I/O接口1005：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1006；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1006；以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000，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，根据本申请的实施例，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，本申请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1009从网络上被下载和安装，或者从存储装置1006被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本申请实施例的方法中限定的上述功能。
本申请实施例提供的电子设备与上述实施例提供的文本检测模型训练方法和文本检测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
基于上述方法实施例提供的一种文本检测模型训练方法和文本检测方法，本申请实施例提供一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述任一实施例所述的文本检测模型训练方法，或者上述任一实施例所述的文本检测方法。
需要说明的是，本申请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。在本申请中，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。而在本申请中，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，使得该电子设备执行上述文本检测模型训练方法或文本检测方法。
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申请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，图示了按照本申请各种实施例的系统、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。
描述于本申请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/模块的名称在某种情况下并不构成对该单元本身的限定，例如，语音数据采集模块还可以被描述为“数据采集模块”。
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。
在本申请的上下文中，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。
根据本申请的一个或多个实施例，【示例一】提供了一种文本检测模型训练方法，所述方法包括：
获取训练图像，所述训练图像包括原始图像、文本框位置标记图像和文本掩码标记图像；其中，所述原始图像中包括目标文本，所述文本框位置标记图像为与所述原始图像对应的，标记所述目标文本的文本框位置的标记图像，所述文本掩码标记图像为与所述原始图像对应的，区别标记所述目标文本对应的像素点与其他像素点的标记图像；
将所述原始图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置预测图像和文本掩码预测图像；
根据所述文本框位置预测图像、所述文本框位置标记图像、所述文本掩码预测图像和所述文本掩码标记图像，对所述文本检测模型的模型参数进行调整，返回执行所述获取训练图像以及后续步骤，直到达到预设条件生成文本检测模型。
根据本申请的一个或多个实施例，【示例二】提供了一种文本检测模型训练方法，所述文本检测模型由特征提取网络、文本框位置预测网络和文本掩码预测网络构成；
所述将所述原始图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置预测图像和文本掩码预测图像，包括：
将所述原始图像输入至所述特征提取网络中，得到所述特征提取网络输出的图像特征；
将所述图像特征输入至所述文本框位置预测网络中，得到所述文本框位置预测网络输出的文本框位置预测图像；
将所述图像特征输入至所述文本掩码预测网络中，得到所述文本掩码预测网络输出的文本掩码预测图像。
根据本申请的一个或多个实施例，【示例三】提供了一种文本检测模型训练方法，所述根据所述文本框位置预测图像、所述文本框位置标记图像、所述文本掩码预测图像和所述文本掩码标记图像，对所述文本检测模型的模型参数进行调整，包括：
根据所述文本框位置预测图像和所述文本框位置标记图像，计算第一损失值；
根据所述文本掩码预测图像和所述文本掩码标记图像，计算第二损失值；
根据所述第一损失值和所述第二损失值得到第三损失值；
利用所述第三损失值对所述文本检测模型的模型参数进行调整。
根据本申请的一个或多个实施例，【示例四】提供了一种文本检测模型训练方法，所述根据所述文本掩码预测图像和所述文本掩码标记图像，计算第二损失值，包括：
根据所述文本掩码预测图像中各个像素点对应的取值，得到第一图像矩阵，所述第一图像矩阵中的各个元素与所述文本掩码预测图像中各个像素点对应的取值相对应；
