CN113378833B - 图像识别模型训练方法、图像识别方法、装置及电子设备 - Google Patents

图像识别模型训练方法、图像识别方法、装置及电子设备 Download PDF

Info

Publication number
CN113378833B
CN113378833B CN202110714944.5A CN202110714944A CN113378833B CN 113378833 B CN113378833 B CN 113378833B CN 202110714944 A CN202110714944 A CN 202110714944A CN 113378833 B CN113378833 B CN 113378833B
Authority
CN
China
Prior art keywords
picture
sample
loss function
image
semantic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110714944.5A
Other languages
English (en)
Other versions
CN113378833A (zh
Inventor
马小明
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 CN202110714944.5A priority Critical patent/CN113378833B/zh
Publication of CN113378833A publication Critical patent/CN113378833A/zh
Priority to US17/741,780 priority patent/US20220270382A1/en
Application granted granted Critical
Publication of CN113378833B publication Critical patent/CN113378833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V20/63—Scene text, e.g. street names
    • 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
    • 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
    • G06N3/08—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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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]
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本公开提供了一种图像识别模型训练方法、图像识别方法、装置及电子设备，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：通过确定训练样本集合，训练样本集合包括多个样本图片及各样本图片对应的文本标签；然后基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；继而基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型。也即是说，在训练图像识别模型时，同时考虑了视觉感知信息以及文本语义信息，从而即使图像存在模糊或者遮挡问题，也能够正确的识别出图像的文本。

