CN114429633A - 文本识别方法、模型的训练方法、装置、电子设备及介质 - Google Patents

文本识别方法、模型的训练方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN114429633A
CN114429633A CN202210110161.0A CN202210110161A CN114429633A CN 114429633 A CN114429633 A CN 114429633A CN 202210110161 A CN202210110161 A CN 202210110161A CN 114429633 A CN114429633 A CN 114429633A
Authority
CN
China
Prior art keywords
visual attention
feature vector
enhancement
feature
unit
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
Application number
CN202210110161.0A
Other languages
English (en)
Other versions
CN114429633B (zh
Inventor
吴亮
刘珊珊
乔美娜
吕鹏原
章成全
姚锟
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 CN202210110161.0A priority Critical patent/CN114429633B/zh
Publication of CN114429633A publication Critical patent/CN114429633A/zh
Application granted granted Critical
Publication of CN114429633B publication Critical patent/CN114429633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本公开提供了一种文本识别方法、文本识别模型的训练方法、装置、电子设备、存储介质以及程序产品，涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域，可应用于OCR等场景。具体实现方案为：对待处理图像进行特征提取处理，得到特征图；对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及基于视觉注意力增强特征向量，确定待处理图像中的文字内容。

Description

文本识别方法、模型的训练方法、装置、电子设备及介质
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域，可应用于OCR(Optical Character Recognition，光学字符识别)等场景。具体涉及文本识别方法、文本识别模型的训练方法、装置、电子设备、存储介质以及程序产品。
背景技术
纸质文档电子化的需求广泛存在于日常的生产生活中，例如票据、证件、业务账单等文档的电子录入、存储、管理等。OCR技术为纸质文档电子化带来前所未有的变化。但是随着纸质文档的类型的不断增加，对OCR技术的要求也在不断地提升。
发明内容
本公开提供了一种文本识别方法、文本识别模型的训练方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种文本识别方法，包括：对待处理图像进行特征提取处理，得到特征图；对所述特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及基于所述视觉注意力增强特征向量，确定所述待处理图像中的文字内容。
根据本公开的另一方面，提供了一种文本识别模型的训练方法，包括：利用训练样本训练文本识别模型，得到训练后的文本识别模型，其中，所述训练样本包括图像样本和标签，所述标签用于表征所述图像样本中的文字内容，其中，所述文本识别模型用于：对待处理图像进行特征提取处理，得到特征图；对所述特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及基于所述视觉注意力增强特征向量，确定所述待处理图像中的文字内容。
根据本公开的另一方面，提供了一种文本识别装置，包括：提取模块，用于对待处理图像进行特征提取处理，得到特征图；增强模块，用于对所述特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及确定模块，用于基于所述视觉注意力增强特征向量，确定所述待处理图像中的文字内容。
根据本公开的另一方面，提供了一种文本识别模型的训练装置，包括：训练模块，用于利用训练样本训练文本识别模型，得到训练后的文本识别模型，其中，所述训练样本包括图像样本和标签，所述标签用于表征所述图像样本中的文字内容，其中，所述文本识别模型用于：对待处理图像进行特征提取处理，得到特征图；对所述特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及基于所述视觉注意力增强特征向量，确定所述待处理图像中的文字内容。
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如本公开的方法。
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，所述计算机指令用于使所述计算机执行如本公开的方法。
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，所述计算机程序在被处理器执行时实现如本公开的方法。
