CN114743196B - 文本识别的方法及装置、神经网络的训练方法 - Google Patents

Abstract

本公开提供了一种用于文本识别的神经网络及其训练方法、文本识别的方法，涉及人工智能领域，具体涉及计算机视觉和深度学习技术。神经网络包括：第一卷积子网络被配置为基于待识别图像输出第一特征图；局部融合子网络被配置为利用自注意力机制基于第一特征图中的每个像素的特征向量和第一特征图中的多个目标像素的特征向量，确定该像素的局部特征向量以得到第二特征图；第二卷积子网络被配置为基于第二特征图输出第三特征图；全局融合子网络被配置为利用自注意力机制基于第三特征图中的每个像素的特征向量和第三特征图中的每个像素的特征向量，确定该像素的全局特征向量以得到第四特征图；输出子网络被配置为基于第四特征图输出文本识别结果。

Description

文本识别的方法及装置、神经网络的训练方法

技术领域

本公开涉及人工智能领域，具体涉及机器学习技术、计算机视觉技术、图像处理技术和深度学习技术，特别涉及一种用于文本识别的神经网络、利用神经网络进行文本识别的方法、神经网络的训练方法、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。

OCR(Optical Character Recognition，光学字符识别)是一项可以将图片信息转换为更易编辑和存储的文本信息的技术。目前被广泛应用于各种场景，如票据识别、银行卡信息识别、公式识别等，此外OCR也帮助了很多下游任务，比如字幕翻译、安全监控等；同时也有助于其他视觉任务，如视频搜索等。

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本识别的神经网络、利用神经网络进行文本识别的方法、神经网络的训练方法、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，提供了一种用于文本识别的神经网络，包括：第一卷积子网络，被配置为对待识别图像进行卷积处理，以输出第一特征图；局部融合子网络，被配置为针对第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第一特征图中的多个目标像素各自的特征向量，确定该像素的局部特征向量，以得到第二特征图，其中，多个目标像素包括第一特征图中位于该像素的邻域中的多个像素；第二卷积子网络，被配置为对第二特征图进行卷积处理，以输出第三特征图；全局融合子网络，被配置为针对第三特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第三特征图中的每一个像素各自的特征向量，确定该像素的全局特征向量，以得到第四特征图；以及输出子网络，被配置为基于第四特征图，输出文本识别结果。

根据本公开的另一方面，提供了一种利用神经网络进行文本识别的方法，神经网络包括第一卷积子网络、局部融合子网络、第二卷积子网络、全局融合子网络、以及输出子网络，方法包括：将待识别图像输入第一卷积子网络，第一卷积子网络被配置为对待识别图像进行卷积处理，以输出第一特征图；将第一特征图输入局部融合子网络，局部融合子网络被配置为针对第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第一特征图中的多个目标像素各自的特征向量，确定该像素的局部特征向量，以得到第二特征图，其中，多个目标像素包括第一特征图中位于该像素的邻域中的多个像素；将第二特征图输入第二卷积子网络，第二卷积子网络被配置为对第二特征图进行卷积处理，以输出第三特征图；将第三特征图输入全局融合子网络，全局融合子网络被配置为针对第三特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第三特征图中的每一个像素各自的特征向量，确定该像素的全局特征向量，以得到第四特征图；以及将第四特征图输入输出子网络，输出子网络被配置为基于第四特征图，输出文本识别结果。

