CN114155543A - 神经网络训练方法、文档图像理解方法、装置和设备 - Google Patents

Abstract

本公开提供了一种神经网络训练方法、文档图像理解方法、装置和设备，涉及人工智能领域，具体涉及计算机视觉技术、图像处理技术、文字识别技术、自然语言处理技术和深度学习技术。训练方法包括：获取原始图像中的多个第一文本的文本综合特征；将原始图像中的至少一个原始区域进行替换，以得到包括多个第一区域的样本图像和指示每个第一区域是否是被替换的区域的真实标签；获取多个第一区域的图像综合特征；将多个第一文本的文本综合特征和多个第一区域的图像综合特征同时输入神经网络模型，以得到多个第一文本的文本表示特征；基于多个第一文本的文本表示特征，确定预测标签；以及基于真实标签和预测标签，训练神经网络模型。

Description

神经网络训练方法、文档图像理解方法、装置和设备

技术领域

本公开涉及人工智能领域，具体涉及计算机视觉技术、图像处理技术、文字识别技术、自然语言处理技术和深度学习技术，特别涉及一种用于文档图像理解的神经网络模型的训练方法、一种利用神经网络模型的用于文档图像理解的方法、一种用于文档图像理解的神经网络模型的训练装置、一种利用神经网络模型的用于文档图像理解的装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

近年来，通用多模态场景下的预训练技术得到快速发展。对于同时具有文本和图像信息作为输入的模型，通常需要设计相应的预训练任务来提高文本和图像信息的交互，加强模型在多模态场景下处理下游任务的能力。常见的图文交互任务在常规的多模态场景下表现优秀，但是在图文信息高度匹配的文档场景中的表现不尽人意。在这种场景下，如何设计更合适的图文交互任务来加强模型在文档场景的下游任务中的表现能力是目前亟待解决的重难点问题。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于文档图像理解的神经网络模型的预训练方法、一种利用神经网络模型的用于文档图像理解的方法、一种用于文档图像理解的神经网络模型的训练装置、一种利用神经网络模型的用于文档图像理解的装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于文档图像理解的神经网络模型的训练方法，该方法包括：获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征，其中，第一文本综合特征至少表征对应的第一文本的文本内容信息；基于预设规则在第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域；在第一原始文档图像中将至少一个原始图像区域替换为至少一个替换图像区域，以得到第一样本文档图像和真实标签，其中，第一样本文档图像包括多个第一图像区域，多个第一图像区域包括至少一个替换图像区域和多个原始图像区域中的未被替换的至少另一原始图像区域，其中，真实标签指示多个第一图像区域中的每一个第一图像区域是否为替换图像区域；获取与多个第一图像区域对应的多个第一图像综合特征，其中，第一图像综合特征至少表征对应的第一图像区域的图像内容信息；将多个第一文本综合特征和多个第一图像综合特征同时输入神经网络模型，以得到神经网络模型输出的与多个第一文本对应的多个第一文本表示特征，其中，神经网络模型被配置为针对多个第一文本中的每一个第一文本，将与该第一文本对应的第一文本综合特征与多个第一图像综合特征融合，以生成与该第一文本对应的第一文本表示特征；基于多个第一文本表示特征，确定预测标签，其中，预测标签指示对多个第一图像区域中的每一个第一图像区域是否为替换图像区域的预测结果；以及基于真实标签和预测标签，训练神经网络模型。

根据本公开的另一方面，提供了一种用于文档图像理解的神经网络模型的训练方法，该方法包括：获取样本文档图像和真实标签，其中，真实标签指示对样本文档图像执行目标文档图像理解任务的期望结果；获取与样本文档图像中的多个文本对应的多个文本综合特征，其中，文本综合特征至少表征对应的文本的文本内容信息；获取与样本文档图像中的多个图像区域对应的多个图像综合特征，其中，图像综合特征至少表征对应的图像区域的图像内容信息；至少将多个文本综合特征和多个图像综合特征同时输入神经网络模型，以得到神经网络模型输出的至少一个表示特征，其中，神经网络模型是利用上述训练方法训练得到的；基于至少一个表示特征，确定预测标签，其中，预测标签指示对样本文档图像执行目标文档图像理解任务的实际结果；以及基于真实标签和预测标签，进一步训练神经网络模型。

根据本公开的另一方面，提供了一种利用神经网络模型的用于文档图像理解的方法，该方法包括：获取与文档图像中的多个文本对应的多个文本综合特征，其中，文本综合特征至少表征对应的文本的文本内容信息；获取与文档图像中的多个图像区域对应的多个图像综合特征，其中，图像综合特征至少表征对应的图像区域的图像内容信息；至少将多个文本综合特征和多个图像综合特征同时输入神经网络模型，以得到神经网络模型输出的至少一个表示特征，其中，神经网络模型是利用上述训练方法训练得到的；以及基于至少一个表示特征，确定文档图像理解结果。

根据本公开的另一方面，提供了一种用于文档图像理解的神经网络模型的训练装置，该装置包括：第一获取单元，被配置为获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征，其中，第一文本综合特征至少表征对应的第一文本的文本内容信息；区域确定单元，被配置为基于预设规则在第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域；区域替换单元，被配置为在所述第一原始文档图像中将至少一个原始图像区域替换为至少一个替换图像区域，以得到第一样本文档图像和真实标签，其中，第一样本文档图像包括多个第一图像区域，多个第一图像区域包括至少一个替换图像区域和多个原始图像区域中的未被替换的至少另一原始图像区域，其中，真实标签指示多个第一图像区域中的每一个第一图像区域是否为替换图像区域；第二获取单元，被配置为获取与多个第一图像区域对应的多个第一图像综合特征，其中，第一图像综合特征至少表征对应的第一图像区域的图像内容信息；神经网络模型，被配置为针对多个第一文本中的每一个第一文本，将接收到的与该第一文本对应的第一文本综合特征与接收到的多个第一图像综合特征融合，以生成用于输出的与该第一文本对应的第一文本表示特征；第一预测单元，被配置为基于多个第一文本表示特征，确定预测标签，其中，预测标签指示对多个第一图像区域中的每一个第一图像区域是否为替换图像区域的预测结果；以及第一训练单元，被配置为基于真实标签和预测标签，训练神经网络模型。

根据本公开的另一方面，提供了一种用于文档图像理解的神经网络模型的训练装置，该装置包括：第三获取单元，被配置为获取样本文档图像和真实标签，其中，真实标签指示对样本文档图像执行目标文档图像理解任务的期望结果；第四获取单元，被配置为获取与样本文档图像中的多个文本对应的多个文本综合特征，其中，文本综合特征至少表征对应的文本的文本内容信息；第五获取单元，被配置为获取与样本文档图像中的多个图像区域对应的多个图像综合特征，其中，图像综合特征至少表征对应的图像区域的图像内容信息；神经网络模型，被配置为至少基于接收到的多个文本综合特征和多个图像综合特征，生成用于输出的至少一个表示特征，其中，神经网络模型是利用上述训练装置训练得到的；第二预测单元，被配置为基于至少一个表示特征，确定预测标签，其中，预测标签指示对样本文档图像执行目标文档图像理解任务的实际结果；以及第二训练单元，被配置为基于真实标签和预测标签，进一步训练神经网络模型。

根据本公开的另一方面，提供了一种利用神经网络模型的用于文档图像理解的装置，该装置包括：第六获取单元，被配置为获取与文档图像中的多个文本对应的多个文本综合特征，其中，文本综合特征至少表征对应的文本的文本内容信息；第七获取单元，被配置为获取与文档图像中的多个图像区域对应的多个图像综合特征，其中，图像综合特征至少表征对应的图像区域的图像内容信息；神经网络模型，被配置为至少基于接收到的多个文本综合特征和多个图像综合特征，生成用于输出的至少一个表示特征，其中，神经网络模型是利用上述训练装置训练得到的；以及第三预测单元，被配置为基于至少一个表示特征，确定文档图像理解结果。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些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上述方法。

根据本公开的另一方面，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，计算机指令用于使计算机执行上述方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。

根据本公开的一个或多个实施例，通过将文档图像中的文本的文本特征和将文档图像中的部分区域进行替换而得到的样本文档图像的多个区域的图像特征同时输入神经网络模型，并使用模型输出的文本表示预测图文不匹配的区域，进而基于预测标签和真实标签训练模型，实现了对细粒度的结合图文信息的文本表示的学习，同时增强了图像和文本两个模态之间的交互性，进而提升了神经网络模型在文档场景的下游任务中的表现。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1A示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图1B示出了根据本公开的实施例的用于实施本文描述的各种方法的示例性神经网络模型及其上下游任务的示意图；