Description

图像识别模型训练方法、图像识别方法、装置及电子设备
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。识别的结果对POI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
本公开提供了一种图像识别模型训练方法、图像识别方法、装置及电子设备。
根据本公开的第一方面，提供了一种图像识别模型训练方法，包括：
确定训练样本集合，训练样本集合包括多个样本图片及各样本图片对应的文本标签；其中，所述样本集合中至少部分样本图片中的文字存在文字不规则、遮挡或模糊；
基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；
基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型。
根据本公开的第二方面，提供了一种图像识别方法，包括：
获取待识别目标图片；
将待识别目标图片输入至第一方面的图像识别模型，得到待识别目标图片对应的文本信息。
根据本公开的第三方面，提供了一种图像识别模型训练的装置，包括：
第一确定模块，用于确定训练样本集合，训练样本集合包括多个样本图片及各样本图片对应的文本标签；其中，所述样本集合中至少部分样本图片中的文字存在文字不规则、遮挡或模糊；
第一提取模块，用于基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；
训练模块，用于基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型。
根据本公开的第四方面，提供了一种图像识别的装置，包括
第四确定模块，用于确定待识别目标图片；
识别模块，将待识别目标图片输入至第一方面训练的图像识别模型，识别得到待识别目标图片对应的文本信息。
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，与现有技术进行图像识别时仅考虑图像语义信息，未考虑文本语义信息相比。本公开通过确定训练样本集合，训练样本集合包括多个样本图片及各样本图片对应的文本标签；其中，所述样本集合中至少部分样本图片中的文字存在文字不规则、遮挡或模糊；然后基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；继而基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型。也即是说，在训练图像识别模型时，同时考虑了视觉感知信息以及文本语义信息，从而即使图像存在文字为不规则文字、模糊或者遮挡问题，也能够正确的识别出图像的文本。
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图像识别模型训练方法流程示意图；
图2是根据本公开提供的图像识别模型训练方法示例图；
图3是根据本公开提供的图像识别方法流程示意图；
图4是根据本公开提供的图像识别方法示例图；
图5本公开提供的图像识别模型训练装置的结构示意图；
图6本公开提供的图像识别装置的结构示意图；
图7是用来实现本公开实施例的电子设备的框图。
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
图1示出了本公开实施例提供的一种图像识别模型训练方法，如图1所示，该方法包括：
步骤S101，确定训练样本集合，训练样本集合包括多个样本图片及各样本图片对应的文本标签；其中，所述样本集合中至少部分样本图片中的文字存在文字不规则、遮挡或模糊；
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，训练样本集合中可以包括正样本和负样本。其中，文本标签可以是对应的对样本图片进行图像识别欲得到的文本。其中，所述样本集合中至少部分样本图片中的文字存在文字不规则、遮挡或模糊，还可以包括既存在遮挡又存在模糊的样本。示例性地，如图2所示的图片样本，存在遮挡或模糊的问题。
步骤S102，基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；
具体地，可以通过卷积神经网络等提取样本图片的图像特征，如通过包含多层卷积神经网络的深度网络结构VGG Net、ResNet、ResNeXt、SE-Net等提取图像特征；具体地，可以采用Resnet-50提取样本图片的图像特征，从而能够兼顾特征提取的准确性与速度。
具体地，可以通过基于Transformer的网络提取样本图片的语义特征。
其中，样本图片的图像特征以及语义特征的提取也可以是通过能够实现本公开的其他方法提取得到的，如长短期神经网络。
步骤S103，基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型。
具体地，可以基于各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，确定图像分类损失、语义分类损失值，然后基于确定的损失值，调整基础图像识别模型的模型参数，直至收敛，得到训练好的图像识别模型。
本公开实施例提供的方案，与现有技术进行图像识别时仅考虑图像语义信息，未考虑文本语义信息相比。本公开通过确定训练样本集合，训练样本集合包括多个样本图片及各样本图片对应的文本标签；然后基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；继而基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型。也即是说，在训练图像识别模型时，同时考虑了视觉感知信息以及文本语义信息，从而即使图像存在文字不规则、模糊或者遮挡问题，也能够正确的识别出图像的文本。
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。
POI（point or interest ，兴趣点）生产环节，分为“招牌提取”+“自动化处理”+“坐标生产”+“人工作业”几个环节，最终目的是通过整个生产，生产出现实世界的POI“名称”和“坐标”。
招牌文字识别技术（也可以时广告牌、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格式。识别的结果对POI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，因此，需要保召回的情况下，提升识别有效POI文本的识别准确率。
目前商家招牌文字识别主要面临的主要难点集中在“遮挡”，“模糊”等问题，如何在模型训练过程中，对招牌遮挡，模糊等文字区域进行文字识别成为了一个问题。通常的自然场景文本识别只是通过图像特征分类，然而POI是有语义信息的文本段，本公开技术方案通过提取店招门牌图片、广告牌图片、宣传标语图片等的文本图像特征以及文本语义特征从而辅助进行文本识别；具体地，可以利用视觉注意力机制提取店招门牌图片、广告牌图片、宣传标语图片中的文本图像特征，同时利用transformer的编解码方式挖掘POI固有语义信息辅助文本识别，从而能够有效提高对不规则、图像遮挡和模糊的POI文本识别的鲁棒性。
本公开实施例提供了一种可能的实现方式，其中，基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型，包括：
基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数、ArcFace损失函数，训练基础图像识别模型，ArcFace损失函数用于使得同类目标对象的特征信息聚合、不同类目标对象的特征信息远离。
具体地，可以在分类模型在训练过程中引入ArcFace损失函数确定分类模型的损失值，通过ArcFace损失函数拉近同类目标对象的距离，拉远异类目标对象的距离，如拉远相似字“境”“培”的距离，从而提高易混淆目标对象的分类能力。本公开实施例中，有关于ArcFace损失函数的描述可参考现有ArcFace损失函数，在此不作具体限定。
本公开实施例提供了一种可能的实现方式，其中，该方法还包括：
基于样本图片的图像特征、语义特征进行融合，确定融合样本特征；
基于融合样本特征以及ArcFace损失函数构建融合损失。
具体地，可以基于样本图片的图像特征、语义特征进行融合，如线性融合、直接拼接等，确定融合样本特征；然后基于融合样本特征以及ArcFace损失函数构建融合损失，从而与图像分类损失、语义分类损失配合，通过多路损失计算来拟合网络，能进一步提升训练的图像识别模型的准确性。
本公开实施例提供了一种可能的实现方式，其中，该方法还包括：
确定图像分类损失函数、语义分类损失函数、ArcFace损失函数分别对应的权重值；
基于预定的图像分类损失函数、语义分类损失函数、ArcFace损失函数，以及确定图像分类损失函数、语义分类损失函数、ArcFace损失函数分别对应的权重值，训练基础图像识别模型。
具体地，图像分类损失函数、语义分类损失函数、ArcFace损失函数可以分别对应的权重值，从而考量图像特征、文本语义特征、融合特征在模型训练中的重要性；具体地，该权重可以是经验值，也可以是通过训练得到的。
