CN114913532A - 一种文字笔画书写顺序评估方法、装置、设备及存储介质 - Google Patents
一种文字笔画书写顺序评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114913532A CN114913532A CN202210480055.1A CN202210480055A CN114913532A CN 114913532 A CN114913532 A CN 114913532A CN 202210480055 A CN202210480055 A CN 202210480055A CN 114913532 A CN114913532 A CN 114913532A
- Authority
- CN
- China
- Prior art keywords
- track point
- sequence
- target
- character
- stroke
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Character Discrimination (AREA)
Abstract
本发明提供了一种文字笔画书写顺序评估方法、装置、设备及存储介质,方法包括:获取目标文字对应的轨迹点序列,并对获取的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列;根据目标轨迹点序列,按实际的笔画书写顺序依次预测目标文字的每个笔画所属的笔画类别,得到目标文字的笔画类别序列;根据目标文字的笔画类别序列和目标文字对应的标准文字的笔画类别序列,对目标文字的笔画书写顺序是否正确以及笔画书写顺序不正确时的顺序错误笔画,并输出评估结果。经由本发明提供的方法获得的评估结果能够有效地帮助用户纠正笔画书写顺序错误,从而帮助用户掌握文字的笔画书写顺序,对培养用户养成正确的书写习惯具有十分重要的意义。
Description
技术领域
本发明涉及书写质量评估技术领域,尤其涉及一种文字笔画书写顺序评估方法、装置、设备及存储介质。
背景技术
文字(比如汉字)书写为学生必须掌握的基础技能,在其日常学习生活中扮演着必不可少的角色,如记笔记、做练习、答考卷、写作文、出板报等诸多行为均依赖于此。小学语文新课程标准对低年级小学生的识字写字要求是“掌握汉字的基本笔画和常用的偏旁部首,能按笔顺规则用硬笔书写”,由此可见,在小学生识字写字的启蒙阶段,掌握文字的笔顺很关键。
写字是一项技能性训练,更加注重少讲多练,所以多练习才能形成正确的笔顺书写习惯。目前,教师和家长对于小学生的写字情况没有切实可行的监督办法,只靠教师在课堂上指导的时间或把监督学生写字的任务交给家长都无法及时的帮助学生纠正错误笔顺,加之汉字本身具有复杂的结构,很多家长和老师一旦拿起笔来,也很容易将笔画顺序写错,形成误导。
发明内容
有鉴于此,本发明提供了一种文字笔画书写顺序评估方法、装置、设备及存储介质,用以对用户书写文字的笔画书写顺序进行评估,进而帮助用户纠正错误的笔画书写顺序,从而帮助用户掌握文字的笔画书写顺序,其技术方案如下:
一种文字笔画书写顺序评估方法,包括:
获取目标文字对应的轨迹点序列,并对所述目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列;
根据所述目标轨迹点序列,按实际的笔画书写顺序依次预测所述目标文字的每个笔画所属的笔画类别,得到所述目标文字的笔画类别序列;
根据所述目标文字的笔画类别序列和所述目标文字对应的标准文字的笔画类别序列,确定所述目标文字的笔画书写顺序是否正确以及笔画书写顺序不正确时的顺序错误笔画,并输出评估结果。
可选的,所述获取目标文字对应的轨迹点序列,包括:
获取用户书写文字对应的轨迹点序列;
基于所述用户书写文字对应的轨迹点序列,确定所述用户书写文字是否满足笔画书写顺序评估条件,若是,将所述用户书写文字确定为目标文字,以得到目标文字对应的轨迹点序列;