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示意性示出了根据本公开实施例的可以应用文本识别方法及装置的示例性系统架构；
图2示意性示出了根据本公开实施例的文本识别方法的流程图；
图3A示意性示出了根据本公开实施例的文本识别模型的网络结构图；
图3B示意性示出了根据本公开另一实施例的文本识别模型的网络结构图；
图4A示意性示出了根据本公开实施例的双重视觉注意力模块的网络结构图；
图4B示意性示出了根据本公开实施例的归一化处理的流程图；
图5示意性示出了根据本公开实施例的文本识别模型的训练方法的流程图；
图6示意性示出了根据本公开实施例的文本识别装置的框图；
图7示意性示出了根据本公开实施例的文本识别模型的训练装置的框图；以及
图8示意性示出了根据本公开实施例的适于实现文本识别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。
文字，作为一种信息传输的载体，在现代社会交流中占据着重要地位。对图像中的文字进行识别，在人们的工作、生活、以及学习中发挥着重要作用。
本公开提供了一种文本识别方法、文本识别模型的训练方法、装置、电子设备、存储介质以及程序产品。
根据本公开的实施例，文本识别方法，可以包括：对待处理图像进行特征提取处理，得到特征图；对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及基于视觉注意力增强特征向量，确定待处理图像中的文字内容。
利用本公开实施例提供的文本识别方法，可以应用于例如拍照翻译、文档比对、以及文字提取等多种场景中。
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。
图1示意性示出了根据本公开实施例的可以应用文本识别方法及装置的示例性系统架构。
需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用文本识别方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的文本识别方法及装置。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的文本识别方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的文本识别装置也可以设置于终端设备101、102、或103中。
或者，本公开实施例所提供的文本识别方法一般也可以由服务器105执行。相应地，本公开实施例所提供的文本识别装置一般可以设置于服务器105中。本公开实施例所提供的文本识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的文本识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、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终端设备、网络和服务器。
应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的文本识别方法的流程图。
如图2所示，该方法包括操作S210～S230。
在操作S210，对待处理图像进行特征提取处理，得到特征图。
在操作S220，对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量。
在操作S230，基于视觉注意力增强特征向量，确定待处理图像中的文字内容。
根据本公开的实施例，可以利用多个卷积层级联来对待处理图像进行特征提取处理，得到特征图，但是并不局限于此，还可以利用例如Resnet(残差网络)等复杂的网络模型来对待处理图像进行特征提取处理，得到特征图。只要是能够对待处理图像进行特征提取处理，得到特征图的网络即可。
根据本公开的实施例，对特征图进行视觉注意力增强处理，可以是指从视觉角度关注文字区域，进行视觉注意力增强的特征提取，得到视觉注意力增强特征向量。此外，还可以从语义层面来进行语义注意力增强的特征提取，得到语义注意力增强特征向量。
根据本公开的实施例，将视觉注意力增强特征向量作为中间数据，利用视觉注意力增强特征向量来确定待处理图像中的文字内容，处理方式新颖。此外，相比于语义注意力增强特征向量，利用视觉注意力增强特征向量来确定待处理图像中的文字内容，降低了对语义理解的依赖性，由此提高了对文本识别的精度。
根据本公开的实施例，在操作S210，对待处理图像进行特征提取处理来得到特征图之前，可以执行目标对象检测例如文字检测的操作。
根据本公开的实施例，文本识别方法还可以包括文字检测操作。利用文字检测操作来确定初始图像中的文字的位置，将初始图像中除文字外的区域裁切掉，得到仅保留文字区域的待处理图像，由此来降低初始图像中非文字区域带来的噪声影响，进而提高文本识别方法的识别精度以及预测速度。
根据本公开的实施例，针对操作S210，可以利用特征提取模块例如CNN(Convolutional Neural Network，卷积神经网络)模块来对待处理图像进行特征提取处理，得到特征图。
根据本公开的实施例，CNN模块可以根据实际场景来确定与场景匹配的网络结构。
例如，在CNN模块部署于终端设备上的情况下，可以选用MobileNetV3(流线型网络)或者ShuffleNetV3(鸟群分类算法)等较为轻量的网络结构，以在提高处理速度的基础上降低内存占用量。
例如，在CNN模块部署于服务器上的情况下，可以选择Resnet、Senet(塞内特)等较为复杂的网络结构，以提高处理精度。
根据本公开的实施例，可以调整CNN模块的参数，使得CNN模块的输出的是高度为1的特征图。例如，待处理图像的大小为w*h*3，其中，w表示待处理图像的宽，h表示待处理图像的高，3表示待处理图像包括3个彩色通道，例如R、G和B。通过CNN模块的处理，得到的特征图为w/4*1*C，其中，C表示卷积特征图的通道数。