本公开实施例提供了一种可能的实现方式，其中，样本图片包括多个文本区域，各文本区域包括至少一个字符，该方法包括：
基于注意力网络从多个文本区域中提取得到目标文本区域的特征向量；
基于提取得到的目标文本区域的特征向量，提取样本图片的图像特征以及语义特征。
具体地，可以引入注意力网络，从而能够针对包含有用信息的图像区域进行识别，而非针对图像中的所有文字区域都进行识别，避免识别结果引入噪音信息。
示例性地，如图3所示，在进行图像识别模型的训练时，通过基础图像识别模型的Resnet-50提取样本图像的图像特征，以及通过Transformer提取样本图像的文义特征，然后基于构建的三类损失函数，即图像分类损失函数、语义分类损失函数、ArcFace损失函数进行模型的训练，其中，图像分类损失函数、语义分类损失函数可以是交叉熵损失函数（Cross Entropy loss），也可以是能够实现本申请功能的其他损失函数。
实施例
根据本公开的第二方面，提供了一种图像识别方法，如图4所示包括：
步骤S401，获取待识别目标图片；
具体地，获取待识别目标图片，其中，该识别目标图片可以是直接拍摄的照片，也可以时从拍摄的视频中提取得到的图片。其中，所述待识别目标图片文字存在文字不规则、遮挡或模糊情形。
步骤S402，将待识别目标图片输入至实施例一训练的图像识别模型，得到待识别目标图片对应的文本信息。
具体地，当将待识别目标图片输入至实施例一训练的图像识别模型，进行相应的检测识别处理，得到待识别目标图片对应的文本信息。
为更好理解本公开的技术方案，示例性地，如图2所示，根据本公开的技术方案，当对图2中的图像进行识别时，其识别结果分别为“光电有限公司”、“小吃培训学校”，而非当待识别图像由于遮挡、不清晰等原因，现有技术仅根据图像特征进行识别处理，得到“光电海限公司”、“小吃境训学校”的错误识别结果，即错将“有”识别为“海”、“培”识别为“境”，从而无法正确进行识别。
本公开实施例提供的方案，与现有技术进行图像识别时仅考虑图像语义信息，未考虑文本语义信息相比。本公开通过获取待识别图像，并基于实施例一训练的图像识别模型，对待识别图像进行识别，得到对应的文本信息。也即是说，通过考虑了视觉感知信息以及文本语义信息的图像识别模型进行图像识别，从而即使图像存在文字不规则、模糊或者遮挡问题，也能够正确的识别出图像中对应的文本。
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，针对招牌类图像（店招门牌图片、广告牌图片、宣传标语图片），进行识别时，考虑视觉感知信息以及文本语义信息，从而能够提升识别的准确性。
实施例
本公开实施例提供了一种图像识别模型训练的装置50，如图5所示包括：
第一确定模块501，用于确定训练样本集合，训练样本集合包括多个样本图片及各样本图片对应的文本标签；其中，所述样本集合中至少部分样本图片中的文字存在文字不规则、遮挡或模糊；
第一提取模块502，用于基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；
训练模块503，用于基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型。
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。
本公开实施例提供了一种可能的实现方式，其中，训练模块503，具体用于基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数、ArcFace损失函数，训练基础图像识别模型，ArcFace损失函数用于使得同类目标对象的特征信息聚合、不同类目标对象的特征信息远离。
本公开实施例提供了一种可能的实现方式，其中，该装置50还包括：
第二确定模块504（图中未示出），用于基于样本图片的图像特征、语义特征进行融合，确定融合样本特征；
构建模块505（图中未示出），用于基于融合样本特征以及ArcFace损失函数构建融合损失。
本公开实施例提供了一种可能的实现方式，其中，该方法还包括：
第三确定模块506（图中未示出），用于确定图像分类损失函数、语义分类损失函数、ArcFace损失函数分别对应的权重值；
训练模块503（图中未示出），具体用于基于预定的图像分类损失函数、语义分类损失函数、ArcFace损失函数，以及确定图像分类损失函数、语义分类损失函数、ArcFace损失函数分别对应的权重值，训练基础图像识别模型。
本公开实施例提供了一种可能的实现方式，其中，样本图片包括多个文本区域，各文本区域包括至少一个字符，该装置还包括：
第二提取模块507（图中未示出），用于基于注意力网络从多个文本区域中提取得到目标文本区域的特征向量；
第一提取模块508（图中未示出）用于基于提取得到的目标文本区域的特征向量，提取样本图片的图像特征以及语义特征。
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
本公开实施例提供了一种图像识别的装置60，如图6所示包括：
第三确定模块601，用于确定待识别目标图片；
识别模块602，将待识别目标图片输入至根据实施例一训练的图像识别模型，识别得到待识别目标图片对应的文本信息。
本公开实施例提供的方案，与现有技术进行图像识别时仅考虑图像语义信息，未考虑文本语义信息相比。本公开通过获取待识别图像，并基于实施例一训练的图像识别模型，对待识别图像进行识别，得到对应的文本信息。也即是说，通过考虑了视觉感知信息以及文本语义信息的图像识别模型进行图像识别，从而即使图像存在文字不规则、模糊或者遮挡问题，也能够正确的识别出图像的文本。
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进行图像识别时仅考虑图像语义信息，未考虑文本语义信息相比。本公开通过确定训练样本集合，训练样本集合包括多个样本图片及各样本图片对应的文本标签；然后基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；继而基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型。也即是说，在训练图像识别模型时，同时考虑了视觉感知信息以及文本语义信息，从而即使图像存在文字不规则、模糊或者遮挡问题，也能够正确的识别出图像的文本。
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进行图像识别时仅考虑图像语义信息，未考虑文本语义信息相比。本公开通过确定训练样本集合，训练样本集合包括多个样本图片及各样本图片对应的文本标签；然后基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；继而基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型。也即是说，在训练图像识别模型时，同时考虑了视觉感知信息以及文本语义信息，从而即使图像存在文字不规则、模糊或者遮挡问题，也能够正确的识别出图像的文本。
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进行图像识别时仅考虑图像语义信息，未考虑文本语义信息相比。本公开通过确定训练样本集合，训练样本集合包括多个样本图片及各样本图片对应的文本标签；然后基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；继而基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练基础图像识别模型。也即是说，在训练图像识别模型时，同时考虑了视觉感知信息以及文本语义信息，从而即使图像存在文字不规则、模糊或者遮挡问题，也能够正确的识别出图像的文本。
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、ROM702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，例如方法图像识别训练方法或图像识别方法。例如，在一些实施例中，方法图像识别训练方法或图像识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元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图像识别训练方法或图像识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元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图像识别训练方法或图像识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。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 (10)