根据本公开的另一方面，提供了一种神经网络的训练方法，神经网络包括第一卷积子网络、局部融合子网络、第二卷积子网络、全局融合子网络、以及输出子网络，方法包括：确定样本图像和对应的真实结果；将样本图像输入第一卷积子网络，第一卷积子网络被配置为对样本图像进行卷积处理，以输出第一特征图；将第一特征图输入局部融合子网络，局部融合子网络被配置为针对第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第一特征图中的多个目标像素各自的特征向量，确定该像素的局部特征向量，以得到第二特征图，其中，多个目标像素包括第一特征图中位于该像素的邻域中的多个像素；将第二特征图输入第二卷积子网络，第二卷积子网络被配置为对第二特征图进行卷积处理，以输出第三特征图；将第三特征图输入全局融合子网络，全局融合子网络被配置为针对第三特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第三特征图中的每一个像素各自的特征向量，确定该像素的全局特征向量，以得到第四特征图；将第四特征图输入输出子网络，输出子网络被配置为基于第四特征图，输出对样本图像进行文本识别的预测结果；基于真实结果和预测结果，计算损失值；以及基于损失值调整神经网络的参数，以得到训练后的神经网络。

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，通过使用利用自注意力机制的网络模块，使得能够并行处理图像特征，从而提升训练速度和预测速度，而通过使用局部融合子网络和全局融合子网络，使得能够考虑文字字符之间的局部相关性和全局相关性，从而提升预测精度。此外，通过使用卷积子网络使得能够利用现有的深度学习加速库进行加速，从而进一步提升训练速度和推理阶段的预测速度。

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1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2示出了根据本公开示例性实施例的用于文本识别的神经网络的结构框图；

图3示出了根据本公开示例性实施例的文本识别的方法的流程图；

图4示出了根据本公开示例性实施例的神经网络的训练方法的流程图；以及

图5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，现有的OCR方法通常使用循环神经网络(Recursive NeuralNetwork，RNN)进行序列建模，但RNN存在无法并行训练、训练预测效率较低的问题。

为解决上述问题，本公开通过使用利用自注意力机制的网络模块，使得能够并行处理图像特征，从而提升训练速度和预测速度，而通过使用局部融合子网络和全局融合子网络，使得能够考虑文字字符之间的局部相关性和全局相关性，从而提升预测精度。此外，通过使用卷积子网络使得能够利用现有的深度学习加速库进行加速，从而进一步提升训练速度和推理阶段的预测速度。

下面将结合附图详细描述本公开的实施例。

图1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1，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文本识别的方法和/或神经网络的训练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1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1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来进行待识别图像的采集操作。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，用户可以使用客户端设备的照相机采集待识别图像，或使用客户端设备向服务器上传客户端设备中存储的图像。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服务器上运行的文本识别方法对用户上传的待识别图像进行识别而得到的文本。尽管图1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1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。

根据本公开的一方面，提供了一种神经网络。如图2所示，神经网络200包括：第一卷积子网络204，被配置为对待识别图像202进行卷积处理，以输出第一特征图；局部融合子网络206，被配置为针对第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第一特征图中的多个目标像素各自的特征向量，确定该像素的局部特征向量，以得到第二特征图，其中，多个目标像素包括第一特征图中位于该像素的邻域中的多个像素；第二卷积子网络208，被配置为对第二特征图进行卷积处理，以输出第三特征图；全局融合子网络210，被配置为针对第三特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第三特征图中的每一个像素各自的特征向量，确定该像素的全局特征向量，以得到第四特征图；以及输出子网络212，被配置为基于第四特征图，输出文本识别结果214。

由此，通过使用利用自注意力机制的网络模块，使得能够并行处理图像特征，从而提升训练速度和预测速度，而通过使用局部融合子网络和全局融合子网络，使得能够考虑文字字符之间的局部相关性和全局相关性，从而提升预测精度。此外，通过使用卷积子网络使得能够利用现有的深度学习加速库例如用于深度神经网络的数学内核库(Math KernelLibrary for Deep Neural Networks，MKL-DNN)进行加速，从而进一步提升训练速度和推理阶段的预测速度。

根据一些实施例，本公开的神经网络及其训练方法和文本识别方法可以适用于任意文本识别场景，包含中文、英文、多语言等等。

根据一些实施例，待识别图像可以是任意包含文本的图像。如上，待识别图像可以是由客户端设备的照相机拍摄的图像，也可以是客户端设备上已经存储的图像，或者以其他方式获取到的图像，在此不做限定。