根据本公开的实施例，特征图的高度为1，使得进行视觉注意力增强处理的特征图为定位到单行文字区域的特征图，由此有利于增强对文字区域的视觉关注。
根据本公开的实施例，针对操作S220，可以利用双重视觉注意力模块对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量。
图3A示意性示出了根据本公开实施例的文本识别模型的网络结构图。
如图3A所示，文本识别模型可以包括依次级联的CNN模块310、多个级联的双重视觉注意力模块320、320’和分类模块330。
根据本公开的实施例，文本识别模型可以包括多个级联的双重视觉注意力模块，但是并不局限于此，还可以仅包括一个双重视觉注意力模块。
图3B示意性示出了根据本公开另一实施例的文本识别模型的网络结构图。
如图3B所示，文本识别模型可以包括依次级联的CNN模块310、多个并联的双重视觉注意力模块320、320’、元素相加的融合模块340和分类模块330。
根据本公开的实施例，文本识别模型可以包括多个并联的双重视觉注意力模块，但是并不局限于此，还可以仅包括一个双重视觉注意力模块。在仅包括一个双重视觉注意力模块的情况下，可以不设置融合模块。
根据本公开的实施例，分类模块可以包括全连接层和激活函数。激活函数可以包括例如softmax激活函数，也可以包括例如sigmoid激活函数。只要是能够基于视觉注意力增强特征向量，得到待处理图像中的文字内容的分类模块即可。
根据本公开的实施例，将文本识别模型设置为包括多个级联的或者多个并联的双重视觉注意力模块，能够提高识别精度。
根据本公开的实施例，双重视觉注意力模块可以包括并联的第一视觉注意力单元和第二视觉注意力单元，并联的第一视觉注意力单元和第二视觉注意力单元后连接融合单元。
根据本公开的实施例，利用双重视觉注意力模块对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量可以包括如下操作。
例如，利用第一视觉注意力单元对特征图进行第一视觉注意力增强处理，得到第一视觉注意力增强子特征向量。利用第二视觉注意力单元对特征图进行第二视觉注意力增强处理，得到第二视觉注意力增强子特征向量。利用融合单元将第一视觉注意力增强子特征向量和第二视觉注意力增强子特征向量进行融合，得到视觉注意力增强特征向量。
根据本公开的实施例，双重视觉注意力模块设置第一视觉注意力单元和第二视觉注意力单元，可以利用第一视觉注意力单元和第二视觉注意力单元，从两种不同方向进行视觉注意力增强处理，使得融合后得到的视觉注意力增强特征向量的特征表达的更为精准。
根据本公开的实施例，利用并联的双重视觉注意力模块对特征图进行视觉注意力增强处理，与利用单个双重视觉注意力模块对特征图进行视觉注意力增强处理的操作相同。不同之处在于，多个并联的双重视觉注意力模块各自分别得到并联分级的视觉注意力增强特征向量。多个并联分级的视觉注意力增强特征向量经过融合模块处理，得到视觉注意力增强特征向量。
根据本公开的实施例，利用多个级联的双重视觉注意力模块对特征图进行视觉注意力增强处理，与利用单个双重视觉注意力模块对特征图进行视觉注意力增强处理的操作相同。不同之处在于，多个级联的双重视觉注意力模块中每个双重视觉注意力模块的输出为下一个双重视觉注意力模块的输入，最后一个双重视觉注意力模块的输出为视觉注意力增强特征向量。例如，N个级联的双重视觉注意力模块，第i个双重视觉注意力模块的输出为第i个级联分级的视觉注意力增强特征向量，第i+1个双重视觉注意力模块的输入为第i个级联分级的视觉注意力增强特征向量。
图4A示意性示出了根据本公开实施例的双重视觉注意力模块的网络结构图。
如图4A所示，第一视觉注意力单元可以包括级联的第一卷积层410、归一化层420和第二卷积层430。第二视觉注意力单元包括第三卷积层440。融合单元450可以包括元素相加的融合单元。
根据本公开的实施例，可以利用第一卷积层410对特征图进行通道维度的第一特征提取，得到第一特征向量。利用归一化层420对第一特征向量进行通道维度的归一化处理和序列维度的归一化处理，得到归一化特征向量。利用第二卷积层430对归一化特征向量进行通道维度的第二特征提取，得到第一视觉注意力增强子特征向量。
根据本公开的实施例，可以利用第三卷积层440对特征图进行空间维度的特征提取，得到第二视觉注意力增强子特征向量。
根据本公开的实施例，可以利用融合单元450对第一视觉注意力特征子特征向量和第二视觉注意力增强子特征向量进行融合，得到视觉注意力增强特征向量。
根据本公开的实施例，可以利用级联的第一卷积层、归一化层、第二卷积层作为第一视觉注意力单元，提取通道维度的文字区域的关键信息。可以利用第三卷积层作为第二视觉注意力单元，提取空间维度的文字区域的关键信息。使得并行的第一视觉注意力单元和第二视觉注意力单元分别捕获了空间维度和通道维度的关键特征，进而使得最终输出的视觉注意力增强特征向量更有利于提高确定待处理图像中的文字内容的精度。
根据本公开的实施例，特征图的特征尺度与视觉注意力特征向量的特征尺度大小相同。
根据本公开的实施例，第一卷积层的卷积核尺寸可以与第二卷积层的卷积核尺寸相同。第一卷积层的卷积核尺寸可以小于第三卷积层的卷积核尺寸。
例如，第一卷积层卷积核尺寸为1*1，第二卷积层的卷积核尺寸为1*1。第三卷积层的卷积核尺寸为3*3。第一卷积层的步长、第二卷积层的步长以及第三卷积层的步长可以均为1。但是并不局限于此。只要是使得并行的第一视觉注意力单元和第二视觉注意力单元能够分别捕获特征图空间维度和通道维度的关键特征的卷积层参数即可。
图4B示意性示出了根据本公开实施例的归一化处理的流程图。
如图4B所示，归一化层可以包括softmax函数(归一化指数函数)。利用归一化层可以对第一特征向量460进行通道维度的归一化处理以及序列维度的归一化处理，得到归一化特征向量470。