图2示出了根据本公开示例性实施例的用于文档图像理解的神经网络模型的训练方法的流程图；

图3A示出了根据本公开示例性实施例的文档图像的示意图；

图3B示出了根据本公开示例性实施例的对文档图像进行文本识别的示意图；

图3C示出了根据本公开示例性实施例的对文档图像的部分图像区域进行替换的示意图；

图4示出了根据本公开示例性实施例的获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征的流程图；

图5示出了根据本公开示例性实施例的获取与多个第一图像区域对应的多个第一图像综合特征的流程图；

图6示出了根据本公开示例性实施例的用于文档图像理解的神经网络模型的训练方法的流程图；

图7示出了根据本公开示例性实施例的用于文档图像理解的神经网络模型的训练方法的流程图；

图8示出了根据本公开示例性实施例的利用神经网络模型的用于文档图像理解的方法的流程图；

图9示出了根据本公开示例性实施例的用于文档图像理解的神经网络模型的训练装置的结构框图；

图10示出了根据本公开示例性实施例的用于文档图像理解的神经网络模型的训练装置的结构框图；

图11示出了根据本公开示例性实施例的利用神经网络模型的用于文档图像理解的装置的结构框图；以及

图12出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术中，常用的图文交互预训练任务包括文本匹配任务和图像重建两种：图文匹配任务指的是使用模型下游输出的表示特征来进行分类，判断输入到模型中的图文对是否相匹配，或者说输入的文本是否能描述输入的图片；图像重构指的是通过模型的下游的输出向量来重建输入的完整图像。

图文匹配任务使用图文相关的样本作为正例，图文不符的样本作为负例。在文档场景中，文字内容与图像内容是强相关的，判断图文是否匹配是一个非常简单的任务，对多模态信息交互帮助不大；图重构方法在文档场景中对于文档的布局信息重构具有较大帮助，但难以将文本内容准确复现，使得模型难以理解文字与图像更细粒度上的关系。

为解决上述问题，本公开通过将文档图像中的文本的文本特征和将文档图像中的部分区域进行替换而得到的样本文档图像的多个区域的图像特征同时输入神经网络模型，并使用模型输出的文本表示预测图文不匹配的区域，进而基于预测标签和真实标签训练模型，实现了对细粒度的结合图文信息的文本表示的学习，同时增强了图像和文本两个模态之间的交互性，进而提升了神经网络模型在文档场景的下游任务中的表现。

下面将结合附图详细描述本公开的实施例。

图1A示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1A，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行用于文档图像理解的神经网络模型的预训练方法、用于文档图像理解的神经网络模型的微调训练方法、或利用神经网络模型的用于文档图像理解的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)网络下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1A所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1A是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来进行文档图像理解。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口，例如，用户可以利用客户端通过各种输入设备采集文档图像，也可以利用客户端执行用于文档图像理解的方法。客户端设备还可以经由该接口向用户输出信息，例如，客户端可以向用户输出文档图像理解的结果。尽管图1A仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1A的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图1B示出了根据本公开的实施例的用于实施本文描述的各种方法的示例性神经网络模型170及其上下游任务的示意图。参考图1B，在神经网络模型170上游，通过执行文本信息提取150和图像信息提取160能够得到文本和图像各自的用于输入神经网络的特征，而在神经网络模型的下游可以根据目标190中的不同任务以对神经网络模型170进行训练或得到文档图像理解结果。

文档信息提取150可以包括光学字符识别(Optical Character Recognition，OCR)152、切词算法WordPiece 154、以及文本嵌入156三个子任务。通过对文档图像依次执行这三个子任务，能够提取文档图像中的各个文本的文本特征，用以输入神经网络模型170。在一些实施例中，文本特征可以包括表征文本内容信息的嵌入特征186，表征文本位置信息的一维位置特征182和二维位置特征184。在一个示例性实施例中，一维位置特征可以指示文本的阅读顺位，二维位置特征可以为包围文本的边界框的位置、形状、尺寸等信息。尽管图1B仅描述了上述三种文本信息提取子任务，本领域技术人员还可以使用其他方法或方法的组合来执行文本信息提取。

图像信息提取160可以包括图像区域划分162和图像编码网络ResNet 164。图像区域划分162能够将文档图像划分为多个图像区域，而利用ResNet 164能够提取出各个图像区域的图像特征，用以输入神经网络模型170。在一些示例中，图像特征可以包括表征图像内容信息的嵌入特征186，表征图像位置信息的一维位置特征182和二维位置特征184。在一个示例性实施例中，一维位置特征可以指示图像区域的阅读顺位，二维位置特征可以为图像区域的位置、形状、尺寸等信息。应当理解，ResNet 164仅为图像信息提取的一个示例，本领域技术人员还可以使用其他图像编码网络或使用其他方法或方法的组合来执行图像特征提取。

在神经网络模型170的输入中，除了与文本、图像相关的特征外，还可以包括基于特殊符号的特征。特殊符号例如可以包括：位于输入开始前并且与其对应的输出能够作为全部特征的综合表示的分类符号[CLS]、表示同一组或同一类型的特征已输入完全的分割符号[SEP]、用于隐藏部分输入信息的掩码符号[MASK]、以及表示未知输入的未知符号[UNK]等。可以对这些符号进行嵌入，并为这些符号设计相应的一维位置特征和二维位置特征，以得到每个符号的用于输入神经网络模型170的特征。在一个示例性实施例中，将与神经网络模型170的每一个输入对应的一维位置特征182、二维位置特征184、以及嵌入特征186直接相加，可以得到用于输入神经网络模型的输入特征。

神经网络模型170可以采用一个或多个串联的Transformer结构(Transformer编码器)来搭建。针对每一个输入，神经网络模型170利用注意力机制将该输入的信息与所有输入的信息进行融合，以得到多模态图文信息的表示特征188。应当理解，Transformer结构为神经网络模型170的底层实现的一个示例，不旨在进行限制。

目标190为可以利用神经网络模型输出的表示特征188执行的任务，包括细粒度图文匹配任务192、掩码语言模型194、微调196、以及用于文档图像理解的下游任务198。需要注意的是，这些任务可以接收表示特征188中的部分特征。在一个示例中，细粒度图文匹配任务192可以只接收与文本相关的表示特征(即，从T1到第一个[SEP]之前的所有表示特征，不包括[SEP])，并基于这些特征预测样本图像中的哪些图像区域是被替换的。任务192、194、196、198将在下文进行详细描述。可以理解的是，尽管图1B仅描绘了四种任务，本领域技术人员可以根据需求自行设计目标，并利用神经网络模型170完成目标。

图1B中的各个神经网络模型、上下游任务、输入/输出特征可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的一方面，提供了一种用于文档图像理解的神经网络模型的训练方法。如图2所示，该方法包括：步骤S201、获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征，其中，第一文本综合特征至少表征对应的第一文本的文本内容信息；步骤S202、基于预设规则在第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域；步骤S203、在第一原始文档图像中将至少一个原始图像区域替换为至少一个替换图像区域，以得到第一样本文档图像和真实标签，其中，第一样本文档图像包括多个第一图像区域，多个第一图像区域包括至少一个替换图像区域和多个原始图像区域中的未被替换的至少另一原始图像区域，其中，真实标签指示多个第一图像区域中的每一个第一图像区域是否为替换图像区域；步骤S204、获取与多个第一图像区域对应的多个第一图像综合特征，其中，第一图像综合特征至少表征对应的第一图像区域的图像内容信息；步骤S205、将多个第一文本综合特征和多个第一图像综合特征同时输入神经网络模型，以得到神经网络模型输出的与多个第一文本对应的多个第一文本表示特征，其中，神经网络模型被配置为针对多个第一文本中的每一个第一文本，将与该第一文本对应的第一文本综合特征与多个第一图像综合特征融合，以生成与该第一文本对应的第一文本表示特征；步骤S206、基于多个第一文本表示特征，确定预测标签，其中，预测标签指示对多个第一图像区域中的每一个第一图像区域是否为替换图像区域的预测结果；以及步骤S207、基于真实标签和预测标签，训练神经网络模型。

由此，通过将文档图像中的文本的文本特征和将文档图像中的部分区域进行替换而得到的样本文档图像的多个区域的图像特征同时输入神经网络模型，并使用模型输出的文本表示预测图文不匹配的区域，进而基于预测标签和真实标签训练模型，实现了对细粒度的结合图文信息的文本表示的学习，同时增强了图像和文本两个模态之间的交互性，进而提升了神经网络模型在文档场景的下游任务中的表现。