在一些实施例中，由于文本通常为长条形，因此可以对输入神经网络的待识别图像的尺寸进行限定。在一个示例性实施例中，该尺寸为32×320。可以理解的是，可以根据实际的需求设置不同的输入尺寸。在一些实施例中，可以在第一卷积子网络之前设置预处理子网络以对接收到的原始图像进行预处理，从而能够得到满足输入尺寸和/或满足其他输入要求的待识别图像。

根据一些实施例，第一卷积子网络和第二卷积子网络中的至少一者可以包括深度可分离卷积层。深度可分离卷积层对接收到的特征图的操作可以分为两步：第一步对原特征图的每个通道分别使用对应的N×N×1的卷积核进行处理，以得到和原特征图的尺寸相同的中间特征图；第二步使用k个1×1的卷积核对中间特征图进行处理，以得到和原特征图的宽高均相同，但深度为k的特征图。使用深度可分离卷积能够大幅降低乘法运算次数，从而显著降低计算成本，并且能够降低需要存储的参数量。

根据一些实施例，第一卷积子网络还可以包括常规卷积层，从而更好地从待识别图像中提取图像特征信息。第一卷积子网络和第二卷积子网络中的至少一个可以包括第一深度可分离卷积层，第二卷积子网络可以包括第二深度可分离卷积层。第一深度可分离卷积层的卷积核的尺寸可以小于第二深度可分离卷积层的卷积核的尺寸。在一个示例性实施例中，第一深度可分离卷积层的卷积核的尺寸可以为3×3，第二深度可分离卷积层的卷积核可以为5×5。由此，通过逐步加大感受野的尺寸，能够充分学习到待识别图像的深层语义特征。

在一些实施例中，在部分层之后，还可以使用压缩和激发网络(Squeeze-and-Excitation Net，SENet)的方式对得到的特征图进行处理，以进一步强化特征。

在一些实施例中，第一卷积子网络和第二卷积子网络各自可以为适用于中央处理器(Central Processing Unit，CPU)的飞桨超轻量卷积神经网络(PaddlePaddle basedLightweight CPU Convolutional Neural Network，PP-LCNet)的一部分。PP-LCNet是一种轻量化的网络，使用的参数较少，训练和推理阶段的计算量较小，并且可以使用MKL-DNN进行CPU运行层面的优化，因此可以用于对性能要求较高的任务场景。OCR任务通常需要快速得到准确的文本识别结果，因此使用PP-LCNet能充分发挥其上述优势。

PP-LCNet包括5个阶段(Stage)，其中：

阶段1包括一个常规卷积层，卷积核为3×3，步长为2；

阶段2包括两个深度可分离卷积层，卷积核为3×3，步长分别为1和2；

阶段3包括两个深度可分离卷积层，卷积核为3×3，步长分别为1和2；

阶段4包括两个深度可分离卷积层，卷积核为3×3，步长分别为1和2；

阶段5包括七个深度可分离卷积层，卷积核为5×5，前5个卷积层和第七个卷积层的步长为1，第六个卷积层的步长为2，第六个卷积层和第七个卷积层之后使用SENet(也可以称作SE模块)。

在一些实施例中，可以在阶段1和2之间、阶段2和3之间、阶段3和4之间、以及阶段4和5之间四个位置中的一个或多个位置加入局部融合子网络。

局部融合子网络的数量越多，模型的推理速度越慢。经试验，放入一个局部融合子网络即能显著提升准确率。此外，局部融合子网络接近神经网络的输入端会使得计算量显著增加(相邻的两个卷积层/阶段输出的特征图的像素数成四倍甚至四的指数倍关系，并且越靠近输入端差值越大)，而接近神经网络的输出端会一定程度降低准确率。经试验，在阶段3和4之间加入局部融合子网络能够达到两者间的最佳平衡，从而以较少的时间代价显著提升神经网络的推理精度。

