CN113420174B - 难样本挖掘方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种难样本挖掘方法、装置、设备、存储介质以及程序产品，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于图像识别场景下。该方法的一具体实施方式包括：获取目标垂类票据图像集；将目标垂类票据图像集中的目标垂类票据图像输入至结构化信息提取模型，得到目标垂类票据图像的字段检测框；将目标垂类票据图像和字段检测框输入至垂类挖掘模型，得到目标垂类票据图像对应的得分，其中，得分用于表征字段检测框与字段真实框之间的差异；基于得分从目标垂类票据图像集中选取难样本票据图像。该实施方式降低了挖掘难样本的成本。

Description

难样本挖掘方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域，可应用于图像识别场景下。

背景技术

票据证照是一种重要的结构化信息的文本载体，被广泛用于各种场景。尽管电子票据证照日益发展，传统纸质票据证照仍然被大量使用。例如在财务金融部门，每天存在大量票据被审核报销，一张票据需要经过繁杂的人工审核步骤，耗时费力，报账效率低下。借助OCR(Optical Character Recognition，光学字符识别)技术，将非结构化图像影像转化为结构化文本信息，实现自动化票据、证照信息提取，可以极大的提高从业人员处理票据、证照的效率，加速企业办公智能化进程。

然而，目前的提取图像结构化信息所采用的模型需要人为挑选难样本来进行训练，导致难样本挖掘效率低下。

发明内容

本公开实施例提出了一种难样本挖掘方法、装置、设备、存储介质以及程序产品。

第一方面，本公开实施例提出了一种难样本挖掘方法，包括：获取目标垂类票据图像集；将目标垂类票据图像集中的目标垂类票据图像输入至结构化信息提取模型，得到目标垂类票据图像的字段检测框；将目标垂类票据图像和字段检测框输入至垂类挖掘模型，得到目标垂类票据图像对应的得分，其中，得分用于表征字段检测框与字段真实框之间的差异；基于得分从目标垂类票据图像集中选取难样本票据图像。

第二方面，本公开实施例提出了一种难样本挖掘装置，包括：获取模块，被配置成获取目标垂类票据图像集；提取模块，被配置成将目标垂类票据图像集中的目标垂类票据图像输入至结构化信息提取模型，得到目标垂类票据图像的字段检测框；挖掘模块，被配置成将目标垂类票据图像和字段检测框输入至垂类挖掘模型，得到目标垂类票据图像对应的得分，其中，得分用于表征字段检测框与字段真实框之间的差异；选取模块，被配置成基于得分从目标垂类票据图像集中选取难样本票据图像。

第三方面，本公开实施例提出了一种电子设备，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，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第一方面中任一实现方式描述的方法。

第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开实施例提供的难样本挖掘方法、装置、设备、存储介质以及程序产品，自动挖掘难样本票据图像，降低了挖掘难样本的成本，包括时间成本和人工成本，从而提升挖掘难样本的效率。进一步地，挖掘出的难样本可以添加到原有的结构化信息提取模型的训练集中，重新训练模型，以针对性地提升模型效果。

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

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。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是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的难样本挖掘方法的一个实施例的流程图；

图3是根据本公开的难样本挖掘方法的又一个实施例的流程图；

图4是根据本公开的难样本挖掘方法的另一个实施例的流程图；

图5是根据本公开的难样本挖掘装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的难样本挖掘方法的电子设备的框图。

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。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本申请的难样本挖掘方法或难样本挖掘装置的实施例的示例性系统架构100。

如图1所示，系统架构100中可以包括数据库101、网络102和服务器103。网络102用以在数据库101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

服务器103可以通过网络102从数据库101获取数据。数据库101可以用于存储目标垂类票据图像或回流票据图像。

服务器103可以提供各种服务。例如，服务器103可以对从数据库101获取到的票据图像等数据对进行分析等处理，生成处理结果(例如难样本票据图像)。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的难样本挖掘方法一般由服务器103执行，相应地，难样本挖掘装置一般设置于服务器103中。