文档图像理解的应用行业可以包括：金融、法律、保险、能源、物流、医疗等，文档的示例可以包括：票据、单据、信函、信封、合同、文书、公文、报表、账单、处方等。针对不同行业和不同应用场景的需求，文档图像理解任务例如可以包括文档信息抽取、文档内容解析、文档对比等。可以理解的是，文档图像理解还可以应用于更广泛的领域和应用场景中，文档的类型也不限于上述示例。

文档图像可以包括各个类型的文档的电子件、扫描件或其他的形式的图像，通常其主要内容为文本、字符、数字或特殊符号，部分类型的文档还可以具有特定的版式。在一个示例中，如图3A所示，文档图像300包括多个文本，并且具有规律排布的特定版式。

根据一些实施例，如图4所示，步骤S201、获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征可以包括：步骤S401、对第一原始文档图像进行文本识别，以得到第一初始文本；步骤S402、将第一初始文本划分为多个第一文本；步骤S403、将多个第一文本进行嵌入，以得到多个第一文本嵌入特征；以及步骤S405、基于多个第一文本嵌入特征，构造多个第一文本综合特征。

由此，通过使用文本识别技术，能够准确地得到文档图像中的文本内容(即，第一初始文本)，进而通过对这些文本内容进行划分，以得到粒度适中的多个第一文本，并将这些第一文本进行嵌入，能够得到表征文本内容信息的第一文本嵌入特征，作为用于构造输入模型的第一文本综合特征的材料，使得神经网络模型能够学习到每一个第一文本的文本内容信息。应当理解，文本内容信息可以是与文本的具体内容(例如，字符)相关的信息。类似地，文本的相关信息还可以包括与文本在文档图像中的绝对位置或相对位置相关并且与文本内容无关的文本位置信息，如下文将要描述的。

在步骤S401，例如可以使用OCR对第一原始文档图像进行文本识别，以得到第一原始文档图像中位于不同位置的一个或多个文本段落，这些文本段落可以被称为第一初始文本。

文本识别的结果还可以包括包围这些文本段落的边界框。在一个示例中，如图3B所示，通过对文档图像300进行文本识别，可以得到标题、菜品、价格等多个文本段落，以及包围这些文本段落的边界框。边界框的部分属性(例如，边界框的坐标、形状、尺寸等)能够作为对应的文本段落的位置信息。在一些实施例中，这些边界框可以具有规则的形状(例如，矩形)，也可以具有不规则形状(例如，不规则多边形或不规则曲线围成的形状)。在一些实施例中，边界框的坐标可以使用边界框所围成的区域的中心点坐标来表示，也可以用边界框上的多个点(例如，矩形或不规则多边形的部分或全部顶点、不规则曲线上的多个点)的坐标来表示。在一些实施例中，边界框的尺寸可以使用边界框的宽度、高度、或两者来表示，也可以通过边界框的面积或在文档图像中的面积占比来表示。可以理解的是，上述描述仅为示例性的，本领域技术人员可以使用其他方式描述这些边界框的属性，也可以为边界框设计更丰富的属性，以得到更丰富的文本位置信息，在此不做限定。

在步骤S402，例如可以直接将上述位于不同位置的一个或多个文本段落作为多个第一文本，以实现对第一初始文本的划分，也可以使用分词算法对第一初始文本中的每一个文本段落进行进一步切分，以得到粒度适中的第一文本。在一个示例性实施例中，可以使用WordPiece算法对第一初始文档中的文本段落进行分词。可以理解的是，本领域技术人员可以使用其他算法对第一初始文本中的文本段落进行分词，也可以使用其他方式对第一初始文本进行划分，在此不做限定。在一个示例中，对文档图像300中的文本段落“欢迎下次光临”进行分词可以得到“欢迎”、“下次”、“光临”三个第一文本。

在步骤S403，例如可以使用预先训练好的文本嵌入模型对第一文本进行嵌入，以得到对应的第一文本嵌入特征。文本嵌入模型可以将文本内容信息映射到低维特征空间中，相比于独热(one-hot)特征能够显著降低对文本特征的维度，并且能够体现文本间的相似性关系。文本嵌入模型的一个示例是词嵌入模型，可以使用词袋方法或Skip-Gram方法对其进行训练。在一些实施例中，可以将大量文本的嵌入特征预先存入到词表中，使得能够在步骤S403直接从词表中索引到与第一文本对应的第一文本嵌入特征。

在一些实施例中，在得到多个第一文本嵌入特征后，可以直接执行步骤S405以将每一个第一文本的第一文本嵌入特征作为与该第一文本对应的第一文本综合特征，从而使得接收表征第一文本中的文本内容信息的第一文本综合特征的神经网络模型能够学习到文本内容信息。在另一些实施例中，还可以将第一文本的其他信息与第一文本嵌入特征融合，以得到能够进一步表征第一文本的更丰富的信息的第一文本综合特征。

根据一些实施例，如图4所示，步骤S201、获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征还可以包括：步骤S404、获取多个第一文本各自的文本位置信息。

根据一些实施例，第一文本的文本位置信息可以包括第一文本位置信息。第一文本位置信息，或称为一维位置信息，可以指示对应的第一文本在第一原始文档图像中的阅读顺位。阅读顺位能够反映这些第一文本之间的符合逻辑的阅读顺序关系。

由此，通过向神经网络模型输入指示多个第一文本之间符合逻辑的阅读顺序的第一文本位置信息，提升了模型对文档图像中的不同第一文本进行区分的能力。

第一文本的阅读顺位例如可以是基于预设规则所确定的。在一个示例中，可以基于从上到下逐行阅读，从左到右逐字阅读的预设规则确定各个第一文本的阅读顺位。第一文本的阅读顺位例如也可以通过使用例如机器学习的方法进行预测而确定的，还可以是通过其他方式确定的，在此不做限定。在一些实施例中，在步骤S401得到的对第一原始文档图像的文本识别结果可以包括作为第一初始文本的一个或多个段落各自的阅读顺位，则可以进一步确定每个段落内的第一文本的阅读顺序并将其与段落间的阅读顺序相结合，以得到全局的所有第一文本各自的阅读顺位(即，第一文本位置信息)。

在一个示例中，图3A中的文档图像300中的多个第一文本的阅读顺序例如可以为：“消费”→“账单”→“桌台”→“：”→“1桌”→“餐种”→“：”→“晚餐”→“菜名”→“单价”→“数量”→“合计”→“锅贴”→“26”→“1”→“26”→“左宗棠鸡”→“40”→“1”→“40”→“蒙古牛肉”→“58”→“1”→“58”→“炸蟹角”→“20”→“1”→“20”→“消费”→“金额”→“：”→“144”→“优惠”→“金额”→“：”→“7.2”→“应收”→“金额”→“：”→“136.8”→“欢迎”→“下次”→“光临”。

根据一些实施例，可以为每一个第一文本指定表示其阅读顺位的序号，并将这样的序号直接作为该第一文本的第一文本位置信息，也可以将序号进行嵌入以得到第一文本位置特征，还可以使用其他形式作为第一文本位置信息的表示，在此不做限定。

根据一些实施例，第一文本的文本位置信息还可以包括第二文本位置信息。第二文本位置信息，或称二维位置信息，可以指示对应的第一文本在第一原始文档图像中的位置、形状、和尺寸中的至少一个。在一些实施例中，可以使用第一文本在图像中覆盖的区域的位置、形状和尺寸作为第二文本位置信息。

由此，通过向神经网络模型输入指示第一文本在图像中的位置、形状、尺寸等与第一文本本身强相关并且能够体现多个第一文本之间位置、大小等关系的属性的第二文本位置信息，提升了模型对文档图像中的不同第一文本进行区分的能力。

根据一些实施例，第二文本位置信息可以指示包围对应的第一文本的边界框上的多个点的坐标、边界框的宽度、和边界框的高度中的至少一个。可以理解的是，使用第一文本在第一原始文档图像中的位置、形状、尺寸、以及包围第一文本的边界框的部分属性作为第二文本位置信息与上文使用包围文本段落的边界框的部分属性作为文本段落的位置信息类似，在此不做赘述。

