CN113378832A - 文本检测模型训练方法、文本预测框方法及装置 - Google Patents
文本检测模型训练方法、文本预测框方法及装置 Download PDFInfo
- Publication number
- CN113378832A CN113378832A CN202110714943.0A CN202110714943A CN113378832A CN 113378832 A CN113378832 A CN 113378832A CN 202110714943 A CN202110714943 A CN 202110714943A CN 113378832 A CN113378832 A CN 113378832A
- Authority
- CN
- China
- Prior art keywords
- picture
- network
- sample
- text
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 title claims abstract description 46
- 230000007246 mechanism Effects 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004873 anchoring Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 230000001737 promoting effect Effects 0.000 claims 4
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000001788 irregular Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 235000021152 breakfast Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000013410 fast food Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 235000021147 sweet food Nutrition 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种文本检测模型训练方法、文本预测框检测方法及装置,涉及图像处理领域,尤其涉及人工智能、计算机视觉技术领域。具体实现方案为:在训练文本检测模型时,基于基础文本检测模型的注意力机制网络,对样本图片中的目标文本区域进行检测,提取图像特征,并不对样本图片中的所有文本区域进行检测,从而在基于训练好的模型进行文本检测时,避免对非目标文本检测区域进行识别,避免产生大量的噪音信息。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及人工智能、计算机视觉技术领域。
背景技术
“招牌文字识别技术”主要是从商家招牌中检测到文字区域,并对文字区域识别出可解码的汉字和英文格式。识别的结果对PO I新增生产,和自动化招牌关联具有重要意义。由于招牌文字识别技术是整个生产的重要环节,如何准确的识别招牌中的文字成为了一个问题。
发明内容
本公开提供了一种文本检测模型训练方法、文本预测框检测方法及装置。
根据本公开的第一方面,提供了一种文本检测模型训练方法,包括:
确定训练样本集合,训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;
通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;
基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;
基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;
基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。
根据本公开的第二方面,提供了一种文本检测方法,包括:
确定待检测目标图片,待检测目标图片包含目标文本区域和非目标文本区域;
通过预训练的目标文本检测模型的注意力机制网络提取待检测目标图片的图像特征;
基于提取的待检测目标图片的图像特征,通过目标文本检测模型的候选框检测网络确定待检测目标图片中的文本的预测框。
根据本公开的第三方面,提供了一种文本检测模型训练的装置,包括:
第一确定模块,用于确定训练样本集合,训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;
提取模块,用于通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;
第二确定模块,用于基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;
第三确定模块,用于基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;
调整模块,用于基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。
根据本公开的第四方面,提供了一种文本检测的装置,包括