应该理解，图1中的数据库、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的数据库、网络和服务器。

继续参考图2，其示出了示出了根据本公开的难样本挖掘方法的一个实施例的流程200。该难样本挖掘方法包括以下步骤：

步骤201，获取目标垂类票据图像集。

在本实施例中，难样本挖掘方法的执行主体可以获取目标垂类票据图像集。

其中，票据图像可以是对票据拍照所得到的图像。票据具有不同的垂类，包括但不限于增值税发票、医疗收费票据等等。目标垂类票据图像集可以包括属于目标垂类的票据图像。目标垂类可以是任一垂类。

步骤202，将目标垂类票据图像集中的目标垂类票据图像输入至结构化信息提取模型，得到目标垂类票据图像的字段检测框。

在本实施例中，对于目标垂类票据图像集中的目标垂类票据图像，上述执行主体可以将目标垂类票据图像输入至结构化信息提取模型，得到目标垂类图像的字段检测框。

其中，字段检测框可以是检测出的字段的边界框。结构化信息提取模型可以用于检测票据图像的字段位置，是通过深度学习方法利用训练样本集预先训练得到的。这里的训练样本集中的训练样本可以是标注有字段标注框的样本票据图像。

步骤203，将目标垂类票据图像和字段检测框输入至垂类挖掘模型，得到目标垂类票据图像对应的得分。

在本实施例中，上述执行主体可以将目标垂类票据图像和字段检测框输入至垂类挖掘模型，得到目标垂类票据图像对应的得分。

其中，字段真实框可以是字段的真实边界框。得分可以用于表征字段检测框与字段真实框之间的差异。得分越高，说明字段检测框与字段真实框之间的差异越大，结构化信息提取模型对目标垂类票据图像的检测效果越差，目标垂类票据图像是难样本票据图像的概率越高；反之，说明字段检测框与字段真实框之间的差异越小，结构化信息提取模型对目标畜类票据图像的检测效果越好，目标垂类票据图像是难样本票据图像的概率越低。

步骤204，基于得分从目标垂类票据图像集中选取难样本票据图像。

在本实施例中，上述执行主体可以基于得分从目标垂类票据图像集中选取难样本票据图像。其中，难样本票据图像是结构化信息提取模型检测效果差的目标垂类票据图像。

通常，上述执行主体可以通过多种方式挖掘难样本票据图像。例如，可以预先设定得分阈值，将得分大于预设得分阈值的目标垂类票据图像确定为难样本票据图像。通过阈值判断能够快速地挖掘出难样本票据图像。又例如，可以基于得分对目标垂类票据图像集进行聚类，得到多个簇。其中，同一簇的目标垂类票据图像的得分相差较小，不同簇的目标垂类票据图像的得分相差较大。然后，将聚类系数小于预设系数阈值的簇所包含的目标垂类票据图像确定为难样本票据图像。其中，聚类系数可以用于表征簇聚集的程度。实践中，结构化信息提取模型对大部分目标垂类票据图像的检测效果较好，对小部分目标垂类票据图像的检测效果较差。因此，聚类系数越小的簇包含结构化提取模型的检测效果越差的目标垂类票据图像，即难样本票据图像。通过聚类能够准确地挖掘出难样本票据图像。

本公开实施例提供的难样本挖掘方法，自动挖掘难样本票据图像，降低了挖掘难样本的成本，包括时间成本和人工成本，从而提升挖掘难样本的效率。进一步地，挖掘出的难样本可以添加到原有的结构化信息提取模型的训练集中，重新训练模型，以针对性地提升模型效果。难样本挖掘解决的是难样本票据图像在目标垂类票据图像集中的提取。采用神经网络深度学习算法进行数据分布学习，训练垂类挖掘模型，并以此挖掘难样本票据图像。