根据一些实施例，针对第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第一特征图中的多个目标像素各自的特征向量确定该像素的局部特征向量，以得到第二特征图可以包括：确定多个目标像素中的每一个目标像素对应的特征向量关于该像素对应的特征向量的注意力得分；以及基于多个目标像素中的每一个目标像素对应的特征向量关于与该像素对应的特征向量的注意力得分，将多个目标像素各自对应的特征向量进行融合，以得到的该像素的局部特征向量。由此，实现了对第一特征图中的每一个像素的局部邻域中的像素利用自注意力机制进行融合，获取到了笔画间的局部特征，从而强化了该像素的特征向量。

上述对该像素的特征向量和多个目标像素各自对应的特征向量的处理方法可以参照现有技术中Transformer块对不同的输入特征的操作。通过使用利用自注意力机制的方法，一方面可以提升推理精度，另一方面可以对特征进行并行处理，以加快训练过程并提升推理速度。

在一些实施例中，可以根据需求设置局部邻域的范围，例如以目标像素为中心的、具有预设宽度和预设高度的矩形区域。预设宽度和预设高度的具体取值也可以根据需求进行确定。可以理解的是，也可以设置其他形状或其他范围的局部邻域，在此不做限定。

在一些实施例中，局部融合子网络不会改变特征图的尺寸。也就是说，第一特征图和第二特征图的尺寸相同。

在一些实施例中，得到第三特征图后可以直接使用全局融合子网络对其进行处理，也可以先使用一个卷积层对其尺寸进行变换后，再使用全局融合子网络对尺寸变换后的第三特征图进行处理。在一个示例性实施例中，待识别图像的尺寸为H×W，第二卷积子网络输出的第三特征图的的尺寸为H/32×W/4，进一步使用卷积层处理后的尺寸变换后的第三特征图的尺寸为H/32×W/8。

根据一些实施例，第三特征图的高度可以为待识别图像的高度的1/32。在待识别图像高度为32的实施例中，第三特征图的高度可以为1。可以理解的是，这里的第三特征图可以是由第二卷积子网络输出的第三特征图，也可以是经过尺寸变换后的第三特征图。这样进行设置是考虑到全局融合子网络的预测速度与其接收到的特征的形状/尺寸高度敏感，因此通过限定输入的特征形状能够提升其预测速度，进而提升整体的文本识别速度。实际上，高度为1的第三特征图本质上等同于特征向量序列，序列中的每一个特征向量对应待识别图像中的若干连续列的像素所构成的图像区域。

在得到第三特征图后，可以使用同样基于自注意力机制的全局融合子网络对第三特征图进行处理。可以理解的是，全局融合子网络处理第三特征图的方式与局部融合子网络处理第一特征图的方式类似，区别在于全局融合子网络针对第三特征图中的每一个目标像素，计算和第三特征图中的每个像素对应的注意力得分，并根据每个像素的注意力得分将所有像素的特征向量进行融合，以强化该目标像素的特征向量。全局融合子网络能够实现对全局特征的合并。

在一些实施例中，全局融合子网络同样不会改变特征图的尺寸。也就是说，第三特征图和第四特征图的尺寸相同。在一个示例性实施例中，第三特征图和第四特征图的尺寸均为1×40。

根据一些实施例，神经网络还可以包括以下中的至少一者：第一融合层，被配置为融合第一特征图和第二特征图以更新第二特征图；以及第二融合层，被配置为融合第三特征图和第四特征图以更新第四特征图。由此，通过上述融合层(即，跳跃连接)，进一步丰富了特征图的表征，使得其同时包括深层和浅层的语义信息，从而提升了推理结果的准确性。

根据一些实施例，输出子网络可以为任意能够基于特征图输出文本识别结果的网络结构。在一个示例性实施例中，输出子网络可以是全连接层或多层感知机。可以理解的是，也可以使用其他的网络结构作为输出子网络，在此不做限定。