第四确定模块,用于确定待检测目标图片,待检测目标图片包含目标文本区域和非目标文本区域;
第二提取模块,用于通过第一方面的目标文本检测模型的注意力机制网络提取待检测目标图片的图像特征;
第五确定模块,用于基于提取的待检测目标图片的图像特征,通过目标文本检测模型的候选框检测网络确定待检测目标图片中的文本的预测框。
根据本公开的第五方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与上述至少一个处理器通信连接的存储器;其中,
存储器存储有可被上述至少一个处理器执行的指令,指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行上述方法。
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,其中,该计算机指令用于使计算机执行上述方法。
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,该计算机程序在被处理器执行时实现上述方法。
本公开提供的技术方案带来的有益效果是:
本公开实施例提供的方案,与现有技术对图像中的所有文本都进行检测相比。本公开通过确定训练样本集合,训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。即在训练文本检测模型时,基于注意力机制,对样本图片中的目标文本区域进行检测提取图像特征,并不对图像中的所有文本区域进行检测,从而在基于训练好的模型进行文本检测时,避免对非目标文本检测区域进行识别,避免产生大量的噪音信息。
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是根据本公开提供的文本检测模型训练方法流程示意图;
图2是根据本公开提供的样本图片示例图;;
图3是根据本公开提供的文本检测模型训练方法示例图;
图4是根据本公开提供的文本预测框检测方法流程示意图;
图5本公开提供的文本检测模型训练装置的结构示意图;
图6本公开提供的文本预测框检测装置的结构示意图
图7是用来实现本公开实施例的电子设备的框图。
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。
实施例一
图1示出了本公开实施例提供的一种文本检测模型训练方法,如图1所示,该方法包括:
步骤S101,确定训练样本集合,训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;
具体地,可以通过人工标注的方式确定样本集合,或者通过无监督、弱监督的方式对无标注的样本数据进行处理,得到样本集合。
其中,目标文本区域的文本是想检测到的,非目标文本区域的文本是不想检测到的,从而能够避免对图片中所有的文本都进行识别,引入大量的噪音数据。
示例性地,如图2所示的样本图片,通过方形框框选的“电器”、“国快餐店”、“千香馄饨王”、“匠甜品”等为目标文本区域,而“家电维修可上门服务”、“早餐中餐晚餐夜宵小炒订餐电话”、“外送电话”、“坚持初心源于用心”等未框选的区域为非目标文本区域。
步骤S102,通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;
其中,注意力机制(Attention mechanism)可以利用人类视觉机制进行直观解释。例如,我们的视觉系统倾向于关注图像中辅助判断的部分信息,并忽略掉不相关的信息,以此来达到从有限的资源中精确筛选出高价值信息的目的。具体地,人类视觉通过快速扫描全局图像,可以获得需要重点关注的目标区域,也就是一般所说的注意力焦点,而后对这一区域投入更多注意力资源,以获取更多所需要关注目标的细节信息,而抑制其他无用信息。注意力机制可以认为是一种资源分配的机制,可以理解为对于原本平均分配的资源根据attention对象的重要程度重新分配资源,重要的单位就多分一点,不重要或者不好的单位就少分一点,在深度神经网络的结构设计中,attention所要分配的资源基本上就是权重了。其中,该注意力机制可以是自注意力机制(Self-Attention),也可以是多头自注意力机制(Multi-head self-attention)。
具体地,通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征,可以引导该注意力机制网络主要对目标文本区域的图像特征进行检测提取。
步骤S103,基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;
具体地,针对提取的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框。示例性地,如图2中各框选的文字对应的框体,其中,该框体可以是规则的,如方形框、圆形框,也可以是其他的能够起到区分作用的框体,或者其他方法。
步骤S104,基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;
具体地,基于候选框对应的向量表达以及样本图片的目标文本区域标签,通过预定的损失函数确定相应的损失值,其中此处的损失函数可以包括交叉熵损失函数、平方损失函数、softmax损失函数等的一种或多种的组合。
步骤S105,基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。
具体地,可以通过确定的损失值向减少模型损失的方向进行反向传播,调整文本检测模型的网络的网络参数。