根据本公开的实施例，将中间特征图例如第一特征向量在通道维度和序列维度分别进行归一化，能够避免因某个位置的特征值过大，造成提取特征的精度下降的问题。
根据本公开的其他实施例，文本识别模型还可以包括级联的特征提取模块例如CNN模块、RNN(Recurrent Neural Network，循环神经网络)模块以及分类模块。RNN模块可以包括作为语义增强注意力单元的双向长短期记忆神经网络单元(Bi-LSTM单元)，可以利用RNN模块负责加强特征图的语义联系。
根据本公开的实施例，利用双重视觉注意力模块可以从视觉角度去增强图像特征，规避了从语义层面来增强图像特征，进而使得在识别中文时，避免因一词多义而造成的识别精度低的问题，能够有效提升文字识别的准确率。此外，双重视觉注意力模块仅使用卷积处理即可，降低了真实场景下文字识别的处理时长，提高了处理速度。
图5示意性示出了根据本公开实施例的文本识别模型的训练方法的流程图。
如图5所示，该方法包括操作S510～S520。
在操作S510，获取训练样本。
在操作S520，利用训练样本训练文本识别模型，得到训练后的文本识别模型，其中，训练样本包括图像样本和标签，标签用于表征图像样本中的文字内容。
文本识别模型可以用于：对待处理图像进行特征提取处理，得到特征图；对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及基于视觉注意力增强特征向量，确定待处理图像中的文字内容。
根据本公开的实施例，文本识别模型的训练方法可以包括操作S510和操作S520，但是并不局限于此，还可以仅包括操作S520。
根据本公开的实施例，将视觉注意力增强特征向量作为中间数据，利用视觉注意力增强特征向量来确定待处理图像中的文字内容，处理方式新颖。利用本公开实施例提供的监督训练，可以来调整文本识别模型中的参数，将处理文字区域的权重加强，使得对文字区域响应的注意力增强，进而使得训练后的文本识别模型的训练精度高。
根据本公开的实施例，可以利用CTC(Connectionist Temporal Classification)损失函数来对文本识别模型进行训练。
例如，将图像样本输入至文本识别模型中，输出关于文字内容的识别结果。将识别结果与标签输入至CTC损失函数中，得到损失值。基于损失值调整文本识别模型的参数，直至损失值收敛。将损失值收敛的模型作为训练后的文本识别模型。
利用本公开的实施例提供的CTC损失函数来训练文本识别模型，能够在长度不对等的序列间建立映射关系，使得收敛速度快、训练后的文本识别模型的精度高。
根据本公开的实施例，在利用文本识别模型对待处理图像进行特征提取处理来得到特征图之前，可以执行目标对象检测例如文字检测的操作。
根据本公开的实施例，文本识别模型可以包括依次级联的CNN模块、多个级联的双重视觉注意力模块和分类模块。但是并不局限于此。文本识别模型还可以包括依次级联的CNN模块、多个并联的双重视觉注意力模块、元素相加的融合模块和分类模块。
根据本公开的实施例，文本识别模型可以包括多个并联的双重视觉注意力模块或者多个级联的双重视觉注意力模块，但是并不局限于此，还可以仅包括一个双重视觉注意力模块。在仅包括一个双重视觉注意力模块的情况下，可以不设置融合模块。
根据本公开的实施例，可以利用特征提取模块例如CNN(Convolutional NeuralNetwork，卷积神经网络)模块来对待处理图像进行特征提取处理，得到特征图。
根据本公开的实施例，CNN模块可以根据实际场景来确定与场景匹配的网络结构。
例如，在CNN模块部署于终端设备上的情况下，可以选用MobileNetV3(流线型网络)或者ShuffleNetV3(鸟群分类算法)等较为轻量的网络结构，以在提高处理速度的基础上降低内存占用量。
例如，在CNN模块部署于服务器上的情况下，可以选择Resnet、Senet(塞内特)等较为复杂的网络结构，以提高处理精度。
根据本公开的实施例，可以调整CNN模块的参数，使得CNN模块的输出结果是高度为1。例如，待处理图像的大小为w*h*3，其中，w表示待处理图像的宽，h表示待处理图像的高，3表示待处理图像包括3个彩色通道。通过CNN模块的处理，得到的特征图为w/4*1*C，其中，C表示卷积特征图的通道数。
根据本公开的实施例，特征图的高度为1，使得进行视觉注意力增强处理的特征图为定位到单行文字的区域位置的特征图，由此有利于增强对文字区域的视觉关注。
根据本公开的实施例，分类模块可以包括全连接层和激活函数。激活函数可以是例如softmax激活函数，也可以是例如sigmoid激活函数。只要是能够基于视觉注意力增强特征向量，得到待处理图像中的文字内容的分类模块即可。
根据本公开的实施例，双重视觉注意力模块可以包括并联的第一视觉注意力单元和第二视觉注意力单元，并联的第一视觉注意力单元和第二视觉注意力单元后连接融合单元。
根据本公开的实施例，利用双重视觉注意力模块对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量可以包括如下操作。
例如，利用第一视觉注意力单元对特征图进行第一视觉注意力增强处理，得到第一视觉注意力增强子特征向量。利用第二视觉注意力单元对特征图进行第二视觉注意力增强处理，得到第二视觉注意力增强子特征向量。利用融合单元将第一视觉注意力增强子特征向量和第二视觉注意力增强子特征向量进行融合，得到视觉注意力增强特征向量。
根据本公开的实施例，双重视觉注意力模块设置第一视觉注意力单元和第二视觉注意力单元，可以利用第一视觉注意力单元和第二视觉注意力单元，从两种不同方向进行视觉注意力增强处理，使得融合后得到的视觉注意力增强特征向量的特征表达的更为精准。
根据本公开的实施例，利用并联的双重视觉注意力模块对特征图进行视觉注意力增强处理，与利用单个双重视觉注意力模块对特征图进行视觉注意力增强处理的操作相同。不同之处在于，多个并联的双重视觉注意力模块各自分别得到并联分级的视觉注意力增强特征向量。多个并联分级的视觉注意力增强特征向量经过融合模块处理，得到视觉注意力增强特征向量。