其中,所述笔画书写顺序评估条件包括:所述用户书写文字的文字类别与要求用户书写的文字的文字类别一致,以及,所述用户书写文字的笔画数量与所述用户书写文字对应的标准文字的笔画数量相同。
可选的,所述对所述目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列,包括:
对所述目标文字对应的轨迹点序列进行第一规整,其中,所述第一规整为针对所述目标文字笔画的规整;
对第一规整后的轨迹点序列进行第二规整,第二规整后的轨迹点序列作为目标轨迹点序列,其中,所述第二规整为针对所述目标文字字形的规整。
可选的,所述对所述目标文字对应的轨迹点序列进行第一规整,包括:
对所述目标文字对应的轨迹点序列进行如下处理中的一种或多种:
以将文字尺寸规整为指定尺寸为目标的轨迹点处理、轨迹点重采样、冗余轨迹点滤除。
可选的,所述对第一规整后的轨迹点序列进行第二规整,包括:
以使对应文字的风格接近所述目标文字对应的标准文字的风格为目标,对所述第一规整后的轨迹点序列进行重建。
可选的,所述以使对应文字的风格接近所述目标文字对应的标准文字的风格为目标,对所述第一规整后的轨迹点序列进行重建,包括:
获取所述第一规整后的轨迹点序列中每个轨迹点的特征和标准轨迹点序列中每个轨迹点的特征,并获取所述标准轨迹点序列的全局特征,其中,所述标准轨迹点序列为所述目标文字对应的标准文字的轨迹点序列;
根据所述第一规整后的轨迹点序列中每个轨迹点的特征和所述标准轨迹点序列中每个轨迹点的特征,确定轨迹点匹配矩阵,其中,所述轨迹点匹配矩阵能够表征所述第一规整后的轨迹点序列与所述标准轨迹点序列的轨迹点匹配情况;
根据所述轨迹点匹配矩阵和所述全局特征对所述第一规整后的轨迹点序列进行重建,以得到对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列。
可选的,所述根据所述第一规整后的轨迹点序列中每个轨迹点的特征和所述标准轨迹点序列中每个轨迹点的特征,确定轨迹点匹配矩阵,包括:
计算所述第一规整后的轨迹点序列中每个轨迹点的特征与所述标准轨迹点序列中每个轨迹点的特征的相似度,以得到相似度矩阵;
对所述相似度矩阵进行归一化,得到的归一化后矩阵作为轨迹点匹配矩阵。
可选的,所述根据所述轨迹点匹配矩阵和所述全局特征对所述第一规整后的轨迹点序列进行重建,以得到对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列,包括:
利用所述轨迹点匹配矩阵对所述第一规整后的轨迹点序列进行变换,得到变换后的轨迹点序列;
根据所述变换后的轨迹点序列和所述全局特征,确定对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列。
可选的,所述根据所述变换后的轨迹点序列和所述全局特征,确定对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列,包括:
根据所述变换后的轨迹点序列的轨迹点数量,对所述全局特征进行复制,以得到多份全局特征;
为所述变换后的轨迹点序列中的每个轨迹点拼接一份全局特征,以得到拼接有全局特征的轨迹点序列;
根据拼接有全局特征的轨迹点序列,确定对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列。
可选的,所述以使对应文字的风格接近所述目标文字对应的标准文字的风格为目标,对所述第一规整后的轨迹点序列进行重建,包括:
基于预先构建的轨迹点重建模型,对所述第一规整后的轨迹点序列进行重建;
其中,所述轨迹点重建模型采用训练轨迹点序列和所述训练轨迹点序列对应的标准轨迹点序列训练得到,所述轨迹点重建模型的训练目标包括,使对所述训练轨迹点序列重建的轨迹序列与所述训练轨迹点序列对应的标准轨迹点序列接近。
可选的,所述根据所述目标轨迹点序列,按实际的笔画书写顺序依次预测所述目标文字的每个笔画所属的笔画类别,得到所述目标文字的笔画类别序列,包括:
根据所述目标轨迹点序列中每个轨迹点的坐标和状态,获取所述目标轨迹点序列中每个轨迹点的特征,得到所述目标轨迹点序列对应的轨迹点特征序列;
对所述目标轨迹点序列对应的轨迹点特征序列进行编码,得到编码后的特征序列;
根据所述编码后的特征序列,预测所述目标文字的每个笔画所属的笔画类别。
可选的,所述根据所述目标轨迹点序列中每个轨迹点的坐标和状态,获取所述目标轨迹点序列中每个轨迹点的特征,包括:
针对所述目标轨迹点序列中每个待获取特征的目标轨迹点:
计算相关轨迹点与所述目标轨迹点的横坐标差和纵坐标差,以得横坐标差值和纵坐标差值,其中,所述相关轨迹点包括所述目标轨迹点的后向相邻轨迹点,和/或,位于所述目标轨迹点之后,且与所述目标轨迹点间隔一个轨迹点的轨迹点;
根据所述目标轨迹点的状态和所述目标轨迹点的后向相邻轨迹点的状态,确定能够表征所述目标轨迹点与所述目标轨迹点的后向相邻轨迹点的状态是否一致的值,作为状态一致与否表征值;
将包含所述目标轨迹点的横坐标和纵坐标、所述横坐标差值、所述纵坐标差值和所述状态一致与否表征值的向量,作为所述目标轨迹点的特征。
一种文字笔画书写顺序评估装置,包括:轨迹点数据获取模块、轨迹点数据规整模块、笔画类别预测模块、笔画书写顺序评估模块和评估结果输出模块;
所述轨迹点数据获取模块,用于获取目标文字对应的轨迹点序列;
所述轨迹点数据规整模块,用于对所述目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列;
所述笔画类别预测模块,用于根据所述目标轨迹点序列,按实际的笔画书写顺序依次预测所述目标文字的每个笔画所属的笔画类别,得到所述目标文字的笔画类别序列;
所述笔画书写顺序评估模块,用于根据所述目标文字的笔画类别序列和所述目标文字对应的标准文字的笔画类别序列,确定所述目标文字的笔画书写顺序是否正确以及笔画书写顺序不正确时的顺序错误笔画;
所述评估结果输出模块,用于输出笔画书写顺序评估模块的评估结果。
一种文字笔画书写顺序评估设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现上述任一项所述的文字笔画书写顺序评估方法的各个步骤。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一项所述的文字笔画书写顺序评估方法的各个步骤。
本发明提供的文字笔画书写顺序评估方法、装置、设备及存储介质,首先获取目标文字对应的轨迹点序列,然后对目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列,接着根据目标轨迹点序列,按实际的笔画书写顺序依次预测目标文字的每个笔画所属的笔画类别,得到目标文字的笔画类别序列,最后根据目标文字的笔画类别序列和目标文字对应的标准文字的笔画类别序列,对目标文字的笔画书写顺序进行评估并输出评估结果。本发明提供的文字笔画书写顺序评估方法可根据目标文字对应的轨迹点序列,评估目标文字的笔画书写顺序是否正确,还能在目标文字的笔画书写顺序不正确时,给出书写顺序错误的笔画,经由本发明提供的文字笔画书写顺序评估方法获得的评估结果能够有效地帮助用户纠正文字笔画书写顺序错误,从而帮助用户掌握文字的笔画书写顺序,本发明提供的文字笔画书写顺序评估方法对于培养用户养成正确的书写习惯具有十分重要的意义,另外,由于本发明根据目标文字的轨迹点序列对目标文字的笔画书写顺序进行评估,因此,对用户的书写没有任何约束,用户可以随意书写,用户体验较好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明涉及的硬件架构的示意图;
图2为本发明实施例提供的文字笔画书写顺序评估方法流程示意图;
图3为本发明实施例提供的将目标文字的笔画类别序列与目标文字对应的标准文字的笔画类别序列进行比对的一示例的示意图;
图4为本发明实施例提供的因不同的书写习惯等原因导致的文字差异的示例;
图5为本发明实施例对文字进行尺寸规整的一示例;
图6为本发明实施例提供的对文字对应的轨迹点序列进行重采样的一示例;