具体地,也可以是反向传播之外的,其他能实现本申请,达到调整、优化模型参数的方法。
本公开实施例提供的方案,与现有技术对图像中的所有文本都进行检测相比。本公开通过确定训练样本集合,训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。即在训练文本检测模型时,基于注意力机制,对样本图片中的目标文本区域进行检测提取图像特征,并不对图像中的所有文本区域进行检测,从而在基于训练好的模型进行文本检测时,避免对非目标文本检测区域进行识别,避免产生大量的噪音信息。
本申请实施例的一种可能方式,注意力机制网络可以包括Attention网络以及其他的用于目标检测的网络,如RCNN、Fast-RCNN、Faster-RCNN等。
本申请实施例提供了一种可能的实现方式,其中,注意力机制网络包括Attention网络、Resnet-50网络、FPN网络。
其中,采用Resnet-50网络可以兼顾网络的速度与准确性。
在以往的Faster Rcnn进行目标检测时,无论是RPN还是Fast-RCNN,ROI都作用在最后一层,这在大目标的检测没有问题,但是对于小目标的检测就存在问题。因为对于小目标来说,当进行卷积池化到最后一层,实际上语义信息已经没有了,因为对于一个ROI映射到某个Feature map的方法就是将底层坐标直接除以stride,显然越后,映射过去后就越小,甚至可能就没有了。所以为了解决多尺度检测的问题,引入了特征金字塔网络,即FPN网络。
本申请实施例提供了一种可能的实现方式,其中,候选框预测网络为基于GuidedAnchoring的网络。
目标检测过程中anchor的使用,存在需要手工设计、效率低等问题,GuidedAnchoring可以让网络预测产生anchor框,然后再进行目标检测过程。Gudied Anchoring通过对于卷积后的特征图,预测得到每个像素位置为中心点的置信度,以及该位置anchor的形状,产生anchor;另一方面,通过可形变卷积调整得到新的特征图,最后,使用anchor和新特征图产生预测结果,从而对于样本图片中不规则的文字具有较好的预测或检测。
其中,当针对店招门牌图片、广告牌图片、宣传标语图片中的目标文本进行检测时(可能包含不规则的设计字等),采用Guided Anchoring方法自动生成检测候选框,即通过图像特征来指导anchor的生成。通过预测anchor的位置和形状,来生成稀疏而且形状任意的anchor,并且设计了Feature Adaption模块来修正特征图使之与anchor形状更加匹配。
本申请实施例提供了一种可能的实现方式,其中,预定的损失函数包括Focalloss损失函数。
具体地,对于本申请,由于样本图片中干扰文本段(经营范围,营业时间,经营电话)等文本负样本远远多于正样本(图2中框选的文本),可以采用Focal loss解决检测中正负样本比例严重失衡的问题,该损失函数降低了大量简单负样本在训练中所占的权重,也可理解为一种困难样本挖掘。
本申请实施例提供了一种可能的实现方式,其中,注意力机制网络包括至少一层可形变卷积网络。卷积神经网络(CNN)由于其构建模块中固定的几何结构,导致模型的几何变换存在局限性。对于本申请中检测对象中具有不规则字体的问题,可以通过引入可形变卷积网络(deformable convolution),从而针对检测对象中的不规则字体也具有较好的检测效果。
本申请实施例提供了一种可能的实现方式,其中,Attention网络、Resnet50网络、FPN网络中的至少一个包括至少一层可形变卷积网络。
具体地,可以通过在Attention网络、Resnet50网络、FPN网络中的至少一个添加至少一层可形变卷积网络。
本申请实施例提供了一种可能的实现方式,其中,初始文本检测模型的候选框预测网络之后还包括用于进行文本识别的网络。
具体地,初始文本检测模型的候选框预测网络之后还包括用于进行文本识别的网络,从而后续能够对预测的候选框直接进行识别,得到目标文本。
本申请实施例提供了一种可能的实现方式,其中,样本图片为店招门牌图片、广告牌图片、宣传标语图片中的至少一项。
招牌文字识别技术(也可以是对广告牌图片、宣传标语图片等的识别)主要是从商家招牌中检测到文字区域,并对文字区域识别出可解码的汉字和英文。但是在实际应用的过程中,由于街景图像复杂,部分图像拍摄的倾斜角度大,招牌中文本格式不统一,招牌图像中含有艺术字象形字等,造成OCR识别结果准确率、召回率有限。且招牌中有很多无用信息,如果都检测识别对后续自动化处理容易造成干扰,进而导致直接使用全部文字内容进行匹配效果欠佳。因此需要基于以上问题,本公开技术方案基于注意力机制的对招牌图像中主要POI文本进行检测提取,检测结果能够更准确地描述各种形状的POI主体名称文本,避免对检测对象的所有文本进行检测识别,避免产生较多的噪音信息,进一步能够有效降低后续筛选无效信息的压力。
传统的基于深度学习的文本识别方法对一张图像中的所有文本段进行识别,无法区分文本段间的相关性,也无法分辨图像中哪些是需要主要提取检测的文本。如果在POI数据生产中利用上述传统的文本检测方法会造成从招牌中提取的文本段图像含有大量无用的噪声,如经营范围、电话等干扰信息,不利于POI自动化验真和POI自动化新增的处理。