1.一种图像识别模型训练方法，包括：
确定训练样本集合，所述训练样本集合包括多个样本图片及各样本图片对应的文本标签；其中，所述样本集合中至少部分样本图片中的文字存在文字不规则、遮挡或模糊；
基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；
基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练所述基础图像识别模型；
其中，所述基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练所述基础图像识别模型，包括：
基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数、ArcFace损失函数，训练所述基础图像识别模型，所述ArcFace损失函数用于使得同类目标对象的特征信息聚合、不同类目标对象的特征信息远离；
其中，该方法还包括：
基于样本图片的图像特征、语义特征进行融合，确定融合样本特征；
基于所述融合样本特征以及所述ArcFace损失函数构建融合损失；
确定图像分类损失函数、语义分类损失函数、ArcFace损失函数分别对应的权重值；
基于预定的图像分类损失函数、语义分类损失函数、ArcFace损失函数，以及确定图像分类损失函数、语义分类损失函数、ArcFace损失函数分别对应的权重值，训练所述基础图像识别模型；
其中，所述样本图片包括多个文本区域，各文本区域包括至少一个字符，该方法包括：
基于注意力网络从多个文本区域中提取得到目标文本区域的特征向量；
基于提取得到的目标文本区域的特征向量，提取样本图片的图像特征以及语义特征。
2.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。
3.一种图像识别方法，包括：
获取待识别目标图片；
将所述待识别目标图片输入至权利要求1-2任一项训练的图像识别模型，得到待识别目标图片对应的文本信息。
4.根据权利要求3所述的方法，其中，所述待识别目标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。
5.一种图像识别模型训练的装置，包括：
第一确定模块，用于确定训练样本集合，所述训练样本集合包括多个样本图片及各样本图片对应的文本标签；其中，所述样本集合中至少部分样本图片中的文字存在文字不规则、遮挡或模糊；
第一提取模块，用于基于基础图像识别模型的特征提取网络，提取各样本图片的图像特征以及语义特征；
训练模块，用于基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数，训练所述基础图像识别模型；
其中，训练模块，具体用于基于提取的各样本图片的图像特征、语义特征以及标注的各样本图片对应的文本标签，以及预定的图像分类损失函数、语义分类损失函数、ArcFace损失函数，训练基础图像识别模型，ArcFace损失函数用于使得同类目标对象的特征信息聚合、不同类目标对象的特征信息远离；
其中，该装置还包括：
第二确定模块，用于基于样本图片的图像特征、语义特征进行融合，确定融合样本特征；
构建模块，用于基于融合样本特征以及ArcFace损失函数构建融合损失；
第三确定模块，用于确定图像分类损失函数、语义分类损失函数、ArcFace损失函数分别对应的权重值；
训练模块，具体用于基于预定的图像分类损失函数、语义分类损失函数、ArcFace损失函数，以及确定图像分类损失函数、语义分类损失函数、ArcFace损失函数分别对应的权重值，训练基础图像识别模型；
其中，样本图片包括多个文本区域，各文本区域包括至少一个字符，该装置还包括：
第二提取模块，用于基于注意力网络从多个文本区域中提取得到目标文本区域的特征向量；
第一提取模块，用于基于提取得到的目标文本区域的特征向量，提取样本图片的图像特征以及语义特征。
6.根据权利要求5所述的装置，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。
7.一种图像识别的装置，包括
第四确定模块，用于确定待识别目标图片；
识别模块，将待识别目标图片输入至权利要求5-6任一项训练的图像识别模型，识别得到待识别目标图片对应的文本信息。
8.根据权利要求7所述的装置，其中，所述待识别目标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。
10.一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1-2中任一项所述的方法。
CN202110714944.5A 2021-06-25 2021-06-25 图像识别模型训练方法、图像识别方法、装置及电子设备 Active CN113378833B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110714944.5A CN113378833B (zh) 2021-06-25 2021-06-25 图像识别模型训练方法、图像识别方法、装置及电子设备
US17/741,780 US20220270382A1 (en) 2021-06-25 2022-05-11 Method and apparatus of training image recognition model, method and apparatus of recognizing image, and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110714944.5A CN113378833B (zh) 2021-06-25 2021-06-25 图像识别模型训练方法、图像识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113378833A CN113378833A (zh) 2021-09-10
CN113378833B true CN113378833B (zh) 2023-09-01