图7为本发明实施例提供的对文字对应的轨迹点序列进行冗余点滤除的一示例;
图8为本发明实施例提供的存在笔画布局问题的文字的示例;
图9为本发明实施例提供的存在部件布局问题的文字的示例;
图10为本发明实施例提供的以使对应文字的风格接近目标文字对应的标准文字的风格为目标,对第一规整后的轨迹点序列进行重建的流程示意图;
图11为本发明实施例提供的轨迹点重建模型的结构以及基于轨迹点重建模型对第一规整后的轨迹点序列进行重建实现过程示意图;
图12为本发明实施例提供的轨迹点匹配矩阵确定过程的示意图;
图13为本发明实施例提供的根据变换后的轨迹点序列和标准轨迹点序列的全局特征重建轨迹点序列的实现过程示意图;
图14为本发明实施例提供的对一轨迹点序列进行重建,得到对应文字的风格接近标准文字的风格的轨迹点序列的一示例;
图15为本发明实施例提供的根据目标轨迹点序列,按实际的笔画书写顺序依次预测目标文字的每个笔画所属的笔画类别的流程示意图;
图16为本发明实施例提供的笔画类别预测模型的结构和基于笔画类别预测模型进行笔画类别预测的实现过程示意图;
图17为本发明实施例提供的文字笔画书写顺序评估装置的结构示意图;
图18为本发明实施例提供的文字笔画书写顺序评估设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
申请人在实现本发明的过程中发现,目前存在一些笔顺教学软件,比如,PowerPoint汉字笔顺教学软件、汉字笔顺Flash教学软件等,其中,PowerPoint汉字笔顺教学软件可通过幻灯片放映方式演示汉字笔顺,直观并且放映操作比较容易,汉字笔顺Flash教学软件提供汉字笔顺、组词、英语释义及其拼音的学习,可以以各种形式显示汉字笔顺。申请人对目前的笔顺教学软件进行研究发现,目前的笔顺教学软件主要以辅助教学、演示为主,无法对用户书写文字的笔画书写顺序进行评估,即这些软件无法有效地帮助用户掌握文字的笔画书写顺序。
为了能够有效地对用户的笔画书写顺序错误进行纠正,帮助用户掌握文字的笔画书写顺序,申请人进行了研究,通过不断研究,最终提出了一种效果较好的文字笔画书写顺序评估方法,该文字笔画书写顺序评估方法能够确定用户书写文字的笔画书写顺序是否正确,以及在户书写文字的笔画书写顺序不正确时,能够给出书写顺序错误的笔画。在介绍本发明提供的文字笔画书写顺序评估方法之前,先对本发明涉及的硬件架构进行说明。
在一种可能的实现方式中,如图1所示,本发明涉及的硬件架构可以包括:电子设备101和服务器102。
示例性的,电子设备101可以是任何一种可与用户通过触摸板、触摸屏、手写设备等一种或多种方式进行人机交互的电子产品,例如,手机、平板电脑、掌上电脑、PAD等。
应注意的是,图1仅仅是一种示例,电子设备的类型可以有多种,不限于图1中的平板电脑。
示例性的,服务器102可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务器中心。服务器102可以包括处理器、存储器以及网络接口等。
示例性的,电子设备101可以通过无线通信网络与服务器102建立连接并通信;示例性的,电子设备101可以通过有线通信网络与服务器102建立连接并通信。
电子设备101可获取用户书写文字的轨迹点序列,将用户书写文字的轨迹点序列发送至服务器102,服务器102按本发明提供的文字笔画书写顺序评估方法进行评估,将评估结果发送至电子设备101。
在另一种可能的实现方式中,本发明涉及的硬件架构可以包括:电子设备。电子设备为具有较强数据处理能力的设备。
示例性的,电子设备可以是任何一种可与用户通过触摸板、触摸屏、手写设备等一种或多种方式进行人机交互的电子产品,例如,手机、平板电脑、掌上电脑、PAD等。
电子设备获取用户书写文字的轨迹点序列,按本发明提供的文字笔画书写顺序评估方法进行评估,输出评估结果。
本领域技术人员应能理解上述电子设备和服务器仅为举例,其它现有的或今后可能出现的电子设备或服务器如可适用于本发明,也应包含在本发明保护范围以内,并在此以引用方式包含于此。