根据本公开的实施例，利用多个级联的双重视觉注意力模块对特征图进行视觉注意力增强处理，与利用单个双重视觉注意力模块对特征图进行视觉注意力增强处理的操作相同。不同之处在于，多个级联的双重视觉注意力模块中每个双重视觉注意力模块的输出为下一个双重视觉注意力模块的输入，最后一个双重视觉注意力模块的输出为视觉注意力增强特征向量。例如，N个级联的双重视觉注意力模块，第i个双重视觉注意力模块的输出为第i个级联分级的视觉注意力增强特征向量，第i+1个双重视觉注意力模块的输入为第i个级联分级的视觉注意力增强特征向量。
根据本公开的实施例，第一视觉注意力单元可以包括级联的第一卷积层、归一化层和第二卷积层。第二视觉注意力单元包括第三卷积层。融合单元可以包括元素相加的融合单元。
根据本公开的实施例，可以利用第一卷积层对特征图进行通道维度的第一特征提取，得到第一特征向量。利用归一化层对第一特征向量进行通道维度的归一化处理和序列维度的归一化处理，得到归一化特征向量。利用第二卷积层对归一化特征向量进行通道维度的第二特征提取，得到第一视觉注意力增强子特征向量。
根据本公开的实施例，可以利用第三卷积层对特征图进行空间维度的特征提取，得到第二视觉注意力增强子特征向量。
根据本公开的实施例，可以利用级联的第一卷积层、归一化层、第二卷积层作为第一视觉注意力单元，提取通道维度的关键文字区域信息。可以利用第三卷积层作为第二视觉注意力单元，提取空间维度的关键文字区域信息。使得并行的第一视觉注意力单元和第二视觉注意力单元分别捕获了空间维度和通道维度的关键特征，进而使得最终输出的视觉注意力增强特征向量更有利于提高后续确定待处理图像中的文字内容的精度。
根据本公开的实施例，特征图的特征尺度与视觉注意力特征向量的特征尺度大小相同。
根据本公开的实施例，第一卷积层的卷积核尺寸可以与第二卷积层的卷积核尺寸相同。第一卷积层的卷积核尺寸可以小于第三卷积层的卷积核尺寸。
例如，第一卷积层卷积核尺寸为1*1，第二卷积层的卷积核尺寸为1*1。第三卷积层的卷积核尺寸为3*3。第一卷积层的步长、第二卷积层的步长以及第三卷积层的步长均可为1。但是并不局限于此。只要是使得并行的第一视觉注意力单元和第二视觉注意力单元能够分别捕获特征图空间维度和通道维度的关键特征的卷积层参数即可。
根据本公开的实施例，归一化层可以包括softmax函数(归一化指数函数)。利用归一化层可以对第一特征向量进行通道维度的归一化处理以及序列维度的归一化处理，得到归一化特征向量。
图6示意性示出了根据本公开实施例的文本识别装置的框图。
如图6所示，文本识别装置600可以包括提取模块610、增强模块620以及确定模块630。
提取模块610，用于对待处理图像进行特征提取处理，得到特征图。
增强模块620，用于对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量。
确定模块630，用于基于视觉注意力增强特征向量，确定待处理图像中的文字内容。
根据本公开的实施例，增强模块可以包括增强子模块。
增强子模块，用于利用双重视觉注意力模块对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量。
根据本公开的实施例，双重视觉注意力模块包括级联的第一视觉注意力单元、第二视觉注意力单元以及融合单元。
根据本公开的实施例，增强子模块可以包括第一增强单元、第二增强单元以及融合单元。
第一增强单元，用于利用第一视觉注意力单元对特征图进行第一视觉注意力增强处理，得到第一视觉注意力增强子特征向量。
第二增强单元，用于利用第二视觉注意力单元对特征图进行第二视觉注意力增强处理，得到第二视觉注意力增强子特征向量。
融合单元，用于利用融合单元将第一视觉注意力增强子特征向量和第二视觉注意力增强子特征向量进行融合，得到视觉注意力增强特征向量。
根据本公开的实施例，第一视觉注意力单元包括级联的第一卷积层、归一化层和第二卷积层。
根据本公开的实施例，第一增强单元可以包括第一增强子单元、归一化子单元以及第二增强子单元。
第一增强子单元，用于利用第一卷积层对特征图进行通道维度的第一特征提取，得到第一特征向量。
归一化子单元，用于利用归一化层对第一特征向量进行通道维度的归一化处理和序列维度的归一化处理，得到归一化特征向量。
第二增强子单元，用于利用第二卷积层对归一化特征向量进行通道维度的第二特征提取，得到第一视觉注意力增强子特征向量。
根据本公开的实施例，第二视觉注意力单元包括第三卷积层。
根据本公开的实施例，第二增强单元可以包括第三增强子单元。
第三增强子单元，用于利用第三卷积层对特征图进行空间维度的特征提取，得到第二视觉注意力增强子特征向量。
根据本公开的实施例，第一卷积层的卷积核尺寸与第二卷积层的卷积核尺寸相同。第一卷积层的卷积核尺寸小于第三卷积层的卷积核尺寸。
根据本公开的实施例，增强子模块可以包括多重增强单元。
多重增强单元，用于利用多个双重视觉注意力模块对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量，其中，多个双重视觉注意力模块并联或者级联。
图7示意性示出了根据本公开实施例的文本识别模型的训练装置的框图。
如图7所示，文本识别模型的训练装置700可以包括获取模块710和训练模块720。
获取模块710，用于获取训练样本。
训练模块720，用于利用训练样本训练文本识别模型，得到训练后的文本识别模型，其中，训练样本包括图像样本和标签，标签用于表征图像样本中的文字内容。
根据本公开的实施例，文本识别模型用于：对待处理图像进行特征提取处理，得到特征图；对特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及基于视觉注意力增强特征向量，确定待处理图像中的文字内容。
根据本公开的实施例，文本识别模型的训练装置可以包括获取模块和训练模块，但是并不局限于此，还可以仅包括训练模块。