根据所述文本掩码标记图像中各个像素点对应的取值，得到第二图像矩阵，所述第二图像矩阵中的各个元素与所述文本掩码标记图像中各个像素点对应的取值相对应；
利用所述第一图像矩阵和所述第二图像矩阵计算得到第二损失值。
根据本申请的一个或多个实施例，【示例五】提供了一种文本检测模型训练方法，所述文本框位置标记图像为与所述原始图像对应的，采用像素级别标记所述目标文本的所在的文本框位置的标记图像；
或者，
所述文本框位置标记图像为与所述原始图像对应的，通过边界框标记所述目标文本的文本框位置的标记图像。
根据本申请的一个或多个实施例，【示例六】提供了一种文本检测方法，所述方法包括：
获取待检测图像，所述待检测图像中包括待检测文本；
将所述待检测图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置结果图像和文本掩码结果图像；所述文本检测模型是通过上述任一示例所述的文本检测模型的训练方法训练生成的；
根据所述文本框位置结果图像确定所述待检测文本所在的文本框位置，根据所述文本掩码结果图像确定所述待检测文本的文本掩码。
根据本申请的一个或多个实施例，【示例七】提供了一种文本检测方法，所述方法还包括：
根据所述文本掩码结果图像，对所述待检测图像中的所述待检测文本进行增强或者消除。
根据本申请的一个或多个实施例，【示例八】提供了一种文本检测模型训练装置，所述装置包括：
第一获取单元，用于获取训练图像，所述训练图像包括原始图像、文本框位置标记图像和文本掩码标记图像；其中，所述原始图像中包括目标文本，所述文本框位置标记图像为与所述原始图像对应的，标记所述目标文本的文本框位置的标记图像，所述文本掩码标记图像为与所述原始图像对应的，区别标记所述目标文本对应的像素点与其他像素点的标记图像；
第一输入单元，用于将所述原始图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置预测图像和文本掩码预测图像；
生成单元，用于根据所述文本框位置预测图像、所述文本框位置标记图像、所述文本掩码预测图像和所述文本掩码标记图像，对所述文本检测模型的模型参数进行调整，返回执行所述获取训练图像以及后续步骤，直到达到预设条件生成文本检测模型。
根据本申请的一个或多个实施例，【示例九】提供了一种文本检测模型训练装置，所述文本检测模型由特征提取网络、文本框位置预测网络和文本掩码预测网络构成；
所述输入单元，包括：
第一输入子单元，用于将所述原始图像输入至所述特征提取网络中，得到所述特征提取网络输出的图像特征；
第二输入子单元，用于将所述图像特征输入至所述文本框位置预测网络中，得到所述文本框位置预测网络输出的文本框位置预测图像；
第三输入子单元，用于将所述图像特征输入至所述文本掩码预测网络中，得到所述文本掩码预测网络输出的文本掩码预测图像。
根据本申请的一个或多个实施例，【示例十】提供了一种文本检测模型训练装置，所述生成单元，包括：
第一计算子单元，用于根据所述文本框位置预测图像和所述文本框位置标记图像，计算第一损失值；
第二计算子单元，用于根据所述文本掩码预测图像和所述文本掩码标记图像，计算第二损失值；
第三计算子单元，用于根据所述第一损失值和所述第二损失值得到第三损失值；
调整子单元，用于利用所述第三损失值对所述文本检测模型的模型参数进行调整。
根据本申请的一个或多个实施例，【示例十一】提供了一种文本检测模型训练装置，所述第二计算子单元，包括：
第四计算子单元，用于根据所述文本掩码预测图像中各个像素点对应的取值，得到第一图像矩阵，所述第一图像矩阵中的各个元素与所述文本掩码预测图像中各个像素点对应的取值相对应；
第五计算子单元，用于根据所述文本掩码标记图像中各个像素点对应的取值，得到第二图像矩阵，所述第二图像矩阵中的各个元素与所述文本掩码标记图像中各个像素点对应的取值相对应；
损失值计算子单元，用于利用所述第一图像矩阵和所述第二图像矩阵计算得到第二损失值。
根据本申请的一个或多个实施例，【示例十二】提供了一种文本检测模型训练装置，所述文本框位置标记图像为与所述原始图像对应的，采用像素级别标记所述目标文本的所在的文本框位置的标记图像；
或者，
所述文本框位置标记图像为与所述原始图像对应的，通过边界框标记所述目标文本的文本框位置的标记图像。
根据本申请的一个或多个实施例，【示例十三】提供了一种文本检测装置，所述装置包括：
第二获取单元，用于获取待检测图像，所述待检测图像中包括待检测文本；
第二输入单元，用于将所述待检测图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置结果图像和文本掩码结果图像；所述文本检测模型是通过上述任一示例所述的文本检测模型的训练方法训练生成的；
确定单元，用于根据所述文本框位置结果图像确定所述待检测文本所在的文本框位置，根据所述文本掩码结果图像确定所述待检测文本的文本掩码。
根据本申请的一个或多个实施例，【示例十四】提供了一种文本检测装置，所述装置还包括：
调整单元，用于根据所述文本掩码结果图像，对所述待检测图像中的所述待检测文本进行增强或者消除。
根据本申请的一个或多个实施例，【示例十五】提供了一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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上述任一示例所述的文本检测模型训练方法，或者上述任一示例所述的文本检测方法。
根据本申请的一个或多个实施例，【示例十六】提供了一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现上述任一示例所述的文本检测模型训练方法，或者上述任一示例所述的文本检测方法。