接下来通过下述实施例对本发明提供的文字笔画书写顺序评估方法进行介绍。
第一实施例
请参阅图2,示出了本发明实施例提供的文字笔画书写顺序评估方法的流程示意图,该方法可以包括:
步骤S201:获取目标文字对应的轨迹点序列。
其中,目标文字为待评估的文字,目标文字对应的轨迹点序列为组成目标文字的各笔画的轨迹点序列,本实施例中的待评估文字可以但不限定为汉字。
具体的,获取目标文字对应的轨迹点序列过程可以包括:获取用户书写文字对应的轨迹点序列;基于用户书写文字对应的轨迹点序列,确定用户书写文字是否满足笔画书写顺序评估条件,若是,将用户书写文字确定为目标文字,以得到目标文字对应的轨迹点序列。
其中,笔画书写顺序评估条件包括:用户书写文字的文字类别与要求用户输入的文字的文字类别一致,以及,用户书写文字的笔画数量与用户书写文字对应的标准文字的笔画数量相同。
需要说明的是,用户书写文字由一系列笔画所组成,每个笔画又由一系列轨迹点所组成,因此,本实施例根据用户书写文字对应的轨迹点序列确定用户书写文字的文字类别以及用户书写文字的笔画数量,进而,判断用户书写文字的文字类别与要求用户书写的文字的文字类别是否一致,以及用户书写文字的笔画数量与用户书写文字对应的标准文字的笔画数量是否相同,若用户书写文字的文字类别与要求用户书写的文字的文字类别一致,并且,用户书写文字的笔画数量与用户书写文字对应的标准文字的笔画数量相同,则将用户书写文字作为目标文字,对目标文字的笔画书写顺序进行评估。
需要说明的是,若用户书写文字不满足笔画书写顺序评估条件,则结束笔画书写顺序评估流程,可选的,可输出用户书写文字不满足笔画书写顺序评估条件的指示信息。
步骤S202:对目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列。
为了减少不同用户因书写习惯、书写风格等导致的书写差异对后续笔画类别预测的影响,本发明在获得目标文字的轨迹点序列后,对目标文字对应的轨迹点序列进行规整,将规整后的轨迹点序列作为目标轨迹点序列,进行后续的笔画类别预测。
具体的,对目标文字对应的轨迹点序列进行规整的过程可以包括:对目标文字对应的轨迹点序列进行第一规整,对第一规整后的轨迹点序列进行第二规整,第二规整后的轨迹点序列作为目标轨迹点序列。其中,第一规整为针对目标文字笔画的规整,第二规整为针对目标文字字形的规整。
需要说明的是,在对目标文字对应的轨迹点序列进行规整时,可只对目标文字对应的轨迹点序列进行上述的第一规整,也可只对目标文字对应的轨迹点序列进行上述的第二规整,若只进行上述的第一规整,则将第一规整后的轨迹点序列作为目标轨迹点序列,若只进行第二规整,则将第二规整后的轨迹点序列作为目标轨迹点序列。为了后续能够准确预测出笔画类别,从而最终能够获得较为准确的评估结果,本发明优选首先对目标文字对应的轨迹点序列进行第一规整,然后对第一规整后的轨迹点序列进行第二规整。
步骤S203:根据目标轨迹点序列,按实际的笔画书写顺序依次预测目标文字的每个笔画所属的笔画类别,得到目标文字的笔画类别序列。
可选的,可获取目标轨迹点序列中每个轨迹点的特征,以得到目标轨迹点序列对应的轨迹点特征序列,然后根据目标轨迹点序列对应的轨迹点特征序列预测目标文字的每个笔画所属的笔画类别。
可选的,在根据目标轨迹点序列对应的轨迹点特征序列预测目标文字的每个笔画所属的笔画类别时,可将目标轨迹点序列对应的轨迹点特征序列输入预先训练得到的笔画类别预测模型,从而得到目标文字的每个笔画所属的笔画类别。
步骤S204:根据目标文字的笔画类别序列和目标文字对应的标准文字的笔画类别序列,确定目标文字的笔画书写顺序是否正确以及笔画书写顺序不正确时的顺序错误笔画,并输出评估结果。
具体的,将目标文字的笔画类别序列与目标文字对应的标准文字的笔画类别序列进行逐个比对,通过比对确定目标文字的笔画书写顺序是否正确,并在目标文字的笔画书写顺序不正确时,确定书写顺序错误的笔画,进而输出评估结果。