在一个示例性实施例中，包围第一文本的边界框为与文档图像边缘平行的矩形，第二文本位置信息包括边界框的左上角和右下角的坐标、以及边界框的宽度和高度。

根据一些实施例，可以将点的坐标、边界框宽度或高度等数值直接作为第二文本位置信息，也可以将这些数值进行嵌入以得到第二文本位置特征，还可以使用其他形式作为第二文本位置信息的表示，在此不做限定。

在步骤S405，针对多个第一文本中的每一个第一文本，可以融合该第一文本的文本位置信息和第一文本嵌入特征，以得到与该第一文本对应的第一文本综合特征。在一个示例性实施例中，可以将第一文本嵌入特征、第一文本位置特征以及第二文本位置特征直接相加，以得到相应的第一文本综合特征。可以理解的是，本领域技术人员也可以使用其他方式将第一文本的文本位置信息与第一文本嵌入特征进行融合，以得到能够同时表征第一文本的文本内容信息和文本位置信息的文本综合特征。

由此，通过融合文本位置信息和文本嵌入特征，使得神经网络模型能够对文档图像中的不同位置的文本进行区分，并且能够基于各个文本的位置信息和文本之间的位置关系生成各个文本的文本表示特征。

在得到与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征之后，可以构造用于细粒度图文匹配任务的第一样本文档图像，并进一步获取用于输入神经网络模型的多个第一图像综合特征。

在步骤S202、基于预设规则在第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域。

在一些实施例中，多个原始图像区域可以是通过将第一原始文档图像划分成行数为第三值且列数为第四值的均匀矩形网格而得到的，每一个原始图像区域均为矩形并且具有相同的尺寸。可以理解的是，第三值和第四值越大，图像划分区域越多，越能帮助神经网络模型学习到细粒度的多模态文本表示特征，但会提升训练难度和对计算资源的占用。

在一些实施例中，多个原始图像也可以是基于其他方式(例如，随机裁剪)在第一原始文档图像中确定的。

根据一些实施例，预设规则指示在多个原始图像区域中进行随机选择以确定至少一个原始图像区域。由此，通过在多个原始图像区域中随机选择需要被替换的原始图像区域，避免在第一样本文档图像生成过程中的人为因素对模型训练造成干扰。

在一些实施例中，预设规则还可以指示根据原始图像区域的相关信息(例如，原始图像区域内包括的文本的数量、密度等)选择合适的区域进行替换，从而提升对多模态文本表示特征的学习。可以理解的是，本领域技术人员可以根据需求自行设计相应的预设规则，在此不做限定。

根据一些实施例，多个原始图像区域中的每一个原始图像区域具有不大于50％的预设概率被选择。由此，通过设置相应的预设概率，使得每一个区域被选择(即，被替换)的概率小于50％，以确保大多数情况下，大部分图像区域是图文对齐的，从而促进多模态文本表示特征的学习。

在一些实施例中，在步骤S203，可以预先确定需要被替换的至少一个原始图像区域的数量，进而在多个原始图像区域中确定该数量的至少一个原始区域进行替换。通过这样的方式，能够保证被替换的图像区域数量恒定。

在另一些实施例中，在步骤S203，可以预先确定替换概率，基于该替换概率独立地确定多个原始图像区域中的每一个图像区域是否被替换。通过这样的方式，能够降低计算复杂度，但是最终实际被替换的图像区域的数量不恒定，可能会多于或少于基于该替换概率算出的被替换的图像区域数量的期望值。在一个示例性实施例中，第三值和第四值均为7，原始图像区域的数量为49，替换概率设置为10％，则被替换的图像区域的数量的期望值约等于5。

根据一些实施例，至少一个替换图像区域来自不同于原始文档图像的至少另一文档图像。由此，通过使用文档图像而非任意图像对部分原始图像区域进行替换，使得能够增强神经网络模型对文本表示的学习能力。换句话说，如果使用任意场景的图像进行替换，该图像与文档场景可能相差较远(例如，图像中包括较少的文本甚至不包括文本)，因此模型无需充分学习即可利用文本表示预测出哪些区域是被替换的。

在对至少一个原始图像区域进行替换后，可以得到包括多个第一图像区域的第一样本文档图像。这些第一图像区域可以和多个原始图像区域一一对应，并且包括替换后的至少一个替换图像区域以及多个原始图像区域中未被替换的一个或多个原始图像区域。在一个示例中，如图3A和图3C所示，在确定文档图像300的原始图像区域时所设定的第三值和第四值均为2，并且文档图像300左下角的原始图像区域被替换成了来自另一原始文档图像的替换图像区域，从而得到了样本图像310。

在替换完成后，还可以得到细粒度图文匹配任务的真实标签。该真实标签可以指示多个第一图像区域中的每一个第一图像区域是否为替换图像区域。可以理解的是，本公开并不限定真实标签的表现形式。在一些实施例中，可以使用指示每一个第一图像区域是否为替换图像区域的多个二分类标签作为真实标签，也可以使用记录每一个替换图像区域的标识的列表作为真实标签，还可以使用其他方式作为真实标签的表现形式，在此不做限定。

根据一些实施例，如图5所示，步骤S204、获取与多个第一图像区域对应的多个第一图像综合特征可以包括：步骤S501、获取第一样本文档图像的初始特征图；步骤S502、基于初始特征图，确定与多个第一图像区域对应的多个第一图像嵌入特征；以及步骤S504、基于多个第一图像嵌入特征，构造多个第一图像综合特征。

由此，通过获取包括第一样本文档图像的所有图像内容信息的初始特征图，并对初始特征图中的像素进行拆分、融合，能够得到表征每一个第一图像区域的图像内容信息的第一图像嵌入特征，作为用于构造输入模型的第一图像综合特征的材料。使得神经网络模型能够学习到每一个第一图像区域的图像内容信息。应当理解，图像内容信息可以是与图像或图像区域中的具体内容(例如，像素值)相关的信息。类似地，图像区域的相关信息还可以包括与图像区域在原始图像或样本图像中的绝对位置或相对位置相关的图像位置信息，如下文将要描述的。

在步骤S501，可以将第一样本文档图像输入用于图像特征提取或图像编码的神经网络，以得到初始特征图。在一个示例性实施例中，可以使用ResNet获取第一样本文档图像的初始特征图。可以理解的是，本领域技术人员可以使用其他具有图像特征提取或图像编码功能的神经网络，也可以根据需求自行搭建神经网络，在此不做限定。

根据一些实施例，多个第一图像区域是通过将第一样本文档图像划分成行数为第一值且列数为第二值的均匀矩形网格而得到的。在一些实施例中，划分第一样本文档图像的均匀矩形网格和划分第一原始文档图像的均匀矩形网格可以相同，即第一值等于第三值并且第二值等于第四值。通过这样的方式，可以使得多个第一图像区域和多个原始图像区域一一对应。

根据一些实施例，步骤S502、基于初始特征图，确定与多个第一图像区域对应的多个第一图像嵌入特征可以包括：将初始特征图映射成像素行数为第一值且像素列数为第二值的目标特征图；以及针对多个第一图像区域中的每一个第一图像区域，基于该第一图像区域在第一样本文档图像中的位置，将目标特征图中对应位置的像素确定为与该第一图像区域对应的第一图像嵌入特征。

由此，通过将样本文档图像的初始特征图映射为与划分第一样本文档图像的矩形网格的尺寸相同，使得可以直接将映射后得到的目标特征图中的每个像素对应的特征向量作为第一样本文档图像中位置与该像素对应的第一图像区域的嵌入特征。这样的图像区域划分方式和嵌入特征确定方式可以降低训练过程的计算复杂度和资源占用，同时具有较好的训练效果。

根据一些实施例，将初始特征图映射成像素行数为第一值且像素列数为第二值的目标特征图可以是通过池化而实现的。在一个示例性实施例中，第一值和第二值均为7，可以对初始特征图执行平均池化，以得到像素行数和像素列数均为7的目标特征图。

可选地或附加地，可以将每一个第一图像区域进行裁剪，并基于裁剪后的图像提取对应的第一图像嵌入特征；也可以将初始特征图中与每个第一图像区域对应的区域的像素进行融合(例如，平均池化)，以得到对应的第一图像嵌入特征。进一步地，也可以通过多种方式为第一图像区域确定多个嵌入特征，并融合这些特征以得到用于输入神经网络模型的第一图像嵌入特征。