以上描述仅为本申请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，本申请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。例如上述特征与本申请中公开的(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申请的范围的限制。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 (11)
1.一种文本检测模型训练方法，其特征在于，所述方法包括：
获取训练图像，所述训练图像包括原始图像、文本框位置标记图像和文本掩码标记图像；其中，所述原始图像中包括目标文本，所述文本框位置标记图像为与所述原始图像对应的，标记所述目标文本的文本框位置的标记图像，所述文本掩码标记图像为与所述原始图像对应的，区别标记所述目标文本对应的像素点与其他像素点的标记图像；
将所述原始图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置预测图像和文本掩码预测图像；
根据所述文本框位置预测图像、所述文本框位置标记图像、所述文本掩码预测图像和所述文本掩码标记图像，对所述文本检测模型的模型参数进行调整，返回执行所述获取训练图像以及后续步骤，直到达到预设条件生成文本检测模型。
2.根据权利要求1所述的方法，其特征在于，所述文本检测模型由特征提取网络、文本框位置预测网络和文本掩码预测网络构成；
所述将所述原始图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置预测图像和文本掩码预测图像，包括：
将所述原始图像输入至所述特征提取网络中，得到所述特征提取网络输出的图像特征；
将所述图像特征输入至所述文本框位置预测网络中，得到所述文本框位置预测网络输出的文本框位置预测图像；
将所述图像特征输入至所述文本掩码预测网络中，得到所述文本掩码预测网络输出的文本掩码预测图像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述文本框位置预测图像、所述文本框位置标记图像、所述文本掩码预测图像和所述文本掩码标记图像，对所述文本检测模型的模型参数进行调整，包括：
根据所述文本框位置预测图像和所述文本框位置标记图像，计算第一损失值；
根据所述文本掩码预测图像和所述文本掩码标记图像，计算第二损失值；
根据所述第一损失值和所述第二损失值得到第三损失值；
利用所述第三损失值对所述文本检测模型的模型参数进行调整。
4.根据权利要求3所述的方法，其特征在于，所述根据所述文本掩码预测图像和所述文本掩码标记图像，计算第二损失值，包括：
根据所述文本掩码预测图像中各个像素点对应的取值，得到第一图像矩阵，所述第一图像矩阵中的各个元素与所述文本掩码预测图像中各个像素点对应的取值相对应；
根据所述文本掩码标记图像中各个像素点对应的取值，得到第二图像矩阵，所述第二图像矩阵中的各个元素与所述文本掩码标记图像中各个像素点对应的取值相对应；
利用所述第一图像矩阵和所述第二图像矩阵计算得到第二损失值。
5.根据权利要求1所述的方法，其特征在于，所述文本框位置标记图像为与所述原始图像对应的，采用像素级别标记所述目标文本的所在的文本框位置的标记图像；
或者，
所述文本框位置标记图像为与所述原始图像对应的，通过边界框标记所述目标文本的文本框位置的标记图像。
6.一种文本检测方法，其特征在于，所述方法包括：
获取待检测图像，所述待检测图像中包括待检测文本；
将所述待检测图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置结果图像和文本掩码结果图像；所述文本检测模型是通过权利要求1-5任一项所述的文本检测模型的训练方法训练生成的；
根据所述文本框位置结果图像确定所述待检测文本所在的文本框位置，根据所述文本掩码结果图像确定所述待检测文本的文本掩码。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据所述文本掩码结果图像，对所述待检测图像中的所述待检测文本进行增强或者消除。
8.一种文本检测模型训练装置，其特征在于，所述装置包括：
第一获取单元，用于获取训练图像，所述训练图像包括原始图像、文本框位置标记图像和文本掩码标记图像；其中，所述原始图像中包括目标文本，所述文本框位置标记图像为与所述原始图像对应的，标记所述目标文本的文本框位置的标记图像，所述文本掩码标记图像为与所述原始图像对应的，区别标记所述目标文本对应的像素点与其他像素点的标记图像；
第一输入单元，用于将所述原始图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置预测图像和文本掩码预测图像；
生成单元，用于根据所述文本框位置预测图像、所述文本框位置标记图像、所述文本掩码预测图像和所述文本掩码标记图像，对所述文本检测模型的模型参数进行调整，返回执行所述获取训练图像以及后续步骤，直到达到预设条件生成文本检测模型。
9.一种文本检测装置，其特征在于，所述装置包括：
第二获取单元，用于获取待检测图像，所述待检测图像中包括待检测文本；
第二输入单元，用于将所述待检测图像输入至文本检测模型中，得到所述文本检测模型输出的文本框位置结果图像和文本掩码结果图像；所述文本检测模型是通过权利要求1-5任一项所述的文本检测模型的训练方法训练生成的；