为更好的理解本申请技术方案,示例性地,图3示处理本申请文本检测模型训练的流程示例图,如图3所示,在进行文本检测模型的训练时,通过基础图像识别模型的注意力机制网络(Attention model、Resnet-50、FPN)提取样本图像的图像特征,以及通过基于Guided Anchoring的网络进行候选框的生成,然后基于基于包括focal loss的损失函数进行模型的调整,实现了文本检测模型的训练。
实施例二
根据本公开的第二方面,提供了一种文本预测框检测方法,如图4所示包括:
步骤S401,确定待检测目标图片;
其中,待检测目标图片包含目标文本区域和非目标文本区域;
具体地,待检测目标图片可以是拍摄的照片,也可以是从视频中提取的视频帧,该待检测目标图片包含有目标信息(即欲检测识别得到的)与非目标信息(识别出来没有用处的信息),其中,目标信息位于目标文本区域,非目标信息位于非目标文本区域。
步骤S402,通过实施例一训练的注意力机制网络提取待检测目标图片的图像特征;
具体地,基于待检测目标图片,通过预训练的目标文本检测模型的注意力机制网络提取待检测目标图片的图像特征;其中,也可以先通过包含卷积神经网络的特征提取网络提取待检测目标图片的图像特征,然后再输入至注意力机制网络。
步骤S403,基于提取的待检测目标图片的图像特征,通过目标文本检测模型的候选框检测网络确定待检测目标图片中的文本的预测框。其中,预测框可以时规则的,如矩形、圆形,也可以时不规则的,如不规则的多边形。
示例性地,如图2所示,将图2所示的图片输入至实施例一训练的目标文本检测模型,检测得到“电器”、“国快餐店”、“千香馄饨王”、“匠甜品”等文本区域中各文本的预测框,而对“家电维修可上门服务”、“早餐中餐晚餐夜宵小炒订餐电话”、“外送电话”、“坚持初心源于用心”等文本,不产生相应的文本预测框。
本申请实施例提供了一种可能的实现方式,其中,样本图片为店招门牌图片、广告牌图片、宣传标语图片中的至少一项。
本申请实施例的有益效果,同实施例一类似,此处不再赘述。
实施例三
本公开实施例提供了一种文本检测模型训练的装置,如图5所示包括:
第一确定模块501,用于确定训练样本集合,训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;
第一提取模块502,用于通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;
第二确定模块503,用于基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;
第三确定模块504,用于基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;
调整模块505,用于基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。
本公开实施例提供的方案,与现有技术对图像中的所有文本都进行检测相比。本公开通过确定训练样本集合,训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。即在训练文本检测模型时,基于注意力机制,对样本图片中的目标文本区域进行检测提取图像特征,并不对图像中的所有文本区域进行检测,从而在基于训练好的模型进行文本检测时,避免对非目标文本检测区域进行识别,避免产生大量的噪音信息。
本公开实施例提供了一种可能的实现方式,其中,注意力机制网络包括Attention网络、Resnet50网络、FPN网络。
本公开实施例提供了一种可能的实现方式,其中,候选框预测网络为基于GuidedAnchoring的网络。
本公开实施例提供了一种可能的实现方式,其中,预定的损失函数包括Focalloss损失函数。
本公开实施例提供了一种可能的实现方式,其中,注意力机制网络包括至少一层可形变卷积网络。
本公开实施例提供了一种可能的实现方式,其中,Attention网络、Resnet50网络、FPN网络中的至少一个包括至少一层可形变卷积网络。
本公开实施例提供了一种可能的实现方式,其中,初始文本检测模型的候选框预测网络之后还包括用于进行文本识别的网络。
本公开实施例提供了一种可能的实现方式,其中,样本图片为店招门牌图片、广告牌图片、宣传标语图片中的至少一项。
对于本申请实施例,其实现的有益效果同上述方法实施例,此处不再赘述。
实施例四
本公开实施例提供了一种文本预测框检测的装置60,如图6所示包括:
第四确定模块601,用于确定待检测目标图片,待检测目标图片包含目标文本区域和非目标文本区域;
第二提取模块602,用于通过实施例一训练的目标文本检测模型的注意力机制网络提取待检测目标图片的图像特征;
第五确定模块603,用于基于提取的待检测目标图片的图像特征,通过目标文本检测模型的候选框检测网络确定待检测目标图片中的文本的预测框。
本公开实施例提供了一种可能的实现方式,其中,样本图片为店招门牌图片、广告牌图片、宣传标语图片中的至少一项。
对于本申请实施例,其实现的有益效果同上述方法实施例,此处不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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。
该电子设备包括: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,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如本公开实施例提供的方法。