图3示出了将目标文字的笔画类别序列与目标文字对应的标准文字的笔画类别序列进行比对的一示例的示意图,通过比对可以发现,目标文字的笔画类别序列与目标文字对应的标准文字的笔画类别序列不一致,即,目标文字的笔画书写顺序不正确,书写顺序错误的是第一笔和第二笔,第一笔本应为“竖”,而目标文字的第一笔为“横折折”,第二笔本应为“横折折”,而目标文字的第二笔为“竖”。
需要说明的是,在确定目标文字的笔画书写顺序正确时,可输出指示笔画书写顺序正确的评估结果,在确定目标文字的笔画书写顺序不正确时,可输出指示目标文字的笔画书写顺序错误以及顺序错误笔画的评估结果。
优选的,在确定目标文字的笔画书写顺序不正确时,输出的评估结果中还可以包括目标文字对应的标准文字的笔画类别序列,即正确的笔画书写顺序,输出正确的笔画书写顺序使得用户能够更加有效地对书写顺序错误进行纠正。
本发明实施例提供的文字笔画书写顺序评估方法,首先获取目标文字对应的轨迹点序列,然后对目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列,接着根据目标轨迹点序列,按实际的笔画书写顺序依次预测目标文字的每个笔画所属的笔画类别,得到目标文字的笔画类别序列,最后根据目标文字的笔画类别序列和目标文字对应的标准文字的笔画类别序列,对目标文字的笔画书写顺序进行评估并输出评估结果。本发明实施例提供的文字笔画书写顺序评估方法可根据目标文字对应的轨迹点序列,评估目标文字的笔画书写顺序是否正确,还能在目标文字的笔画书写顺序不正确时,给出书写顺序错误的笔画以及正确的笔画书写顺序,经由本发明实施例提供的文字笔画书写顺序评估方法获得的评估结果能够有效地帮助用户纠正笔画书写顺序错误,从而帮助用户掌握文字的笔画书写顺序,对培养用户养成正确的书写习惯具有十分重要的意义。
另外,采用本发明实施例提供的文字笔画书写顺序评估方法进行评估的过程中,不需要交互界面展示对应标准文字的字形,并且,由于本发明实施例提供的评估方法根据目标文字的轨迹点序列对目标文字的笔画书写顺序进行评估,因此,对用户的书写没有任何约束。不需要交互界面展示对应标准文字的字形以及不强制用户按指定要求书写,使得本发明实施例提供的评估方法更加符合听写场景下的文字书写评测要求。
第二实施例
上述实施例提到,在对目标文字对应的轨迹点序列进行规整时,可首先对目标文字对应的轨迹点序列进行第一规整,然后对第一规整后的轨迹点序列进行第二规整,本实施例重点对“对目标文字对应的轨迹点序列进行第一规整”的实现过程进行介绍。
用户书写的汉字是由一系列笔画所组成,每个笔画又由一系列轨迹点所组成。现实中,由于各种原因,会导致采集到的文字存在差异,例如,书写习惯导致文字存在大小差异,书写速率导致轨迹点存在疏密差异,书写风格导致笔画存在曲率差异等等,如图4所示。
为了减少上述差异对后续笔画类别预测的干扰,本发明对目标文字对应的轨迹点序列进行第一规整,具体的,对目标文字对应的轨迹点序列进行如下处理中的一种或多种:以将文字尺寸规整为指定尺寸为目标的轨迹点处理、轨迹点重采样、冗余轨迹点滤除。
其中,以将文字尺寸规整为指定尺寸为目标的轨迹点处理指的是,将待处理的轨迹点序列所组成的轨迹按照整字的长宽比缩放至指定尺寸的像素,比如,96×96像素(以字长或字宽先到96像素为准,从原理上来说,文字尺寸缩放到任何大小都是可以的,但一般建议在64~200像素足以,采用96像素,是考虑到运算效率以及识别准确度相互平衡)。图5中的左图为尺寸规整前的文字,右图为尺寸规整后的文字。
由于用户在书写文字的过程中存在笔速的变化,笔速慢的地方,轨迹点会堆积在一起,存在冗余,而笔速快的地方,轨迹点又十分稀疏,为了消除书写速率对轨迹点排布的影响,本发明对轨迹点序列进行重采样。可选的,可对待采样的轨迹点序列进行等间隔采样,比如,每隔5个像素进行一次插值,如此可获得均匀等间隔的轨迹点序列。图6示出了重采样前的轨迹点序列和重采样后的轨迹点序列的示例。
考虑到轨迹点序列可能存在冗余,为了降低后续的运算量,本发明对轨迹点序列进行简化,即将冗余的轨迹点滤除。可以理解的是,将冗余轨迹点滤除的关键在于,从轨迹点序列中确定出冗余轨迹点。