确定单元，用于根据所述文本框位置结果图像确定所述待检测文本所在的文本框位置，根据所述文本掩码结果图像确定所述待检测文本的文本掩码。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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1-5中任一所述的文本检测模型训练方法，或者权利要求6或7所述的文本检测方法。
11.一种计算机可读介质，其特征在于，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的文本检测模型训练方法，或者权利要求6或7所述的文本检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110566326.0A CN113239925A (zh) | 2021-05-24 | 2021-05-24 | 一种文本检测模型训练方法、文本检测方法及装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110566326.0A CN113239925A (zh) | 2021-05-24 | 2021-05-24 | 一种文本检测模型训练方法、文本检测方法及装置、设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113239925A true CN113239925A (zh) | 2021-08-10 |
Family
ID=77138446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110566326.0A Pending CN113239925A (zh) | 2021-05-24 | 2021-05-24 | 一种文本检测模型训练方法、文本检测方法及装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113239925A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627379A (zh) * | 2021-08-19 | 2021-11-09 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
| CN114186564A (zh) * | 2021-11-05 | 2022-03-15 | 北京百度网讯科技有限公司 | 语义表示模型的预训练方法、装置以及电子设备 |
| CN116167910A (zh) * | 2023-01-03 | 2023-05-26 | 深圳前海环融联易信息科技服务有限公司 | 文本编辑方法、装置、计算机设备及计算机可读存储介质 |
| CN116451708A (zh) * | 2023-03-16 | 2023-07-18 | 苏州大学 | 基于自适应掩码策略的文本预测方法、系统及电子设备 |
| CN117423116A (zh) * | 2023-12-18 | 2024-01-19 | 杭州恒生聚源信息技术有限公司 | 一种文本检测模型的训练方法、文本检测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492638A (zh) * | 2018-11-07 | 2019-03-19 | 北京旷视科技有限公司 | 文本检测方法、装置及电子设备 |
| CN110020676A (zh) * | 2019-03-18 | 2019-07-16 | 华南理工大学 | 基于多感受野深度特征的文本检测方法、系统、设备及介质 |
| CN112818975A (zh) * | 2021-01-27 | 2021-05-18 | 北京金山数字娱乐科技有限公司 | 文本检测模型训练方法及装置、文本检测方法及装置 |
-
2021
- 2021-05-24 CN CN202110566326.0A patent/CN113239925A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492638A (zh) * | 2018-11-07 | 2019-03-19 | 北京旷视科技有限公司 | 文本检测方法、装置及电子设备 |
| CN110020676A (zh) * | 2019-03-18 | 2019-07-16 | 华南理工大学 | 基于多感受野深度特征的文本检测方法、系统、设备及介质 |
| CN112818975A (zh) * | 2021-01-27 | 2021-05-18 | 北京金山数字娱乐科技有限公司 | 文本检测模型训练方法及装置、文本检测方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| [印]桑塔努·帕塔纳雅克 著，魏国强等译: "《TensorFlow深度学习：数学原理与Python实战进阶》", 30 April 2020, 机械工业出版社, pages: 274 * |
| PENGYUAN LYU，ET AL.: "Mask TextSpotter: An End-to-End Trainable Neural Network for Spotting Text with Arbitrary Shapes", 《ARXIV》, pages 3 - 4 * |