进一步参考图3，其示出了根据本公开的难样本挖掘方法的又一个实施例的流程300。该难样本挖掘方法包括以下步骤：

步骤301，获取目标垂类票据图像集。

步骤302，将目标垂类票据图像集中的目标垂类票据图像输入至结构化信息提取模型，得到目标垂类票据图像的字段检测框。

在本实施例中，步骤301-302具体操作已在图2所示的实施例中步骤201-202进行了详细的介绍，在此不再赘述。

步骤303，将目标垂类票据图像和字段检测框经过自编码器，得到字段检测框学习的特征与字段检测框之间的损失，作为第一得分。

在本实施例中，难样本挖掘方法的执行主体可以将目标垂类票据图像和字段检测框经过自编码器(autoencoder，AE)，得到字段检测框学习的特征与字段检测框之间的损失，作为第一得分。

其中，字段检测框学习的特征与字段检测框之间的损失越大，第一得分越高。第一得分越高，说明字段检测框学习的特征与字段检测框之间的差异越大，结构化信息提取模型对目标垂类票据图像的检测效果越差，目标垂类票据图像是难样本票据图像的概率越高。字段检测框学习的特征与字段检测框之间的损失越小，第一得分越低。第一得分越低，说明字段检测框学习的特征与字段检测框之间的差异越小，结构化信息提取模型对目标垂类票据图像的检测效果越好，目标垂类票据图像是难样本票据图像的概率越低。自编码器是一类在半监督学习和非监督学习中使用的人工神经网络(Artificial NeuralNetworks，ANNs)，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习。

步骤304，将目标垂类票据图像和字段检测框经过去噪自编码器，得到字段检测框学习的特征与字段真实框之间的损失，作为第二得分。

在本实施例中，上述执行主体可以将目标垂类票据图像和字段检测框经过去噪自编码器(denoising autoencoder，DAE)，得到字段检测框学习的特征与字段真实框之间的损失，作为第二得分。

其中，字段检测框学习的特征与字段真实框之间的损失越大，第二得分越高。第二得分越高，说明字段检测框学习的特征与字段真实框之间的差异越大，结构化信息提取模型对目标垂类票据图像的检测效果越差，目标垂类票据图像是难样本票据图像的概率越高。字段检测框学习的特征与字段真实框之间的损失越小，第二得分越低。第二得分越低，说明字段检测框学习的特征与字段真实框之间的差异越小，结构化信息提取模型对目标垂类票据图像的检测效果越好，目标垂类票据图像是难样本票据图像的概率越低。去噪自编码器是一类接受损坏数据作为输入，并训练来预测原始未被损坏数据作为输入的自编码器。

实践中，针对目标垂类票据图像集数据量大但是无法有效提取对结构化提取模型有用的难样本票据图像，设计了基于自编码器的数据挖掘算法。该算法的主要目的是挖掘目标垂类票据图像集的数据分布，然后利用第一得分挖掘与目标垂类票据图像集差异较大的难样本票据图像的分布。在这个过程中，如果单独使用自编码器会出现召回率高，但准确率低的问题。为了解决这个问题，提出了去噪自编码器算法，添加额外分布转化监督头。经过难样本挖掘后，可以在目标垂类票据图像集中获取难样本票据图像，从而提升挖掘效果。

步骤305，将第一得分大于第一预设得分阈值的目标垂类图像确定为难样本票据图像；或者将第二得分大于第二预设得分阈值的目标垂类图像确定为难样本票据图像。

在本实施例中，上述执行主体可以设定第一预设得分阈值，将第一得分与第一预设得分阈值进行比较，将第一得分大于第一预设得分阈值的目标垂类图像确定为难样本票据图像。或者，设定第二预设得分阈值，将第二得分与第二预设得分阈值进行比较，将第二得分大于第二预设得分的目标垂类票据图像确定为难样本票据图像。通过阈值判断能够快速地挖掘出难样本票据图像。

需要说明的是，第一预设得分阈值和第二预设得分阈值可以相同，也可以不同，具体数值可以根据实际情况进行设定。图2所示的实施例中，目标垂类票据图像对应的得分可以是第一得分、第二得分，以及第一得分与第二得分的和中的任意一项，只要任意一项大于对应的预设得分阈值，即可将该目标垂类图像确定为难样本票据图像。