Family

ID=77579376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110714944.5A Active CN113378833B (zh) 2021-06-25 2021-06-25 图像识别模型训练方法、图像识别方法、装置及电子设备

Country Status (2)

Country Link
US (1) US20220270382A1 (zh)
CN (1) CN113378833B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947700A (zh) * 2021-10-18 2022-01-18 北京百度网讯科技有限公司 模型确定方法、装置、电子设备和存储器
CN113688271B (zh) * 2021-10-25 2023-05-16 浙江大华技术股份有限公司 一种目标对象的档案搜索方法及相关装置
CN114120074B (zh) * 2021-11-05 2023-12-12 北京百度网讯科技有限公司 基于语义增强的图像识别模型的训练方法和训练装置
CN114049686A (zh) * 2021-11-15 2022-02-15 北京百度网讯科技有限公司 签名识别模型训练方法、装置及电子设备
CN114092949A (zh) * 2021-11-23 2022-02-25 支付宝(杭州)信息技术有限公司 类别预测模型的训练、界面元素类别的识别方法及装置
CN114120305B (zh) * 2021-11-26 2023-07-07 北京百度网讯科技有限公司 文本分类模型的训练方法、文本内容的识别方法及装置
CN114283411B (zh) * 2021-12-20 2022-11-15 北京百度网讯科技有限公司 文本识别方法、文本识别模型的训练方法及装置
CN114612912A (zh) * 2022-03-09 2022-06-10 中译语通科技股份有限公司 基于智能语料库的图像文字识别方法、系统及设备
CN114595780B (zh) * 2022-03-15 2022-12-20 百度在线网络技术（北京）有限公司 图文处理模型训练及图文处理方法、装置、设备及介质
CN115035538B (zh) * 2022-03-22 2023-04-07 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
CN114693995B (zh) * 2022-04-14 2023-07-07 北京百度网讯科技有限公司 应用于图像处理的模型训练方法、图像处理方法和设备
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
CN115035351B (zh) * 2022-07-18 2023-01-06 北京百度网讯科技有限公司 基于图像的信息提取方法、模型训练方法、装置、设备及存储介质
CN115310547B (zh) * 2022-08-12 2023-11-17 中国电信股份有限公司 模型训练方法、物品识别方法及装置、电子设备、介质
CN115565186B (zh) * 2022-09-26 2023-09-22 北京百度网讯科技有限公司 文字识别模型的训练方法、装置、电子设备和存储介质
CN117635959A (zh) * 2023-11-28 2024-03-01 北京百度网讯科技有限公司 基于跨模态的图像识别模型的训练方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241995A (zh) * 2018-08-01 2019-01-18 中国计量大学 一种基于改进型ArcFace损失函数的图像识别方法
CN110414432A (zh) * 2019-07-29 2019-11-05 腾讯科技（深圳）有限公司 对象识别模型的训练方法、对象识别方法及相应的装置
WO2020156303A1 (zh) * 2019-01-30 2020-08-06 广州市百果园信息技术有限公司 语义分割网络的训练方法及装置、基于语义分割网络的图像处理方法及装置、设备、存储介质
CN112101165A (zh) * 2020-09-07 2020-12-18 腾讯科技（深圳）有限公司 兴趣点识别方法、装置、计算机设备和存储介质
CN112633276A (zh) * 2020-12-25 2021-04-09 北京百度网讯科技有限公司 训练方法、识别方法、装置、设备、介质
WO2021087985A1 (zh) * 2019-11-08 2021-05-14 深圳市欢太科技有限公司 模型训练方法、装置、存储介质及电子设备
WO2021121127A1 (zh) * 2020-07-28 2021-06-24 平安科技（深圳）有限公司 样本类别识别方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464689A (zh) * 2019-09-06 2021-03-09 佳能株式会社 生成神经网络的方法、装置和系统及存储指令的存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241995A (zh) * 2018-08-01 2019-01-18 中国计量大学 一种基于改进型ArcFace损失函数的图像识别方法
WO2020156303A1 (zh) * 2019-01-30 2020-08-06 广州市百果园信息技术有限公司 语义分割网络的训练方法及装置、基于语义分割网络的图像处理方法及装置、设备、存储介质
CN110414432A (zh) * 2019-07-29 2019-11-05 腾讯科技（深圳）有限公司 对象识别模型的训练方法、对象识别方法及相应的装置
WO2021087985A1 (zh) * 2019-11-08 2021-05-14 深圳市欢太科技有限公司 模型训练方法、装置、存储介质及电子设备
WO2021121127A1 (zh) * 2020-07-28 2021-06-24 平安科技（深圳）有限公司 样本类别识别方法、装置、计算机设备及存储介质
CN112101165A (zh) * 2020-09-07 2020-12-18 腾讯科技（深圳）有限公司 兴趣点识别方法、装置、计算机设备和存储介质
CN112633276A (zh) * 2020-12-25 2021-04-09 北京百度网讯科技有限公司 训练方法、识别方法、装置、设备、介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A New Loss Function for CNN Classifier Based on Predefined Evenly-Distributed Class Centroids;Qiuyu Zhu等;IEEE Access;全文 *