在一些实施例中，在得到多个第一图像嵌入特征后，可以直接执行步骤S504以将每一个第一图像区域的第一图像嵌入特征作为与该第一图像区域对应的第一图像综合特征，从而使得接收表征第一图像区域的图像内容信息的第一图像综合特征的神经网络模型能够学习到图像内容信息。在另一些实施例中，还可以将第一图像区域的其他信息与第一图像嵌入特征融合，以得到能够进一步表征第一图像区域的更丰富的信息的第一图像综合特征。

根据一些实施例，如图5所示，步骤S204、获取与多个第一图像区域对应的多个第一图像综合特征还可以包括：步骤S503、获取多个第一图像区域各自的图像位置信息。

根据一些实施例，图像位置信息可以包括第一图像位置信息和第二图像位置信息中的至少一个。第一图像位置信息可以指示对应的第一图像区域在第一样本文档图像中的浏览顺位，第二图像位置信息可以指示对应的第一图像区域在第一样本文档图像中的位置、形状、和尺寸中的至少一个。

由此，通过向神经网络模型输入指示多个第一图像区域之间符合逻辑的浏览顺序的第一图像位置信息，提升了模型对文档图像中的不同第一图像区域进行区分的能力。而通过向神经网络模型输入指示第一图像区域在图像中的位置、形状、尺寸等与第一图像区域本身强相关并且能够体现多个第一图像区域之间位置、大小等关系的属性的第二图像位置信息，提升了模型对文档图像中的不同第一图像区域进行区分的能力。

可以理解的是，第一图像区域的浏览顺位的含义和生成方法与第一文本或第一初始文本中的文本段落的阅读顺位的含义和生成方法类似，第一图像区域的位置、形状、和尺寸的含义与获取方式与包围第一文本的边界框或包围第一初始文本中的文本段落的边界框的位置、形状、和尺寸的含义与获取方式类似，在此不做赘述。在一个示例中，图3C中的文档图像310中的多个第一图像区域的浏览顺序例如可以为：左上区域→右上区域→左下区域→右下区域。

在步骤S504、针对多个第一图像区域中的每一个第一图像区域，融合该第一图像区域的图像位置信息和第一图像嵌入特征，以得到与该第一图像区域对应的第一图像综合特征。可以理解的是，本领域技术人员可以参照上文对第一文本位置特征和第二文本位置特征的描述，将第一图像区域的第一图像位置信息和第二图像位置信息进行嵌入，以得到第一图像位置特征和第二图像位置特征。在一个示例性实施例中，可以将第一图像嵌入特征、第一图像位置特征以及第二图像位置特征直接相加，以得到相应的第一图像综合特征。可以理解的是，本领域技术人员也可以使用其他方式将第一图像区域的图像位置信息与第一图像嵌入特征进行融合，以得到能够同时表征第一图像区域的图像内容信息和图像位置信息的图像综合特征。

需要注意的是，在生成上述用于输入神经网络模型的第一文本综合特征和第一图像综合特征时，可以将这些特征映射为其隐藏维度与神经网络模型的隐藏层的维度相一致，以满足模型的输入要求。

在步骤S205、在得到多个第一文本综合特征和多个第一图像综合特征后，可以将这些特征同时输入神经网络模型，以得到神经网络模型输出的与多个第一文本对应的多个第一文本表示特征。

神经网络模型可以适用于文档场景，并且可以用于执行文档图像理解任务。根据一些实施例，神经网络模型基于文心(ERNIE)模型或文心-布局(ERNIE-Layout)模型中的至少一个，可以使用ERNIE或ERNIE-Layout对其进行初始化。

根据一些实施例，神经网络模型可以被配置为针对多个第一文本中的每一个第一文本，将与该第一文本对应的第一文本综合特征与多个第一图像综合特征融合，以生成与该第一文本对应的第一文本表示特征。由此，神经网络能够针对接收到的每一个文本，将图像区域的图像信息与该文本的文本信息进行融合，以得到多模态文本表示特征。

神经网络模型还可以使用注意力机制。根据一些实施例，神经网络模型可以被进一步配置为针对接收到的多个输入特征中的至少一个输入特征中的每一个输入特征，基于该输入特征与多个输入特征中的每一个输入特征的相似度融合多个输入特征，以得到与该输入对应的输出特征。由此，通过使用注意力机制，可以进一步提升神经网络模型对多模态文本表示特征的学习。在一个示例性实施例中，神经网络模型可以使用一个或多个串联的Transformer结构来搭建。

神经网络模型的输入还可以包括与特殊符号对应的特殊特征，如前文所描述的。

根据一些实施例，可以根据任务需求确定上述多个输入特征中的至少一个输入特征具体需要包括哪些输入特征。换句话说，可以根据任务需求确定期望模型输出对应于哪些输入特征的表示特征。在一个示例性实施例中，在执行上述方法时，可以获取模型针对与输入模型的每一个第一文本对应的第一文本综合特征输出的第一文本表示特征，以得到关于第一样本文档图像的全部多模态文本表示特征。

根据一些实施例，步骤S206、基于多个第一文本表示特征，确定与多个第一图像区域对应的预测标签包括：融合多个第一文本表示特征，以得到第一文本全局特征；以及基于第一文本全局特征，确定多个第一图像区域各自的预测标签。由此，通过融合多个第一文本表示特征，能够利用全局的多模态图文交互信息以预测每一个第一图像区域是否为替换图像区域，促进了对多模态文本表示特征的充分学习。

在一个实施例中，融合多个第一文本表示特征例如可以包括对多个第一文本表示特征执行全局池化。可以理解的是，也可以使用其他方式融合多个第一文本表示特征，例如将多个第一文本表示特征进行拼接，或使用小型神经网络对多个第一文本表示特征进行进一步处理，以得到第一文本全局特征，在此不做限定。

在一个实施例中，可以使用分类器处理第一文本全局特征，以得到指示每一个第一图像区域是否为替换图像区域的二分类结果。可以理解的是，也可以使用其他方法以基于第一文本全局特征确定能够指示对多个第一图像区域中的每一个第一图像区域是否为替换图像区域的预测结果的预测标签，在此不做限定。

在得到预测结果后，可以基于预测结果和真实结果确定损失值，进而根据损失值调整神经网络模型的参数。可以对神经网络模型执行多轮训练，直至到达最大迭代轮数或模型收敛。在一些实施例中，上述步骤中的嵌入和特征提取等操作可能涉及其他小型神经网络模型，也可以在训练过程中调整这些小型神经网络模型的参数，在此不做限定。

综上所述，通过执行上述步骤，可以实现对神经网络模型的训练，从而使得训练后的神经网络模型能够基于输入的文本综合特征和图像综合特征输出细粒度的结合图文信息的多模态文本表示特征。

上述步骤S201-步骤S207的组合可以被称为细粒度匹配任务。

根据一些实施例，如图6所示，训练方法还可以包括：步骤S608、获取与第二样本文档图像中的多个第二文本对应的多个第二文本综合特征，其中，第二文本综合特征表征对应的第二文本的文本内容信息；步骤S609、获取与第二样本文档图像中的多个第二图像区域对应的多个第二图像综合特征，其中，第二图像综合特征至少表征对应的第二图像区域的图像内容信息；步骤S610、获取与第二样本文档图像中的不同于多个第二文本的至少一个第三文本对应的至少一个第三文本掩码特征，其中，第三文本掩码特征隐藏对应的第三文本的文本内容信息；步骤S611、将多个第二文本综合特征、至少一个第三文本掩码特征、以及多个第二图像综合特征同时输入神经网络模型，以得到神经网络模型输出的与至少一个第三文本对应的至少一个第三文本表示特征，其中，神经网络模型被进一步配置为针对至少一个第三文本中的每一个第三文本，将与该第三文本对应的第三文本掩码特征与多个第二文本综合特征和多个第二图像综合特征融合，以生成与该第三文本对应的第三文本表示特征；步骤S612、基于至少一个第三文本表示特征，确定与至少一个第三文本对应的至少一个预测文本，其中，预测文本指示对对应的第三文本的文本内容信息的预测结果；以及步骤S613、基于至少一个第三文本和至少一个预测文本，训练神经网络模型。可以理解的是，图6中的步骤S601-步骤S607的操作与图2中的步骤S201-步骤S207的操作类似，在此不做赘述。

由此，通过使用掩码隐藏部分文本的文本内容信息，并使用神经网络模型输出的被隐藏的文本的结合图像信息和其他文本的文本信息的表示特征预测该文本，进一步实现了对细粒度的结合图文信息的文本表示的学习。