该电子设备与现有技术对图像中的所有文本都进行检测相比。本公开通过确定训练样本集合,训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。即在训练文本检测模型时,基于注意力机制,对样本图片中的目标文本区域进行检测提取图像特征,并不对图像中的所有文本区域进行检测,从而在基于训练好的模型进行文本检测时,避免对非目标文本检测区域进行识别,避免产生大量的噪音信息。
该可读存储介质为存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如本公开实施例提供的方法。
该可读存储介质与现有技术对图像中的所有文本都进行检测相比。本公开通过确定训练样本集合,训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。即在训练文本检测模型时,基于注意力机制,对样本图片中的目标文本区域进行检测提取图像特征,并不对图像中的所有文本区域进行检测,从而在基于训练好的模型进行文本检测时,避免对非目标文本检测区域进行识别,避免产生大量的噪音信息。
该计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如本公开的第一方面中所示的方法。
该计算机程序产品与现有技术对图像中的所有文本都进行检测相比。本公开通过确定训练样本集合,训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。即在训练文本检测模型时,基于注意力机制,对样本图片中的目标文本区域进行检测提取图像特征,并不对图像中的所有文本区域进行检测,从而在基于训练好的模型进行文本检测时,避免对非目标文本检测区域进行识别,避免产生大量的噪音信息。
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800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RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703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、调制解调器、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,例如方法文本检测模型训练方法或文本检测方法。例如,在一些实施例中,方法文本检测模型训练方法或文本检测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ROM 702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RAM 703并由计算单元701执行时,可以执行上文描述的方法文本检测模型训练方法或文本检测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式(例如,借助于固件)而被配置为执行方法文本检测模型训练方法或文本检测方法。
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。服务器可以是云服务器,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 (20)
1.一种文本检测模型训练方法,包括:
确定训练样本集合,所述训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,所述多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;
通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;
基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;
基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;
基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。
2.根据权利要求1所述的方法,其中,所述注意力机制网络包括Attention网络、Resnet50网络、FPN网络。
3.根据权利要求1所述的方法,其中,所述候选框预测网络为基于Guided Anchoring的网络。
4.根据权利要求1所述的方法,其中,所述预定的损失函数包括Focalloss损失函数。
5.根据权利要求1所述的方法,其中,所述注意力机制网络包括至少一层可形变卷积网络。
6.根据权利要求2所述的方法,其中,所述Attention网络、Resnet50网络、FPN网络中的至少一个包括至少一层可形变卷积网络。
7.根据权利要求1所述的方法,其中,所述初始文本检测模型的候选框预测网络之后还包括用于进行文本识别的网络。
8.根据权利要求1所述的方法,其中,所述样本图片为店招门牌图片、广告牌图片、宣传标语图片中的至少一项。
9.一种文本预测框检测方法,包括:
确定待检测目标图片;
通过根据权利要求1-8任一项训练的目标文本检测模型的注意力机制网络提取所述待检测目标图片的图像特征;
基于提取的所述待检测目标图片的图像特征,通过所述目标文本检测模型的候选框检测网络确定所述待检测目标图片中的文本的预测框。
10.根据权利要求9所述的方法,其中,所述样本图片为店招门牌图片、广告牌图片、宣传标语图片中的至少一项。