从图3中可以看出，与图2对应的实施例相比，本实施例中的难样本挖掘方法突出了挖掘步骤。由此，本实施例描述的方案结合自编码器和去噪编码器挖掘难样本票据图像，能够从数据量大的目标垂类票据图像集中有效提取对结构化提取模型有用的难样本票据图像。并且，解决了单独使用自编码器会出现召回率高，但准确率低的问题。去噪编码器添加额外分布转化监督头，从而提升挖掘效果。

进一步参考图4，其示出了根据本公开的难样本挖掘方法的另一个实施例的流程400。该难样本挖掘方法包括以下步骤：

步骤401，拉取回流票据图像。

在本实施例中，难样本挖掘方法的执行主体可以拉取回流票据图像。

其中，回流票据图像可以是在利用结构化提取模型进行业务检测的场景中定期或不定期收集的用户请求的票据图像。通常，上述执行主体对接外部数据库，自动拉取特定的回流票据图像。通过系统API(Application Programming Interface，应用程序编程接口)送入到细粒度分类模型进行筛选。回流票据图像可以通过线上操作、自动转换、保存和解析等处理，大大缩短了数据传输时间，且更为方便的筛选数据。其中，自动转换可以将回流票据图像转换为二进制。保存可以是保存回流票据图像的二进制数据。解析可以是将回流票据图像的二进制数据解析为图像。

步骤402，接收输入的目标垂类标识。

在本实施例中，上述执行主体可以接收输入的目标垂类标识。

其中，票据具有不同的垂类，包括但不限于增值税发票、医疗收费票据等等。目标垂类可以是任一垂类。

步骤403，基于目标垂类标识，将回流票据图像输入至预先训练的细粒度分类模型，筛选得到目标垂类票据图像。

在本实施例中，上述执行主体可以基于目标垂类标识，将回流票据图像输入至预先训练的细粒度分类模型，筛选得到目标垂类票据图像。

其中，细粒度分类模型可以用于对票据图像进行分类，是通过深度学习方法利用深度学习方法利用训练样本集预先训练得到的。这里的训练样本集中的训练样本可以是标注有垂类的样本票据图像。细粒度分类模型可以针对回流票据图像筛选出目标垂类票据图像。细粒度分类模型可以支持上百种垂类，且支持多方向视图。细粒度分类模型可以自动解析回流票据图像。具体地，输入目标垂类标识，经过细粒度分类模型，即可得到目标垂类票据图像。例如，将目标垂类标识和回流票据图像同时输入至细粒度分类模型，输出目标垂类票据图像。又例如，将回流票据图像输入至细粒度分类模型，输出回流票据图像的垂类标识。基于目标垂类标识从中筛选出属于目标垂类的票据图像。

步骤404，将目标垂类票据图像集中的目标垂类票据图像输入至结构化信息提取模型，得到目标垂类票据图像的字段检测框。

步骤405，将目标垂类票据图像和字段检测框输入至垂类挖掘模型，得到目标垂类票据图像对应的得分。

步骤406，基于得分从目标垂类票据图像集中选取难样本票据图像。

在本实施例中，步骤404-406具体操作已在图2所示的实施例中步骤202-204进行了详细的介绍，在此不再赘述。

步骤407，将难样本票据图像输入至预标注模型，得到难样本票据图像的字段标注框。

在本实施例中，上述执行主体可以将难样本票据图像输入至预标注模型，得到难样本票据图像的字段标注框。

其中，预标注模型可以用于标注票据图像的字段，是通过深度学习方法利用训练样本集预先训练得到的。这里的训练样本中的训练样本可以是标注有字段标注框的样本票据图像。

步骤408，将难样本票据图像作为输入，将字段标注框作为监督，优化结构化信息提取模型。

在本实施例中，将难样本票据图像作为输入，将字段标注框作为监督，优化结构化信息提取模型。

通常，难样本票据图像和其通过预标注模型得到的字段标注框可以增加到结构化信息提取模型的训练样本集中，然后一起自动送入结构化信息提取模型训练代码中，优化迭代得到新的结构化信息提取模型。