根据本公开的另一方面，提供了一种利用神经网络进行文本识别的方法。神经网络包括第一卷积子网络、局部融合子网络、第二卷积子网络、全局融合子网络、以及输出子网络。如图3所示，该方法包括：步骤S301、将待识别图像输入第一卷积子网络，第一卷积子网络被配置为对待识别图像进行卷积处理，以输出第一特征图；步骤S302、将第一特征图输入局部融合子网络，局部融合子网络被配置为针对第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第一特征图中的多个目标像素各自的特征向量，确定该像素的局部特征向量，以得到第二特征图，其中，多个目标像素包括第一特征图中位于该像素的邻域中的多个像素；步骤S303、将第二特征图输入第二卷积子网络，第二卷积子网络被配置为对第二特征图进行卷积处理，以输出第三特征图；步骤S304、将第三特征图输入全局融合子网络，全局融合子网络被配置为针对第三特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第三特征图中的每一个像素各自的特征向量，确定该像素的全局特征向量，以得到第四特征图；以及步骤S305、将第四特征图输入输出子网络，输出子网络被配置为基于第四特征图，输出文本识别结果。

可以理解的是，图3中的步骤S301-步骤S305的操作分别和神经网络200中的子网络204-子网络212的操作类似，在此不做赘述。

由此，通过使用利用自注意力机制的网络模块，使得能够并行处理图像特征，从而提升预测速度，而通过使用局部融合子网络和全局融合子网络，使得能够考虑文字字符之间的局部相关性和全局相关性，从而提升预测精度。此外，通过使用卷积子网络使得能够利用现有的深度学习加速库进行加速，从而进一步提升推理阶段的预测速度。

根据一些实施例，第一卷积子网络和第二卷积子网络中的至少一者可以包括深度可分离卷积层。

根据一些实施例，第一卷积子网络可以包括常规卷积层，第一卷积子网络和第二卷积子网络中的至少一者可以包括第一深度可分离卷积层，第二卷积子网络可以包括第二深度可分离卷积层。第一深度可分离卷积层所使用的卷积核的尺寸小于第二深度可分离卷积层所使用的卷积核的尺寸。

根据一些实施例，针对第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第一特征图中的多个目标像素各自的特征向量确定该像素的局部特征向量，以得到第二特征图可以包括：确定多个目标像素中的每一个目标像素对应的特征向量关于该像素对应的特征向量的注意力得分；以及基于多个目标像素中的每一个目标像素对应的特征向量关于与该像素对应的特征向量的注意力得分，将多个目标像素各自对应的特征向量进行融合，以得到的该像素的局部特征向量。

根据一些实施例，第三特征图的高度可以为待识别图像的高度的1/32。

根据一些实施例，文本识别的方法还可以包括以下中的至少一者：融合第一特征图和第二特征图以更新第二特征图；以及融合第三特征图和第四特征图以更新第四特征图。

根据本公开的另一方面，提供了一种神经网络的训练方法。神经网络包括第一卷积子网络、局部融合子网络、第二卷积子网络、全局融合子网络、以及输出子网络。如图4所示，训练方法包括：步骤S401、确定样本图像和对应的真实结果；步骤S402、将样本图像输入第一卷积子网络，第一卷积子网络被配置为对样本图像进行卷积处理，以输出第一特征图；步骤S403、将第一特征图输入局部融合子网络，局部融合子网络被配置为针对第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第一特征图中的多个相关像素各自的特征向量，确定该像素的局部特征向量，以得到第二特征图；步骤S404、将第二特征图输入第二卷积子网络，第二卷积子网络被配置为对第二特征图进行卷积处理，以输出第三特征图；步骤S405、将第三特征图输入全局融合子网络，全局融合子网络被配置为针对第三特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第三特征图中的每一个像素各自的特征向量，确定该像素的全局特征向量，以得到第四特征图；步骤S406、将第四特征图输入输出子网络，输出子网络被配置为基于第四特征图，输出对样本图像进行文本识别的预测结果；步骤S407、基于真实结果和预测结果，计算损失值；以及步骤S408、基于损失值调整神经网络的参数，以得到训练后的神经网络。可以理解的是，图4中的步骤S402-步骤S406的操作和图3中的步骤S301-步骤S305的操作类似，在此不做赘述。