Also Published As

Publication number Publication date
US20220270382A1 (en) 2022-08-25
CN113378833A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113378833B (zh) 图像识别模型训练方法、图像识别方法、装置及电子设备
CN113326764B (zh) 训练图像识别模型和图像识别的方法和装置
CN112633276B (zh) 训练方法、识别方法、装置、设备、介质
CN113435529B (zh) 模型预训练方法、模型训练方法及图像处理方法
CN113191256A (zh) 车道线检测模型的训练方法、装置、电子设备及存储介质
CN113159010A (zh) 视频分类方法、装置、设备和存储介质
CN111598164A (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
CN113377958B (zh) 一种文档分类方法、装置、电子设备以及存储介质
US11164004B2 (en) Keyframe scheduling method and apparatus, electronic device, program and medium
CN113255501B (zh) 生成表格识别模型的方法、设备、介质及程序产品
CN113378832B (zh) 文本检测模型训练方法、文本预测框方法及装置
CN113537192A (zh) 图像检测方法、装置、电子设备及存储介质
CN114429633A (zh) 文本识别方法、模型的训练方法、装置、电子设备及介质
CN113344121B (zh) 训练招牌分类模型和招牌分类的方法
CN115311469A (zh) 图像标注方法、训练方法、图像处理方法以及电子设备
CN117312140A (zh) 测试用例的生成方法、装置、电子设备及存储介质
CN113326766A (zh) 文本检测模型的训练方法及装置、文本检测方法及装置
CN112580620A (zh) 标志图片处理方法、装置、设备和介质
CN114677566B (zh) 深度学习模型的训练方法、对象识别方法和装置
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN114724144A (zh) 文本识别方法、模型的训练方法、装置、设备及介质
CN114882283A (zh) 样本图像生成方法、深度学习模型的训练方法和装置
CN114187435A (zh) 文本识别方法、装置、设备以及存储介质
CN113688938A (zh) 确定对象情感的方法、训练情感分类模型的方法及装置
CN113887394A (zh) 一种图像处理方法、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
GR01 Patent grant
GR01 Patent grant