11.一种文本检测模型训练装置,包括:
第一确定模块,用于确定训练样本集合,所述训练样本集合包含多个样本图片及各样本图片的目标文本区域标签,其中,所述多个样本图片中至少部分样本图片包含目标文本区域和非目标文本区域;
第一提取模块,用于通过初始文本检测模型的注意力机制网络提取各样本图片的图像特征;
第二确定模块,用于基于提取的各样本图片的图像特征,通过初始文本检测模型的候选框预测网络确定各个样本图片的候选框;
第三确定模块,用于基于提取的各样本图片的候选框以及各样本图片的目标文本区域标签确定预定的损失函数的损失值;
调整模块,用于基于确定的预定的损失函数的损失值调整初始文本检测模型的模型参数,直至收敛,确定目标文本检测模型的模型参数。
12.根据权利要求11所述的装置,其中,所述注意力机制网络包括Attention网络、Resnet50网络、FPN网络。
13.根据权利要求11所述的方法,其中,所述注意力机制网络包括至少一层可形变卷积网络。
14.根据权利要求12所述的方法,其中,所述Attention网络、Resnet50网络、FPN网络中的至少一个包括至少一层可形变卷积网络。
15.根据权利要求11所述的方法,其中,所述样本图片为店招门牌图片、广告牌图片、宣传标语图片中的至少一项。
16.一种文本预测框检测装置,包括:
第四确定模块,用于确定待检测目标图片;
第二提取模块,用于通过权利要求1-8任一项训练的目标文本检测模型的注意力机制网络提取所述待检测目标图片的图像特征;
第五确定模块,用于基于提取的所述待检测目标图片的图像特征,通过所述目标文本检测模型的候选框检测网络确定所述待检测目标图片中的文本的预测框。
17.根据权利要求9所述的方法,其中,所述样本图片为店招门牌图片、广告牌图片、宣传标语图片中的至少一项。
18.一种电子设备,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1-10中任一项所述的方法。
19.一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1-10中任一项所述的方法。
20.一种计算机程序产品,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1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714943.0A CN113378832B (zh) | 2021-06-25 | 2021-06-25 | 文本检测模型训练方法、文本预测框方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714943.0A CN113378832B (zh) | 2021-06-25 | 2021-06-25 | 文本检测模型训练方法、文本预测框方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378832A true CN113378832A (zh) | 2021-09-10 |
CN113378832B CN113378832B (zh) | 2024-05-28 |
Family
ID=77579372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110714943.0A Active CN113378832B (zh) | 2021-06-25 | 2021-06-25 | 文本检测模型训练方法、文本预测框方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378832B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724144A (zh) * | 2022-05-16 | 2022-07-08 | 北京百度网讯科技有限公司 | 文本识别方法、模型的训练方法、装置、设备及介质 |
CN114743206A (zh) * | 2022-05-17 | 2022-07-12 | 北京百度网讯科技有限公司 | 文本检测方法、模型训练方法、装置、电子设备 |
CN114821622A (zh) * | 2022-03-10 | 2022-07-29 | 北京百度网讯科技有限公司 | 文本抽取方法、文本抽取模型训练方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079632A (zh) * | 2019-12-12 | 2020-04-28 | 上海眼控科技股份有限公司 | 文本检测模型的训练方法、装置、计算机设备和存储介质 |
WO2020113561A1 (zh) * | 2018-12-07 | 2020-06-11 | 华为技术有限公司 | 一种从图像中提取结构化数据的方法、装置和设备 |
WO2020221298A1 (zh) * | 2019-04-30 | 2020-11-05 | 北京金山云网络技术有限公司 | 文本检测模型训练方法、文本区域、内容确定方法和装置 |
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