| XIANG LI，AL.: "Shape Robust Text Detection with Progressive Scale Expansion Network", 《ARXIV》 * |
| 张强，等.著: "《基于深度神经网络技术的高分遥感图像处理及应用》", 31 August 2020, 中国宇航出版社, pages: 52 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113627379A (zh) * | 2021-08-19 | 2021-11-09 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
| CN114186564A (zh) * | 2021-11-05 | 2022-03-15 | 北京百度网讯科技有限公司 | 语义表示模型的预训练方法、装置以及电子设备 |
| CN114186564B (zh) * | 2021-11-05 | 2023-11-24 | 北京百度网讯科技有限公司 | 语义表示模型的预训练方法、装置以及电子设备 |
| CN116167910A (zh) * | 2023-01-03 | 2023-05-26 | 深圳前海环融联易信息科技服务有限公司 | 文本编辑方法、装置、计算机设备及计算机可读存储介质 |
| CN116167910B (zh) * | 2023-01-03 | 2024-04-26 | 深圳前海环融联易信息科技服务有限公司 | 文本编辑方法、装置、计算机设备及计算机可读存储介质 |
| CN116451708A (zh) * | 2023-03-16 | 2023-07-18 | 苏州大学 | 基于自适应掩码策略的文本预测方法、系统及电子设备 |
| CN116451708B (zh) * | 2023-03-16 | 2024-10-18 | 苏州大学 | 基于自适应掩码策略的文本预测方法、系统及电子设备 |
| CN117423116A (zh) * | 2023-12-18 | 2024-01-19 | 杭州恒生聚源信息技术有限公司 | 一种文本检测模型的训练方法、文本检测方法及装置 |
| CN117423116B (zh) * | 2023-12-18 | 2024-03-22 | 杭州恒生聚源信息技术有限公司 | 一种文本检测模型的训练方法、文本检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508681B (zh) | 生成人体关键点检测模型的方法和装置 | |
| CN113239925A (zh) | 一种文本检测模型训练方法、文本检测方法及装置、设备 | |
| CN111967467B (zh) | 图像目标检测方法、装置、电子设备和计算机可读介质 | |
| CN113095129B (zh) | 姿态估计模型训练方法、姿态估计方法、装置和电子设备 | |
| CN111369427A (zh) | 图像处理方法、装置、可读介质和电子设备 | |
| CN110298851B (zh) | 人体分割神经网络的训练方法及设备 | |
| CN112488095B (zh) | 印章图像识别方法、装置和电子设备 | |
| CN114037985A (zh) | 信息提取方法、装置、设备、介质及产品 | |
| CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN111368668A (zh) | 三维手部识别方法、装置、电子设备及存储介质 | |
| CN113468330A (zh) | 信息获取方法、装置、设备及介质 | |
| CN111209856B (zh) | 发票信息的识别方法、装置、电子设备及存储介质 | |
| CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
| CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN112800276A (zh) | 视频封面确定方法、装置、介质及设备 | |
| CN117636353A (zh) | 待标注图像分割方法、装置、电子设备和计算机可读介质 | |
| CN113255812A (zh) | 视频边框检测方法、装置和电子设备 | |
| CN114723640B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
| CN111612714B (zh) | 图像修复方法、装置和电子设备 | |
| CN116188887A (zh) | 属性识别预训练模型生成方法、属性识别模型生成方法 | |
| CN112418233B (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN114972876A (zh) | 基于知识蒸馏技术的图像处理方法、装置、设备及介质 | |
| CN115115836A (zh) | 图像识别方法、装置、存储介质以及电子设备 | |
| CN115100536A (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
| CN113205092A (zh) | 文本检测方法、装置、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 |