由此，通过使用利用自注意力机制的网络模块，使得能够并行处理图像特征，从而提升训练速度和预测速度，而通过使用局部融合子网络和全局融合子网络，使得能够考虑文字字符之间的局部相关性和全局相关性，从而提升预测精度。此外，通过使用卷积子网络使得能够利用现有的深度学习加速库进行加速，从而进一步提升训练速度和推理阶段的预测速度。

根据一些实施例，损失值可以包括连接时序分类(Connectionist temporalclassification，CTC)损失值和中心损失值。CTC损失是常用的预测标签序列的损失值，而中心损失能够为每一个类别提供一个类别中心，最小化每一个批(batch)中每个样本与对应类别中心的距离，从而使得类内距离更小。因此，通过使用CTC损失和中心损失，一方面保证了模型预测速度，支持变长文本输入，另一方面进一步挖掘字符之间的相关性，解决了文本之间形近字难以辨别的问题。

根据一些实施例，第一卷积子网络和第二卷积子网络中的至少一者可以包括深度可分离卷积层。

根据一些实施例，第一卷积子网络可以包括常规卷积层，第一卷积子网络和第二卷积子网络中的至少一者可以包括第一深度可分离卷积层，第二卷积子网络可以包括第二深度可分离卷积层。第一深度可分离卷积层所使用的卷积核的尺寸小于第二深度可分离卷积层所使用的卷积核的尺寸。

根据一些实施例，针对第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和第一特征图中的多个目标像素各自的特征向量确定该像素的局部特征向量，以得到第二特征图可以包括：确定多个目标像素中的每一个目标像素对应的特征向量关于该像素对应的特征向量的注意力得分；以及基于多个目标像素中的每一个目标像素对应的特征向量关于与该像素对应的特征向量的注意力得分，将多个目标像素各自对应的特征向量进行融合，以得到的该像素的局部特征向量。

根据一些实施例，第三特征图的高度可以为待识别图像的高度的1/32。

根据一些实施例，文本识别的方法还可以包括以下中的至少一者：融合第一特征图和第二特征图以更新第二特征图；以及融合第三特征图和第四特征图以更新第四特征图。

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5，现将描述可以作为本公开的服务器或客户端的电子设备900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5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类型的设备，输入单元506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507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508可以包括但不限于磁盘、光盘。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理，例如文本识别的方法和/或神经网络的训练方法和机器学习模型的训练方法。例如，在一些实施例中，文本识别的方法和/或神经网络的训练方法和机器学习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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的文本识别的方法和/或神经网络的训练方法和机器学习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501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的方法和/或神经网络的训练方法和机器学习模型的训练方法。

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)、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 (15)

1.一种利用神经网络进行文本识别的装置，包括：

第一卷积子网络，被配置为对待识别图像进行卷积处理，以输出第一特征图，其中，所述第一卷积子网络包括：

第一阶段子网络，包括卷积核为3×3，步长为2的常规卷积层；

第二阶段子网络，包括卷积核为3×3，步长分别为1和2的两个深度可分离卷积层；以及

第三阶段子网络，包括卷积核为3×3，步长分别为1和2的两个深度可分离卷积层；

局部融合子网络，被配置为针对所述第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和所述第一特征图中的多个目标像素各自的特征向量，确定该像素的局部特征向量，以得到第二特征图，其中，所述多个目标像素包括所述第一特征图中位于该像素的邻域中的多个像素，所述邻域包括以该像素为中心并且具有预设宽度和预设高度的矩形区域；