从图4中可以看出，与图2对应的实施例相比，本实施例中的难样本挖掘方法增加了目标垂类票据图像集获取步骤和结构化信息提取模型优化步骤。由此，本实施例描述的方案面向解决OCR垂类持续性优化的问题。通过线上数据自动回流、特定垂类数据筛选、难样本挖掘和模型迭代更新流程，形成一套适用于OCR垂类持续优化的数据闭环系统。该系统可在较低人工成本的前提下，高效地对业务场景中积累的数据进行筛选、挖掘，对线上原有模型进行不断地优化迭代。整个系统基本无需太多的人工操作，便可完成线上原有模型的持续迭代和优化。不仅大大降低了时间成本和人工成本，还在数据的精准定位和挖掘精度上有很大的提高。与此同时，模型的效果也进一步得到提升和优化。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种难样本挖掘装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的难样本挖掘装置500可以包括：获取模块501、提取模块502、挖掘模块503和选取模块504。其中，获取模块501，被配置成获取目标垂类票据图像集；提取模块502，被配置成将目标垂类票据图像集中的目标垂类票据图像输入至结构化信息提取模型，得到目标垂类票据图像的字段检测框；挖掘模块503，被配置成将目标垂类票据图像和字段检测框输入至垂类挖掘模型，得到目标垂类票据图像对应的得分，其中，得分用于表征字段检测框与字段真实框之间的差异；选取模块504，被配置成基于得分从目标垂类票据图像集中选取难样本票据图像。

在本实施例中，难样本挖掘装置500中：获取模块501、提取模块502、挖掘模块503和选取模块504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，挖掘模块503进一步被配置成：将目标垂类票据图像和字段检测框经过自编码器，得到字段检测框学习的特征与字段检测框之间的损失，作为第一得分；将目标垂类票据图像和字段检测框经过去噪自编码器，得到字段检测框学习的特征与字段真实框之间的损失，作为第二得分。

在本实施例的一些可选的实现方式中，选取模块504进一步被配置成：将得分大于预设得分阈值的目标垂类票据图像确定为难样本票据图像。

在本实施例的一些可选的实现方式中，选取模块504进一步被配置成：基于得分对目标垂类票据图像集进行聚类，得到多个簇；将聚类系数小于预设系数阈值的簇所包含的目标垂类票据图像确定为难样本票据图像。

在本实施例的一些可选的实现方式中，获取模块501进一步被配置成：拉取回流票据图像；接收输入的目标垂类标识；基于目标垂类标识，将回流票据图像输入至预先训练的细粒度分类模型，筛选得到目标垂类票据图像。

在本实施例的一些可选的实现方式中，难样本挖掘装置500还包括：标注模块，被配置成将难样本票据图像输入至预标注模型，得到难样本票据图像的字段标注框；优化模块，被配置成将难样本票据图像作为输入，将字段标注框作为监督，优化结构化信息提取模型。

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。

图6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如难样本挖掘方法。例如，在一些实施例中，难样本挖掘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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的难样本挖掘方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行难样本挖掘方法。

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，也可以是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提供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 (14)