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。
根据本公开的实施例，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本公开实施例的方法。
根据本公开的实施例，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如本公开实施例的方法。
根据本公开的实施例，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本公开实施例的方法。
图8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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如文本识别方法或者文本识别模型的训练方法。例如，在一些实施例中，文本识别方法或者文本识别模型的训练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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的文本识别方法或者文本识别模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本识别方法或者文本识别模型的训练方法。
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)、复杂可编程逻辑设备(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 (19)

1.一种文本识别方法，包括：
对待处理图像进行特征提取处理，得到特征图；
对所述特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及
基于所述视觉注意力增强特征向量，确定所述待处理图像中的文字内容。
2.根据权利要求1所述的方法，其中，所述对所述特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量包括：
利用双重视觉注意力模块对所述特征图进行视觉注意力增强处理，得到所述视觉注意力增强特征向量。
3.根据权利要求2所述的方法，其中，所述双重视觉注意力模块包括级联的第一视觉注意力单元、第二视觉注意力单元和融合单元；
所述利用双重视觉注意力模块对所述特征图进行视觉注意力增强处理，得到所述视觉注意力增强特征向量包括：
利用所述第一视觉注意力单元对所述特征图进行第一视觉注意力增强处理，得到第一视觉注意力增强子特征向量；
利用所述第二视觉注意力单元对所述特征图进行第二视觉注意力增强处理，得到第二视觉注意力增强子特征向量；以及
利用所述融合单元将所述第一视觉注意力增强子特征向量和所述第二视觉注意力增强子特征向量进行融合，得到所述视觉注意力增强特征向量。
4.根据权利要求3所述的方法，其中，所述第一视觉注意力单元包括级联的第一卷积层、归一化层和第二卷积层；
所述利用所述第一视觉注意力单元对所述特征图进行第一视觉注意力增强处理，得到第一视觉注意力增强子特征向量包括：
利用所述第一卷积层对所述特征图进行通道维度的第一特征提取，得到第一特征向量；
利用所述归一化层对所述第一特征向量进行通道维度的归一化处理和序列维度的归一化处理，得到归一化特征向量；以及
利用所述第二卷积层对所述归一化特征向量进行通道维度的第二特征提取，得到所述第一视觉注意力增强子特征向量。
5.根据权利要求4所述的方法，其中，所述第二视觉注意力单元包括第三卷积层，
所述利用所述第二视觉注意力单元对所述特征图进行第二视觉注意力增强处理，得到第二视觉注意力增强子特征向量包括：
利用所述第三卷积层对所述特征图进行空间维度的特征提取，得到所述第二视觉注意力增强子特征向量。
6.根据权利要求5所述的方法，其中，所述第一卷积层的卷积核尺寸与所述第二卷积层的卷积核尺寸相同；以及所述第一卷积层的卷积核尺寸小于所述第三卷积层的卷积核尺寸。
7.根据权利要求2至6中任一项所述的方法，其中，所述利用双重视觉注意力模块对所述特征图进行视觉注意力增强处理，得到所述视觉注意力增强特征向量包括：
利用多个双重视觉注意力模块对所述特征图进行视觉注意力增强处理，得到所述视觉注意力增强特征向量，其中，所述多个双重视觉注意力模块并联或者级联。
8.一种文本识别模型的训练方法，包括：
利用训练样本训练文本识别模型，得到训练后的文本识别模型，其中，所述训练样本包括图像样本和标签，所述标签用于表征所述图像样本中的文字内容，
其中，所述文本识别模型用于：
对待处理图像进行特征提取处理，得到特征图；对所述特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及基于所述视觉注意力增强特征向量，确定所述待处理图像中的文字内容。
9.一种文本识别装置，包括：
提取模块，用于对待处理图像进行特征提取处理，得到特征图；
增强模块，用于对所述特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及
确定模块，用于基于所述视觉注意力增强特征向量，确定所述待处理图像中的文字内容。
10.根据权利要求9所述的装置，其中，所述增强模块包括：
增强子模块，用于利用双重视觉注意力模块对所述特征图进行视觉注意力增强处理，得到所述视觉注意力增强特征向量。
11.根据权利要求10所述的装置，其中，所述双重视觉注意力模块包括级联的第一视觉注意力单元、第二视觉注意力单元和融合单元；
所述增强子模块包括：
第一增强单元，用于利用所述第一视觉注意力单元对所述特征图进行第一视觉注意力增强处理，得到第一视觉注意力增强子特征向量；
第二增强单元，用于利用所述第二视觉注意力单元对所述特征图进行第二视觉注意力增强处理，得到第二视觉注意力增强子特征向量；以及