第二样本文档图像可以是不同于第一原始文档图像的另一个未执行过与上述步骤S203描述的替换操作类似的操作的文档图像。第二样本文档图像中可以包括多个文本。

在一些实施例中，在执行步骤S608之前，可以使用与上述步骤S401和步骤S402的操作类似的方式在第二样本文档图像中确定多个文本。在得到多个文本后，可以在这多个文本中确定多个第二文本和至少一个第三文本。在一个示例性实施例中，至少一个第三文本例如可以是在多个文本中进行随机选择而确定的。多个文本中的每一个文本可以具有不大于50％的预设概率被选择为第三样本。

根据一些实施例，可以使用用于隐藏信息的掩码符号[mask]替换第三文本，以向神经网络模型隐藏第三文本的文本内容信息。在一些实施例中，可以将掩码符号[mask]进行嵌入，以得到掩码嵌入特征，并将掩码嵌入特征直接作为第三文本掩码特征。

根据一些实施例，第二文本综合特征可以进一步表征对应的第二文本的文本位置信息。第三文本掩码特征可以表征对应的第三文本的文本位置信息，并且文本位置信息可以包括第三文本位置信息和第四文本位置信息中的至少一个。第三文本位置信息可以指示对应的文本在第二样本文档图像中的阅读顺位，第四文本位置信息可以指示对应的文本在第二样本文档图像中的位置、形状、和尺寸中的至少一个。

在一个示例性实施例中，可以参照上文所描述的获取第一文本位置特征和第二文本位置特征的方法确定表征第三文本的文本位置信息的第三文本位置特征和第四文本位置特征，并将第三文本位置特征、第四文本位置特征和掩码嵌入特征直接相加，以得到第三文本掩码特征。

在一些实施例中，在步骤S611输入神经网络模型的第二图像综合特征的数量(即，多个第二图像区域的数量)可以与上文的预训练任务中输入神经网络模型的第一图像综合特征的数量相同，以提升模型对多模态图文信息(尤其是图像信息)的学习。进一步地，多个第二图像区域的位置、形状、尺寸可以与上文的预训练任务中的多个第一图像区域的位置、形状、尺寸相近或相同，以强化模型对与特定区域相关的多模态图文信息的学习。

上述步骤S608-步骤S613的组合可以被称为掩码语言模型，这些步骤的操作同样可以参照细粒度匹配任务中的相应步骤的操作，在此不做赘述。

细粒度匹配任务和掩码语言模型可以是对用于文档图像理解的神经网络模型的预训练任务，能够帮助神经网络模型理解文字和图像的细粒度关系。利用细粒度匹配任务和掩码语言模型中的至少一个训练好的神经网络模型可以直接用于执行下游任务，也可以进行微调训练，以进一步提升神经网络的性能，如下文将要描述的。

根据本公开的另一方面，还提供了一种用于文档图像理解的神经网络模型的训练方法。如图7所示，该方法包括：步骤S701、获取样本文档图像和真实标签，其中，真实标签指示对样本文档图像执行目标文档图像理解任务的期望结果；步骤S702、获取与样本文档图像中的多个文本对应的多个文本综合特征，其中，文本综合特征至少表征对应的文本的文本内容信息；步骤S703、获取与样本文档图像中的多个图像区域对应的多个图像综合特征，其中，图像综合特征至少表征对应的图像区域的图像内容信息；步骤S704、至少将多个文本综合特征和多个图像综合特征同时输入神经网络模型，以得到神经网络模型输出的至少一个表示特征，其中，神经网络模型是利用上文所描述的任一种方法训练得到的；步骤S705、基于至少一个表示特征，确定预测标签，其中，预测标签指示对样本文档图像执行目标文档图像理解任务的实际结果；以及步骤S706、基于真实标签和预测标签，进一步训练神经网络模型。可以理解的是，上述步骤S701-步骤S706的操作可以参照细粒度匹配任务中的相应步骤的操作，在此不做赘述。

由此，通过对利用上述方法训练得到的神经网络模型针对特定的目标图像理解任务进行进一步训练，以使得学习到的细粒度的多模态图文匹配特征能够更适用于特定任务，提升了神经网络模型在处理目标图像理解任务时的表现。

上述训练方法也可以被称为对神经网络模型的微调任务。本领域技术人员可以根据目标文档图像理解任务设计真实标签和输入神经网络模型的输入特征，以使得训练好的神经网络模型能够执行该目标文档图像理解任务。

在一些实施例中，神经网络模型的输入还可以包括与根据目标文档图像理解任务设计的其他文本对应的至少一个文本综合特征。在一个示例中，目标文档图像理解任务为文档视觉问答任务(DocVQA)，该任务要求神经网络模型能够在文档中抽取能够回答文档相关问题的答案。通过确定与样本文档图像相关的问句和期望回答(即，真实标签)，并生成与问句对应的至少一个文本综合特征，进而将该特征与文档中的文本对应的文本综合特征和图像综合特征同时输入神经网络模型，并基于模型输出的与文档中的文本对应的文本表示特征预测问句的答案，再根据该答案和真实标签训练模型，使得训练好的模型能够执行这样的文档视觉问答任务。

需要特别注意的是，在步骤S704，神经网络模型输出的表示特征可以是与文本综合特征对应的表示特征，也可以是与图像综合特征对应的表示特征，还可以是与特殊符号对应的表示特征，在此不做限定。

在一些实施例中，在步骤S704输入神经网络模型的图像综合特征的数量(即，多个图像区域的数量)可以与上文的预训练任务中输入神经网络模型的第一图像综合特征的数量相同，以提升模型对多模态图文信息(尤其是图像信息)的学习。进一步地，微调任务中的多个图像区域的位置、形状、尺寸可以与上文的预训练任务中的多个第一图像区域的位置、形状、尺寸相近或相同，以强化模型对与特定区域相关的多模态图文信息的学习。

根据本公开的另一方面，还提供了一种利用神经网络模型的用于文档图像理解的方法。如图8所示，该方法包括：步骤S801、获取与文档图像中的多个文本对应的多个文本综合特征，其中，文本综合特征至少表征对应的文本的文本内容信息；步骤S802、获取与文档图像中的多个图像区域对应的多个图像综合特征，其中，图像综合特征至少表征对应的图像区域的图像内容信息；步骤S803、至少将多个文本综合特征和多个图像综合特征同时输入神经网络模型，以得到神经网络模型输出的至少一个表示特征，其中，神经网络模型是利用上文所描述的任一种方法训练得到的；以及步骤S804、基于至少一个表示特征，确定文档图像理解结果。可以理解的是，上述步骤S801-步骤S804的操作可以参照细粒度匹配任务中的相应步骤的操作，在此不做赘述。

由此，通过使用利用上述方法训练得到的神经网络模型执行特定的图像理解任务，使得学习到的细粒度的多模态图文匹配特征能够帮助神经网络理解文档中的图文信息，提升了神经网络模型在处理特定任务时的表现。

本领域技术人员可以根据目标文档图像理解任务调整输入神经网络模型的输入特征，以利用训练好的神经网络模型执行该目标文档图像理解任务。在一个示例性实施例中，神经网络模型的输入还可以包括与根据目标文档图像理解任务设计的问句对应的至少一个文本综合特征。

需要特别注意的是，在步骤S803，神经网络模型输出的表示特征可以是与文本综合特征对应的表示特征，也可以是与图像综合特征对应的表示特征，还可以是与特殊符号对应的表示特征，在此不做限定。

在一些实施例中，在步骤S803输入神经网络模型的图像综合特征的数量(即，多个图像区域的数量)可以与上文的预训练任务中输入神经网络模型的第一图像综合特征的数量相同，以使得模型在输出表示特征时能够充分利用学习到的多模态图文信息(尤其是图像信息)。进一步地，文档图像中的多个图像区域的位置、形状、尺寸可以与上文的预训练任务中的多个第一图像区域的位置、形状、尺寸相近或相同，以进一步提升模型对学习到的与特定区域相关的多模态图文信息的利用。