第二卷积子网络，被配置为对所述第二特征图进行卷积处理，以输出第三特征图，其中，所述第二卷积子网络包括：

第四阶段子网络，包括卷积核为3×3，步长分别为1和2的两个深度可分离卷积层；以及

第五阶段子网络，包括卷积核为5×5的七个深度可分离卷积层，其中，所述第五阶段子网络中的前五个深度可分离卷积层和第七个深度可分离卷积层的步长为1，第六个深度可分离卷积层的步长为2；

全局融合子网络，被配置为针对所述第三特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和所述第三特征图中的每一个像素各自的特征向量，确定该像素的全局特征向量，以得到第四特征图；以及

输出子网络，被配置为基于所述第四特征图，输出文本识别结果。

2.根据权利要求1所述的装置，其中，所述第三特征图的高度为所述待识别图像的高度的1/32。

3.根据权利要求1或2所述的装置，还包括以下中的至少一者：

第一融合层，被配置为融合所述第一特征图和所述第二特征图以更新所述第二特征图；以及

第二融合层，被配置为融合所述第三特征图和所述第四特征图以更新所述第四特征图。

4.根据权利要求1或2所述的装置，其中，针对所述第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和所述第一特征图中的多个目标像素各自的特征向量确定该像素的局部特征向量，以得到第二特征图包括：

确定所述多个目标像素中的每一个目标像素对应的特征向量关于该像素对应的特征向量的注意力得分；以及

基于所述多个目标像素中的每一个目标像素对应的特征向量关于该像素对应的特征向量的注意力得分，将所述多个目标像素各自对应的特征向量进行融合，以得到该像素的局部特征向量。

5.一种利用神经网络进行文本识别的方法，所述神经网络包括第一卷积子网络、局部融合子网络、第二卷积子网络、全局融合子网络、以及输出子网络，所述方法包括：

将待识别图像输入所述第一卷积子网络，所述第一卷积子网络被配置为对待识别图像进行卷积处理，以输出第一特征图，其中，所述第一卷积子网络包括：

第一阶段子网络，包括卷积核为3×3，步长为2的常规卷积层；

第二阶段子网络，包括卷积核为3×3，步长分别为1和2的两个深度可分离卷积层；以及

第三阶段子网络，包括卷积核为3×3，步长分别为1和2的两个深度可分离卷积层；

将所述第一特征图输入所述局部融合子网络，所述局部融合子网络被配置为针对所述第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和所述第一特征图中的多个目标像素各自的特征向量，确定该像素的局部特征向量，以得到第二特征图，其中，所述多个目标像素包括所述第一特征图中位于该像素的邻域中的多个像素，所述邻域包括以该像素为中心并且具有预设宽度和预设高度的矩形区域；

将所述第二特征图输入所述第二卷积子网络，所述第二卷积子网络被配置为对所述第二特征图进行卷积处理，以输出第三特征图，其中，所述第二卷积子网络包括：

第四阶段子网络，包括卷积核为3×3，步长分别为1和2的两个深度可分离卷积层；以及

第五阶段子网络，包括卷积核为5×5的七个深度可分离卷积层，其中，所述第五阶段子网络中的前五个深度可分离卷积层和第七个深度可分离卷积层的步长为1，第六个深度可分离卷积层的步长为2；

将所述第三特征图输入所述全局融合子网络，所述全局融合子网络被配置为针对所述第三特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和所述第三特征图中的每一个像素各自的特征向量，确定该像素的全局特征向量，以得到第四特征图；以及

将所述第四特征图输入所述输出子网络，所述输出子网络被配置为基于所述第四特征图，输出文本识别结果。

6.根据权利要求5所述的方法，其中，所述第三特征图的高度为所述待识别图像的高度的1/32。

7.根据权利要求5或6所述的方法，还包括以下中的至少一者：

融合所述第一特征图和所述第二特征图以更新所述第二特征图；以及

融合所述第三特征图和所述第四特征图以更新所述第四特征图。

8.根据权利要求5或6所述的方法，其中，针对所述第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和所述第一特征图中的多个目标像素各自的特征向量确定该像素的局部特征向量，以得到第二特征图包括：