融合单元，用于利用所述融合单元将所述第一视觉注意力增强子特征向量和所述第二视觉注意力增强子特征向量进行融合，得到所述视觉注意力增强特征向量。
12.根据权利要求11所述的装置，其中，所述第一视觉注意力单元包括级联的第一卷积层、归一化层和第二卷积层；
所述第一增强单元包括：
第一增强子单元，用于利用所述第一卷积层对所述特征图进行通道维度的第一特征提取，得到第一特征向量；
归一化子单元，用于利用所述归一化层对所述第一特征向量进行通道维度的归一化处理和序列维度的归一化处理，得到归一化特征向量；以及
第二增强子单元，用于利用所述第二卷积层对所述归一化特征向量进行通道维度的第二特征提取，得到所述第一视觉注意力增强子特征向量。
13.根据权利要求12所述的装置，其中，所述第二视觉注意力单元包括第三卷积层，
所述第二增强单元包括：
第三增强子单元，用于利用所述第三卷积层对所述特征图进行空间维度的特征提取，得到所述第二视觉注意力增强子特征向量。
14.根据权利要求13所述的装置，其中，所述第一卷积层的卷积核尺寸与所述第二卷积层的卷积核尺寸相同；以及所述第一卷积层的卷积核尺寸小于所述第三卷积层的卷积核尺寸。
15.根据权利要求10至14中任一项所述的装置，其中，所述增强子模块包括：
多重增强单元，用于利用多个双重视觉注意力模块对所述特征图进行视觉注意力增强处理，得到所述视觉注意力增强特征向量，其中，所述多个双重视觉注意力模块并联或者级联。
16.一种文本识别模型的训练装置，包括：
训练模块，用于利用训练样本训练文本识别模型，得到训练后的文本识别模型，其中，所述训练样本包括图像样本和标签，所述标签用于表征所述图像样本中的文字内容，
其中，所述文本识别模型用于：
对待处理图像进行特征提取处理，得到特征图；对所述特征图进行视觉注意力增强处理，得到视觉注意力增强特征向量；以及基于所述视觉注意力增强特征向量，确定所述待处理图像中的文字内容。
17.一种电子设备，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至7中任一项所述的文本识别方法或者权利要求8所述的文本识别模型的训练方法。
18.一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至7中任一项所述的文本识别方法或者权利要求8所述的文本识别模型的训练方法。
19.一种计算机程序产品，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至7中任一项所述的文本识别方法或者权利要求8所述的文本识别模型的训练方法。
CN202210110161.0A 2022-01-28 2022-01-28 文本识别方法、模型的训练方法、装置、电子设备及介质 Active CN114429633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210110161.0A CN114429633B (zh) 2022-01-28 2022-01-28 文本识别方法、模型的训练方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210110161.0A CN114429633B (zh) 2022-01-28 2022-01-28 文本识别方法、模型的训练方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN114429633A true CN114429633A (zh) 2022-05-03
CN114429633B CN114429633B (zh) 2023-10-27

Family

ID=81314010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210110161.0A Active CN114429633B (zh) 2022-01-28 2022-01-28 文本识别方法、模型的训练方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN114429633B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758332A (zh) * 2022-06-13 2022-07-15 北京万里红科技有限公司 一种文本检测方法、装置、计算设备及存储介质
CN115471851A (zh) * 2022-10-11 2022-12-13 小语智能信息科技(云南)有限公司 融合双重注意力机制的缅甸语图像文本识别方法及装置
CN116385789A (zh) * 2023-04-07 2023-07-04 北京百度网讯科技有限公司 图像处理方法、训练方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111899292A (zh) * 2020-06-15 2020-11-06 北京三快在线科技有限公司 文字识别方法、装置、电子设备及存储介质
CN112686345A (zh) * 2020-12-31 2021-04-20 江南大学 一种基于注意力机制的脱机英文手写识别方法
CN112784831A (zh) * 2021-02-02 2021-05-11 电子科技大学 融合多层特征增强注意力机制的文字识别方法
CN112801103A (zh) * 2021-01-19 2021-05-14 网易（杭州）网络有限公司 文本方向识别及文本方向识别模型训练方法、装置
WO2021115159A1 (zh) * 2019-12-09 2021-06-17 中兴通讯股份有限公司 文字识别网络模型训练方法、文字识别方法、装置、终端及其计算机存储介质
CN113495575A (zh) * 2021-08-18 2021-10-12 北京航空航天大学 一种基于注意力机制的无人机自主着陆视觉引导方法