- 2021-06-25 CN CN202110714943.0A patent/CN113378832B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020113561A1 (zh) * | 2018-12-07 | 2020-06-11 | 华为技术有限公司 | 一种从图像中提取结构化数据的方法、装置和设备 |
WO2020221298A1 (zh) * | 2019-04-30 | 2020-11-05 | 北京金山云网络技术有限公司 | 文本检测模型训练方法、文本区域、内容确定方法和装置 |
CN111079632A (zh) * | 2019-12-12 | 2020-04-28 | 上海眼控科技股份有限公司 | 文本检测模型的训练方法、装置、计算机设备和存储介质 |
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 (2)
Title |
---|
王建新;王子亚;田萱;: "基于深度学习的自然场景文本检测与识别综述", 软件学报, no. 05 * |
田萱;王子亚;王建新;: "基于语义分割的食品标签文本检测", 农业机械学报, no. 08 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821622A (zh) * | 2022-03-10 | 2022-07-29 | 北京百度网讯科技有限公司 | 文本抽取方法、文本抽取模型训练方法、装置及设备 |
CN114724144A (zh) * | 2022-05-16 | 2022-07-08 | 北京百度网讯科技有限公司 | 文本识别方法、模型的训练方法、装置、设备及介质 |
CN114724144B (zh) * | 2022-05-16 | 2024-02-09 | 北京百度网讯科技有限公司 | 文本识别方法、模型的训练方法、装置、设备及介质 |
CN114743206A (zh) * | 2022-05-17 | 2022-07-12 | 北京百度网讯科技有限公司 | 文本检测方法、模型训练方法、装置、电子设备 |
CN114743206B (zh) * | 2022-05-17 | 2023-10-27 | 北京百度网讯科技有限公司 | 文本检测方法、模型训练方法、装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113378832B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657390B (zh) | 文本检测模型的训练方法和检测文本方法、装置和设备 | |
CN113378832B (zh) | 文本检测模型训练方法、文本预测框方法及装置 | |
CN113435529B (zh) | 模型预训练方法、模型训练方法及图像处理方法 | |
CN113378833A (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN114550177B (zh) | 图像处理的方法、文本识别方法及装置 | |
CN115063875B (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN115422389B (zh) | 处理文本图像的方法及装置、神经网络的训练方法 | |
CN115358392A (zh) | 深度学习网络的训练方法、文本检测方法及装置 | |
CN113688887A (zh) | 图像识别模型的训练与图像识别方法、装置 | |
CN113537192A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN112784732A (zh) | 地物类型变化的识别、模型训练方法、装置、设备及介质 | |
CN114581732A (zh) | 一种图像处理及模型训练方法、装置、设备和存储介质 | |
CN113947700A (zh) | 模型确定方法、装置、电子设备和存储器 | |
CN116385789B (zh) | 图像处理方法、训练方法、装置、电子设备及存储介质 | |
CN116935368A (zh) | 深度学习模型训练方法、文本行检测方法、装置及设备 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN114677566A (zh) | 深度学习模型的训练方法、对象识别方法和装置 | |
CN114612971A (zh) | 人脸检测方法、模型训练方法、电子设备及程序产品 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN115273148A (zh) | 行人重识别模型训练方法、装置、电子设备及存储介质 | |
CN114972910A (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 | |
CN114998897A (zh) | 生成样本图像的方法以及文字识别模型的训练方法 | |
CN113378836A (zh) | 图像识别方法、装置、设备、介质及程序产品 | |
CN114612651A (zh) | Roi检测模型训练方法、检测方法、装置、设备和介质 | |
CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 |
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 |