1.一种难样本挖掘方法，包括：

获取目标垂类票据图像集；

将所述目标垂类票据图像集中的目标垂类票据图像输入至结构化信息提取模型，得到所述目标垂类票据图像的字段检测框；

将所述目标垂类票据图像和所述字段检测框输入至垂类挖掘模型，得到所述目标垂类票据图像对应的得分，其中，得分用于表征字段检测框与字段真实框之间的差异；

基于得分从所述目标垂类票据图像集中选取难样本票据图像；

其中，所述将所述目标垂类票据图像和所述字段检测框输入至垂类挖掘模型，得到所述目标垂类票据图像对应的得分，包括：

将所述目标垂类票据图像和所述字段检测框经过自编码器，得到所述字段检测框学习的特征与所述字段检测框之间的损失，作为第一得分；

将所述目标垂类票据图像和所述字段检测框经过去噪自编码器，得到所述字段检测框学习的特征与字段真实框之间的损失，作为第二得分。

2.根据权利要求1所述的方法，其中，所述基于得分从所述目标垂类票据图像集中选取难样本票据图像，包括：

将得分大于预设得分阈值的目标垂类票据图像确定为所述难样本票据图像。

3.根据权利要求1所述的方法，其中，所述将所述目标垂类票据图像和所述字段检测框输入至垂类挖掘模型，得到所述目标垂类票据图像对应的得分，包括：

将所述第一得分大于第一预设得分阈值的目标垂类图像确定为所述难样本票据图像；或者

将所述第二得分大于第二预设得分阈值的目标垂类图像确定为所述难样本票据图像。

4.根据权利要求1所述的方法，其中，所述基于得分从所述目标垂类票据图像集中选取难样本票据图像，包括：

基于得分对所述目标垂类票据图像集进行聚类，得到多个簇；

将聚类系数小于预设系数阈值的簇所包含的目标垂类票据图像确定为所述难样本票据图像。

5.根据权利要求1-4中任一项所述的方法，其中，所述获取目标垂类票据图像集，包括：

拉取回流票据图像；

接收输入的目标垂类标识；

基于所述目标垂类标识，将所述回流票据图像输入至预先训练的细粒度分类模型，筛选得到所述目标垂类票据图像。

6.根据权利要求1-4中任一项所述的方法，其中，所述方法还包括：

将所述难样本票据图像输入至预标注模型，得到所述难样本票据图像的字段标注框；

将所述难样本票据图像作为输入，将所述字段标注框作为监督，优化所述结构化信息提取模型。

7.一种难样本挖掘装置，包括：

获取模块，被配置成获取目标垂类票据图像集；

提取模块，被配置成将所述目标垂类票据图像集中的目标垂类票据图像输入至结构化信息提取模型，得到所述目标垂类票据图像的字段检测框；

挖掘模块，被配置成将所述目标垂类票据图像和所述字段检测框输入至垂类挖掘模型，得到所述目标垂类票据图像对应的得分，其中，得分用于表征字段检测框与字段真实框之间的差异；

选取模块，被配置成基于得分从所述目标垂类票据图像集中选取难样本票据图像；

其中，所述挖掘模块进一步被配置成：

将所述目标垂类票据图像和所述字段检测框经过自编码器，得到所述字段检测框学习的特征与所述字段检测框之间的损失，作为第一得分；

将所述目标垂类票据图像和所述字段检测框经过去噪自编码器，得到所述字段检测框学习的特征与字段真实框之间的损失，作为第二得分。

8.根据权利要求7所述的装置，其中，所述选取模块进一步被配置成：

将得分大于预设得分阈值的目标垂类票据图像确定为所述难样本票据图像。

9.根据权利要求7所述的装置，其中，所述选取模块进一步被配置成：

将所述第一得分大于第一预设得分阈值的目标垂类图像确定为所述难样本票据图像；或者

将所述第二得分大于第二预设得分阈值的目标垂类图像确定为所述难样本票据图像。

10.根据权利要求7所述的装置，其中，所述选取模块进一步被配置成：

基于得分对所述目标垂类票据图像集进行聚类，得到多个簇；

将聚类系数小于预设系数阈值的簇所包含的目标垂类票据图像确定为所述难样本票据图像。

11.根据权利要求7-10中任一项所述的装置，其中，所述获取模块进一步被配置成：

拉取回流票据图像；

接收输入的目标垂类标识；

基于所述目标垂类标识，将所述回流票据图像输入至预先训练的细粒度分类模型，筛选得到所述目标垂类票据图像。

12.根据权利要求7-10中任一项所述的装置，其中，所述装置还包括：

标注模块，被配置成将所述难样本票据图像输入至预标注模型，得到所述难样本票据图像的字段标注框；

优化模块，被配置成将所述难样本票据图像作为输入，将所述字段标注框作为监督，优化所述结构化信息提取模型。

13.一种电子设备，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1-6中任一项所述的方法。

14.一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1-6中任一项所述的方法。