CN113591546A (zh) * 2021-06-11 2021-11-02 中国科学院自动化研究所 语义增强型场景文本识别方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021115159A1 (zh) * 2019-12-09 2021-06-17 中兴通讯股份有限公司 文字识别网络模型训练方法、文字识别方法、装置、终端及其计算机存储介质
CN113033249A (zh) * 2019-12-09 2021-06-25 中兴通讯股份有限公司 文字识别方法、装置、终端及其计算机存储介质
CN111899292A (zh) * 2020-06-15 2020-11-06 北京三快在线科技有限公司 文字识别方法、装置、电子设备及存储介质
CN112686345A (zh) * 2020-12-31 2021-04-20 江南大学 一种基于注意力机制的脱机英文手写识别方法
CN112801103A (zh) * 2021-01-19 2021-05-14 网易（杭州）网络有限公司 文本方向识别及文本方向识别模型训练方法、装置
CN112784831A (zh) * 2021-02-02 2021-05-11 电子科技大学 融合多层特征增强注意力机制的文字识别方法
CN113591546A (zh) * 2021-06-11 2021-11-02 中国科学院自动化研究所 语义增强型场景文本识别方法及装置
CN113495575A (zh) * 2021-08-18 2021-10-12 北京航空航天大学 一种基于注意力机制的无人机自主着陆视觉引导方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUN FU 等: "Dual Attention Network for Scene Segmentation", 《ARXIV:1809.02983V4》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758332A (zh) * 2022-06-13 2022-07-15 北京万里红科技有限公司 一种文本检测方法、装置、计算设备及存储介质
CN114758332B (zh) * 2022-06-13 2022-09-02 北京万里红科技有限公司 一种文本检测方法、装置、计算设备及存储介质
CN115471851A (zh) * 2022-10-11 2022-12-13 小语智能信息科技(云南)有限公司 融合双重注意力机制的缅甸语图像文本识别方法及装置
CN116385789A (zh) * 2023-04-07 2023-07-04 北京百度网讯科技有限公司 图像处理方法、训练方法、装置、电子设备及存储介质
CN116385789B (zh) * 2023-04-07 2024-01-23 北京百度网讯科技有限公司 图像处理方法、训练方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN114429633B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN112966522B (zh) 一种图像分类方法、装置、电子设备及存储介质
CN113326764B (zh) 训练图像识别模型和图像识别的方法和装置
US20200004815A1 (en) Text entity detection and recognition from images
CN113313022B (zh) 文字识别模型的训练方法和识别图像中文字的方法
CN112926306B (zh) 文本纠错方法、装置、设备以及存储介质
CN114429633B (zh) 文本识别方法、模型的训练方法、装置、电子设备及介质
CN113989593A (zh) 图像处理方法、检索方法、训练方法、装置、设备及介质
CN113901907A (zh) 图文匹配模型训练方法、图文匹配方法及装置
CN113836925B (zh) 预训练语言模型的训练方法、装置、电子设备及存储介质
CN114444619B (zh) 样本生成方法、训练方法、数据处理方法以及电子设备
CN114494784A (zh) 深度学习模型的训练方法、图像处理方法和对象识别方法
CN113627439A (zh) 文本结构化处理方法、处理装置、电子设备以及存储介质
CN115546488B (zh) 信息分割方法、信息提取方法和信息分割模型的训练方法
CN113360700A (zh) 图文检索模型的训练和图文检索方法、装置、设备和介质
CN115358392A (zh) 深度学习网络的训练方法、文本检测方法及装置
CN113657395A (zh) 文本识别方法、视觉特征提取模型的训练方法及装置
CN114428677B (zh) 任务处理方法、处理装置、电子设备及存储介质
CN114445826A (zh) 视觉问答方法、装置、电子设备以及存储介质
CN114494747A (zh) 模型的训练方法、图像处理方法、装置、电子设备及介质
CN114037059A (zh) 预训练模型、模型的生成方法、数据处理方法及装置
CN115082598B (zh) 文本图像生成、训练、文本图像处理方法以及电子设备
CN114724144B (zh) 文本识别方法、模型的训练方法、装置、设备及介质
CN115690816A (zh) 一种文本要素提取方法、装置、设备和介质
CN112948584B (zh) 短文本分类方法、装置、设备以及存储介质
CN115116080A (zh) 表格解析方法、装置、电子设备和存储介质

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