根据本公开的另一方面，公开了一种用于文档图像理解的神经网络模型的训练装置。如图9所示，训练装置900包括：第一获取单元910，被配置为获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征，其中，第一文本综合特征至少表征对应的第一文本的文本内容信息；区域确定单元920，被配置为基于预设规则在第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域；区域替换单元930，被配置为在第一原始文档图像中将至少一个原始图像区域替换为至少一个替换图像区域，以得到第一样本文档图像和真实标签，其中，第一样本文档图像包括多个第一图像区域，多个第一图像区域包括至少一个替换图像区域和多个原始图像区域中的未被替换的至少另一原始图像区域，其中，真实标签指示多个第一图像区域中的每一个第一图像区域是否为替换图像区域；第二获取单元940，被配置为获取与多个第一图像区域对应的多个第一图像综合特征，其中，第一图像综合特征至少表征对应的第一图像区域的图像内容信息；神经网络模型950，被配置为针对多个第一文本中的每一个第一文本，将接收到的与该第一文本对应的第一文本综合特征与接收到的多个第一图像综合特征融合，以生成用于输出的与该第一文本对应的第一文本表示特征；第一预测单元960，被配置为基于多个第一文本表示特征，确定预测标签，其中，预测标签指示对多个第一图像区域中的每一个第一图像区域是否为替换图像区域的预测结果；以及第一训练单元970，被配置为基于真实标签和预测标签，训练神经网络模型。

可以理解的是，装置900中的单元910-单元970的操作和效果与图2中的步骤S201-步骤S207的操作和效果类似，在此不做赘述。

根据本公开的另一方面，公开了一种用于文档图像理解的神经网络模型的训练装置。如图10所示，训练装置1000包括：第三获取单元1010，被配置为获取样本文档图像和真实标签，其中，真实标签指示对样本文档图像执行目标文档图像理解任务的期望结果；第四获取单元1020，被配置为获取与样本文档图像中的多个文本对应的多个文本综合特征，其中，文本综合特征至少表征对应的文本的文本内容信息；第五获取单元1030，被配置为获取与样本文档图像中的多个图像区域对应的多个图像综合特征，其中，图像综合特征至少表征对应的图像区域的图像内容信息；神经网络模型1040，被配置为至少基于接收到的多个文本综合特征和多个图像综合特征，生成用于输出的至少一个表示特征，其中，神经网络模型是利用装置900训练得到的；第二预测单元1050，被配置为基于至少一个表示特征，确定预测标签，其中，预测标签指示对样本文档图像执行目标文档图像理解任务的实际结果；以及第二训练单元1060，被配置为基于真实标签和预测标签，进一步训练神经网络模型。

可以理解的是，装置1000中的单元1010-单元1060的操作和效果与图7中的步骤S701-步骤S706的操作和效果类似，在此不做赘述。

根据本公开的另一方面，公开了一种利用神经网络模型的用于文档图像理解的装置。如图11所示，装置1100包括：第六获取单元1110，被配置为获取与文档图像中的多个文本对应的多个文本综合特征，其中，文本综合特征至少表征对应的文本的文本内容信息；第七获取单元1120，被配置为获取与文档图像中的多个图像区域对应的多个图像综合特征，其中，图像综合特征至少表征对应的图像区域的图像内容信息；神经网络模型1130，被配置为至少基于接收到的多个文本综合特征和多个图像综合特征，生成用于输出的至少一个表示特征，其中，神经网络模型是利用装置900或装置1000训练得到的；以及第三预测单元1140，被配置为基于至少一个表示特征，确定文档图像理解结果。

可以理解的是，装置1100中的单元1110-单元1140的操作和效果与图8中的步骤S801-步骤S804的操作和效果类似，在此不做赘述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，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，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。

参考图12，现将描述可以作为本公开的服务器或客户端的电子设备1200的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。

设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206、输出单元1207、存储单元1208以及通信单元1209。输入单元1206可以是能向设备1200输入信息的任何类型的设备，输入单元1206可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1207可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1208可以包括但不限于磁盘、光盘。通信单元1209允许设备1200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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1201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1201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、各种运行机器学习网络算法的计算单元、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1201执行上文所描述的各个方法和处理，例如用于文档图像理解的神经网络模型的预训练方法和利用神经网络模型的用于文档图像理解的方法。例如，在一些实施例中，用于文档图像理解的神经网络模型的预训练方法和利用神经网络模型的用于文档图像理解的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1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的用于文档图像理解的神经网络模型的预训练方法和利用神经网络模型的用于文档图像理解的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于文档图像理解的神经网络模型的预训练方法和利用神经网络模型的用于文档图像理解的方法。

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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (26)

1.一种用于文档图像理解的神经网络模型的训练方法，包括：

获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征，其中，所述第一文本综合特征至少表征对应的第一文本的文本内容信息；

基于预设规则在所述第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域；

在所述第一原始文档图像中将所述至少一个原始图像区域替换为至少一个替换图像区域，以得到第一样本文档图像和真实标签，其中，所述第一样本文档图像包括多个第一图像区域，所述多个第一图像区域包括所述至少一个替换图像区域和所述多个原始图像区域中的未被替换的至少另一原始图像区域，其中，所述真实标签指示所述多个第一图像区域中的每一个第一图像区域是否为所述替换图像区域；

获取与所述多个第一图像区域对应的多个第一图像综合特征，其中，所述第一图像综合特征至少表征对应的第一图像区域的图像内容信息；

将所述多个第一文本综合特征和所述多个第一图像综合特征同时输入神经网络模型，以得到所述神经网络模型输出的与所述多个第一文本对应的多个第一文本表示特征，其中，所述神经网络模型被配置为针对所述多个第一文本中的每一个第一文本，将与该第一文本对应的第一文本综合特征与所述多个第一图像综合特征融合，以生成与该第一文本对应的第一文本表示特征；

基于所述多个第一文本表示特征，确定预测标签，其中，所述预测标签指示对所述多个第一图像区域中的每一个第一图像区域是否为所述替换图像区域的预测结果；以及

基于所述真实标签和所述预测标签，训练所述神经网络模型。

2.根据权利要求1所述的方法，其中，所述获取与所述第一原始文档图像中的多个第一文本对应的多个第一文本综合特征包括：

对所述第一原始文档图像进行文本识别，以得到第一初始文本；

将所述第一初始文本划分为所述多个第一文本；

将所述多个第一文本进行嵌入，以得到多个第一文本嵌入特征；以及

基于所述多个第一文本嵌入特征，构造所述多个第一文本综合特征。

3.根据权利要求2所述的方法，其中，所述获取与所述第一原始文档图像中的多个第一文本对应的多个第一文本综合特征包括：

获取所述多个第一文本各自的文本位置信息，

并且其中，所述基于所述多个第一文本嵌入特征，构造所述多个第一文本综合特征包括：

针对所述多个第一文本中的每一个第一文本，融合该第一文本的文本位置信息和第一文本嵌入特征，以得到与该第一文本对应的第一文本综合特征。

4.根据权利要求3所述的方法，其中，所述文本位置信息包括第一文本位置信息，所述第一文本位置信息指示对应的第一文本在所述第一原始文档图像中的阅读顺位。

5.根据权利要求3或4所述的方法，其中，所述文本位置信息包括第二文本位置信息，所述第二文本位置信息指示对应的第一文本在所述第一原始文档图像中的位置、形状、和尺寸中的至少一个。

6.根据权利要求5所述的方法，其中，所述第二文本位置信息指示包围所述对应的第一文本的边界框上的多个点的坐标、所述边界框的宽度、和所述边界框的高度中的至少一个。

7.根据权利要求1-6中任一项所述的方法，其中，所述至少一个替换图像区域来自不同于所述原始文档图像的至少另一文档图像。

8.根据权利要求1-7中任一项所述的方法，其中，所述预设规则指示在所述多个原始图像区域中进行随机选择以确定所述至少一个原始图像区域。

9.根据权利要求8所述的方法，其中，所述多个原始图像区域中的每一个原始图像区域具有不大于50％的预设概率被选择。

10.根据权利要求1-9中任一项所述的方法，其中，所述获取与多个第一图像区域对应的多个第一图像综合特征包括：

获取所述第一样本文档图像的初始特征图；

基于所述初始特征图，确定与所述多个第一图像区域对应的多个第一图像嵌入特征；以及

基于所述多个第一图像嵌入特征，构造所述多个第一图像综合特征。

11.根据权利要求10所述的方法，其中，所述多个第一图像区域是通过将所述第一样本文档图像划分成行数为第一值且列数为第二值的均匀矩形网格而得到的，

其中，所述基于所述初始特征图，确定与所述多个第一图像区域对应的多个第一图像嵌入特征包括：

将所述初始特征图映射成像素行数为所述第一值且像素列数为所述第二值的目标特征图；以及

针对所述多个第一图像区域中的每一个第一图像区域，基于该第一图像区域在所述第一样本文档图像中的位置，将所述目标特征图中对应位置的像素确定为与该第一图像区域对应的第一图像嵌入特征。