确定所述多个目标像素中的每一个目标像素对应的特征向量关于该像素对应的特征向量的注意力得分；以及

基于所述多个目标像素中的每一个目标像素对应的特征向量关于与该像素对应的特征向量的注意力得分，将所述多个目标像素各自对应的特征向量进行融合，以得到该像素的局部特征向量。

9.一种神经网络的训练方法，所述神经网络包括第一卷积子网络、局部融合子网络、第二卷积子网络、全局融合子网络、以及输出子网络，所述方法包括：

确定样本图像和对应的真实结果；

将所述样本图像输入所述第一卷积子网络，所述第一卷积子网络被配置为对所述样本图像进行卷积处理，以输出第一特征图，其中，所述第一卷积子网络包括：

第一阶段子网络，包括卷积核为3×3，步长为2的常规卷积层；

第二阶段子网络，包括卷积核为3×3，步长分别为1和2的两个深度可分离卷积层；以及

第三阶段子网络，包括卷积核为3×3，步长分别为1和2的两个深度可分离卷积层；

将所述第一特征图输入所述局部融合子网络，所述局部融合子网络被配置为针对所述第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和所述第一特征图中的多个目标像素各自的特征向量，确定该像素的局部特征向量，以得到第二特征图，其中，所述多个目标像素包括所述第一特征图中位于该像素的邻域中的多个像素，所述邻域包括以该像素为中心并且具有预设宽度和预设高度的矩形区域；

将所述第二特征图输入所述第二卷积子网络，所述第二卷积子网络被配置为对所述第二特征图进行卷积处理，以输出第三特征图，其中，所述第二卷积子网络包括：

第四阶段子网络，包括卷积核为3×3，步长分别为1和2的两个深度可分离卷积层；以及

第五阶段子网络，包括卷积核为5×5的七个深度可分离卷积层，其中，所述第五阶段子网络中的前五个深度可分离卷积层和第七个深度可分离卷积层的步长为1，第六个深度可分离卷积层的步长为2；

将所述第三特征图输入所述全局融合子网络，所述全局融合子网络被配置为针对所述第三特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和所述第三特征图中的每一个像素各自的特征向量，确定该像素的全局特征向量，以得到第四特征图；

将所述第四特征图输入所述输出子网络，所述输出子网络被配置为基于所述第四特征图，输出对所述样本图像进行文本识别的预测结果；

基于所述真实结果和所述预测结果，计算损失值；以及

基于所述损失值调整所述神经网络的参数，以得到训练后的神经网络。

10.根据权利要求9所述的方法，其中，所述损失值包括连接时序分类(CTC)损失值和中心损失值。

11.根据权利要求9所述的方法，其中，所述第三特征图的高度为所述样本图像的高度的1/32。

12.根据权利要求9-11中任一项所述的方法，还包括以下中的至少一者：

融合所述第一特征图和所述第二特征图以更新所述第二特征图；以及

融合所述第三特征图和所述第四特征图以更新所述第四特征图。

13.根据权利要求9-11中任一项所述的方法，其中，针对所述第一特征图中的每一个像素，利用自注意力机制基于该像素对应的特征向量和所述第一特征图中的多个目标像素各自的特征向量确定该像素的局部特征向量，以得到第二特征图包括：

确定所述多个目标像素中的每一个目标像素对应的特征向量关于该像素对应的特征向量的注意力得分；以及

基于所述多个目标像素中的每一个目标像素对应的特征向量关于该像素对应的特征向量的注意力得分，将所述多个目标像素各自对应的特征向量进行融合，以得到该像素的局部特征向量。

14.一种电子设备，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5-13中任一项所述的方法。

15.一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5-13中任一项所述的方法。

Images