12.根据权利要求10所述的方法，其中，所述获取与多个第一图像区域对应的多个第一图像综合特征还包括：

获取所述多个第一图像区域各自的图像位置信息，

并且其中，所述基于所述多个第一图像嵌入特征，构造所述多个第一图像综合特征包括：

针对所述多个第一图像区域中的每一个第一图像区域，融合该第一图像区域的图像位置信息和第一图像嵌入特征，以得到与该第一图像区域对应的第一图像综合特征。

13.根据权利要求12所述的方法，其中，所述图像位置信息包括第一图像位置信息和第二图像位置信息中的至少一个，所述第一图像位置信息指示对应的第一图像区域在所述第一样本文档图像中的浏览顺位，所述第二图像位置信息指示对应的第一图像区域在所述第一样本文档图像中的位置、形状、和尺寸中的至少一个。

14.根据权利要求1-13中任一项所述的方法，其中，所述基于所述多个第一文本表示特征，确定预测标签包括：

融合所述多个第一文本表示特征，以得到第一文本全局特征；以及

基于所述第一文本全局特征，确定所述预测标签。

15.根据权利要求1-14中任一项所述的方法，还包括：

获取与第二样本文档图像中的多个第二文本对应的多个第二文本综合特征，其中，所述第二文本综合特征表征对应的第二文本的文本内容信息；

获取与所述第二样本文档图像中的多个第二图像区域对应的多个第二图像综合特征，其中，所述第二图像综合特征至少表征对应的第二图像区域的图像内容信息；

获取与所述第二样本文档图像中的不同于所述多个第二文本的至少一个第三文本对应的至少一个第三文本掩码特征，其中，所述第三文本掩码特征隐藏对应的第三文本的文本内容信息；

将所述多个第二文本综合特征、所述至少一个第三文本掩码特征、以及所述多个第二图像综合特征同时输入所述神经网络模型，以得到所述神经网络模型输出的与所述至少一个第三文本对应的至少一个第三文本表示特征，其中，所述神经网络模型被进一步配置为针对所述至少一个第三文本中的每一个第三文本，将与该第三文本对应的第三文本掩码特征与所述多个第二文本综合特征和所述多个第二图像综合特征融合，以生成与该第三文本对应的第三文本表示特征；

基于所述至少一个第三文本表示特征，确定与所述至少一个第三文本对应的至少一个预测文本，其中，所述预测文本指示对对应的第三文本的文本内容信息的预测结果；以及

基于所述至少一个第三文本和所述至少一个预测文本，训练所述神经网络模型。

16.根据权利要求15所述的方法，其中，所述第二文本综合特征进一步表征所述对应的第二文本的文本位置信息，所述第三文本掩码特征表征所述对应的第三文本的文本位置信息，并且其中，所述文本位置信息包括第三文本位置信息和第四文本位置信息中的至少一个，所述第三文本位置信息指示对应的文本在所述第二样本文档图像中的阅读顺位，所述第四文本位置信息指示对应的文本在所述第二样本文档图像中的位置、形状、和尺寸中的至少一个。

17.根据权利要求1-16中任一项所述的方法，其中，所述神经网络模型被配置为针对接收到的多个输入特征中的至少一个输入特征中的每一个输入特征，基于该输入特征与所述多个输入特征中的每一个输入特征的相似度融合所述多个输入特征，以得到与该输入对应的输出特征。

18.根据权利要求1-17中任一项所述的方法，其中，所述神经网络模型基于文心(ERNIE)模型或文心-布局(ERNIE-Layout)模型中的至少一个。

19.一种用于文档图像理解的神经网络模型的训练方法，包括：

获取样本文档图像和真实标签，其中，所述真实标签指示对所述样本文档图像执行目标文档图像理解任务的期望结果；

获取与所述样本文档图像中的多个文本对应的多个文本综合特征，其中，所述文本综合特征至少表征对应的文本的文本内容信息；

获取与所述样本文档图像中的多个图像区域对应的多个图像综合特征，其中，所述图像综合特征至少表征对应的图像区域的图像内容信息；

至少将所述多个文本综合特征和所述多个图像综合特征同时输入神经网络模型，以得到所述神经网络模型输出的至少一个表示特征，其中，所述神经网络模型是利用根据权利要求1-18中任一项所述的方法训练得到的；

基于所述至少一个表示特征，确定预测标签，其中，所述预测标签指示对所述样本文档图像执行所述目标文档图像理解任务的实际结果；以及

基于所述真实标签和所述预测标签，进一步训练所述神经网络模型。

20.一种利用神经网络模型的用于文档图像理解的方法，包括：

获取与文档图像中的多个文本对应的多个文本综合特征，其中，所述文本综合特征至少表征对应的文本的文本内容信息；

获取与所述文档图像中的多个图像区域对应的多个图像综合特征，其中，所述图像综合特征至少表征对应的图像区域的图像内容信息；

至少将所述多个文本综合特征和所述多个图像综合特征同时输入神经网络模型，以得到所述神经网络模型输出的至少一个表示特征，其中，所述神经网络模型是利用根据权利要求1-19中任一项所述的方法训练得到的；以及

基于所述至少一个表示特征，确定文档图像理解结果。

21.一种用于文档图像理解的神经网络模型的训练装置，包括：

第一获取单元，被配置为获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征，其中，所述第一文本综合特征至少表征对应的第一文本的文本内容信息；

区域确定单元，被配置为基于预设规则在所述第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域；

区域替换单元，被配置为在所述第一原始文档图像中将所述至少一个原始图像区域替换为至少一个替换图像区域，以得到第一样本文档图像和真实标签，其中，所述第一样本文档图像包括多个第一图像区域，所述多个第一图像区域包括所述至少一个替换图像区域和所述多个原始图像区域中的未被替换的至少另一原始图像区域，其中，所述真实标签指示所述多个第一图像区域中的每一个第一图像区域是否为所述替换图像区域；

第二获取单元，被配置为获取与所述多个第一图像区域对应的多个第一图像综合特征，其中，所述第一图像综合特征至少表征对应的第一图像区域的图像内容信息；

神经网络模型，被配置为针对所述多个第一文本中的每一个第一文本，将接收到的与该第一文本对应的第一文本综合特征与接收到的所述多个第一图像综合特征融合，以生成用于输出的与该第一文本对应的第一文本表示特征；

第一预测单元，被配置为基于所述多个第一文本表示特征，确定预测标签，其中，所述预测标签指示对所述多个第一图像区域中的每一个第一图像区域是否为所述替换图像区域的预测结果；以及

第一训练单元，被配置为基于所述真实标签和所述预测标签，训练所述神经网络模型。

22.一种用于文档图像理解的神经网络模型的训练装置，包括：

第三获取单元，被配置为获取样本文档图像和真实标签，其中，所述真实标签指示对所述样本文档图像执行目标文档图像理解任务的期望结果；

第四获取单元，被配置为获取与所述样本文档图像中的多个文本对应的多个文本综合特征，其中，所述文本综合特征至少表征对应的文本的文本内容信息；

第五获取单元，被配置为获取与所述样本文档图像中的多个图像区域对应的多个图像综合特征，其中，所述图像综合特征至少表征对应的图像区域的图像内容信息；

神经网络模型，被配置为至少基于接收到的所述多个文本综合特征和所述多个图像综合特征，生成用于输出的至少一个表示特征，其中，所述神经网络模型是利用根据权利要求21所述的装置训练得到的；

第二预测单元，被配置为基于所述至少一个表示特征，确定预测标签，其中，所述预测标签指示对所述样本文档图像执行所述目标文档图像理解任务的实际结果；以及

第二训练单元，被配置为基于所述真实标签和所述预测标签，进一步训练所述神经网络模型。

23.一种利用神经网络模型的用于文档图像理解的装置，包括：

第六获取单元，被配置为获取与文档图像中的多个文本对应的多个文本综合特征，其中，所述文本综合特征至少表征对应的文本的文本内容信息；

第七获取单元，被配置为获取与所述文档图像中的多个图像区域对应的多个图像综合特征，其中，所述图像综合特征至少表征对应的图像区域的图像内容信息；

神经网络模型，被配置为至少基于接收到的所述多个文本综合特征和所述多个图像综合特征，生成用于输出的至少一个表示特征，其中，所述神经网络模型是利用根据权利要求21或22所述的装置训练得到的；以及

第三预测单元，被配置为基于所述至少一个表示特征，确定文档图像理解结果。

24.一种电子设备，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1-20中任一项所述的方法。

25.一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1-20中任一项所述的方法。

26.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-20中任一项所述的方法。

Images