本发明采用如下策略从待确定冗余轨迹点的轨迹点序列中确定出冗余轨迹点:对于待确定冗余轨迹点的轨迹点序列中的第t个轨迹点,若该轨迹点与第t-1个轨迹点的距离小于预设的距离阈值Tdis,或者,该轨迹点与第t-1个轨迹点的角度小于预设的角度阈值Tang,则确定该轨迹点为冗余轨迹点。需要说明的是,第t个轨迹点与第t-1个轨迹点的距离小于预设的距离阈值Tdis,说明第t个轨迹点与第t-1个轨迹点的距离很小,可确定第t个轨迹点为冗余轨迹点,第t个轨迹点与第t-1个轨迹点的角度小于预设的角度阈值Tang,说明第t个轨迹点与第t-1个轨迹点几乎在一条直线上,可确定第t个轨迹点为冗余轨迹点。
第t个轨迹点与第t-1个轨迹点的距离dist可通过下式确定:
dist=Δx2+Δy2 (1)
其中,Δx为第t个轨迹点与第t-1个轨迹点的横坐标差,Δy为第t个轨迹点与第t-1个轨迹点的纵坐标差。
第t个轨迹点与第t-1个轨迹点的角度angt可通过下式确定:
其中,Δxt-1为第t-1个轨迹点与第t个轨迹点的横坐标差,Δyt-1为第t-1个轨迹点与第t个轨迹点的纵坐标差,Δxt为第t个轨迹点与第t-1个轨迹点的横坐标差,Δyt为第t个轨迹点与第t-1个轨迹点的纵坐标差。
对于第t个轨迹点,若满足dist<Tdis或者angt<Tang,则确定第t个轨迹点为冗余轨迹点,将其滤除。图7示出了冗余点滤除前的轨迹点序列和冗余点滤除后的轨迹点序列的示例。
第三实施例
本实施例对“对第一规整后的轨迹点序列进行第二规整”的实现过程进行介绍。
需要说明的是,由于每个用户书写风格不同,与标准文字相比,用户书写的文字在字形上具有较大的差异性,尤其是小学生的书写风格还未定型且处于学习写字的阶段,书写质量更是难以把控。
文字的字形一般通过笔画布局和部件布局两个方面描述。笔画布局存在的常见问题有:某个笔画长度不当,即某一笔画长度过长或者过短,比如,将“土”第一笔写的过长,如图8(a)所示;某个笔画出现的位置与其它笔画的相对位置不当,比如,“洁”字第二笔位置不当,如图8(b)所示;某个笔画与其它笔画的交点不正确,比如,“入”字的两笔出现交叉点,如图8(c)所示。部件布局存在的常见问题有:某个部件形状(比如长宽比)失调,比如,“村”字左边的部件过宽、右边的部件写的过窄,导致形状不协调,如图9(a)所示;某个部件出现的位置与其它部件的相对位置不当,比如,“把”字右边的部件位置偏上,如图9(b)所示。
鉴于目标文字可能存在上述笔画布局和/或部件布局问题,为了降低这些问题对后续笔画类别预测的影响,本发明提出对第一规整后的轨迹点序列进行第二规整以实现对目标文字字形的规整。
对第一规整后的轨迹点序列进行第二规整的过程可以包括:以使对应文字的风格接近目标文字对应的标准文字的风格为目标,对第一规整后的轨迹点序列进行重建,重建后的轨迹点序列对应的文字的风格接近目标文字对应的标准文字的风格。
请参阅图10,示出了以使对应文字的风格接近目标文字对应的标准文字的风格为目标,对第一规整后的轨迹点序列进行重建的流程示意图,可以包括:
步骤S1001:获取第一规整后的轨迹点序列中每个轨迹点的特征和标准轨迹点序列中每个轨迹点的特征,并获取标准轨迹点序列的全局特征。
其中,标准轨迹点序列为目标文字对应的标准文字的轨迹点序列。
其中,标准轨迹点序列的全局特征通过标准轨迹点序列中各轨迹点的特征确定。
步骤S1002:根据第一规整后的轨迹点序列中每个轨迹点的特征和标准轨迹点序列中每个轨迹点的特征,确定轨迹点匹配矩阵。
其中,轨迹点匹配矩阵能够表征第一规整后的轨迹点序列与标准轨迹点序列的轨迹点匹配情况。
具体的,根据第一规整后的轨迹点序列中每个轨迹点的特征和标准轨迹点序列中每个轨迹点的特征,确定轨迹点匹配矩阵的过程可以包括:
步骤S1002-1、计算第一规整后的轨迹点序列中每个轨迹点的特征与标准轨迹点序列中每个轨迹点的特征的相似度,以得到相似度矩阵。
步骤S1002-2、对相似度矩阵进行归一化,得到的归一化后矩阵作为轨迹点匹配矩阵。
步骤S1003:根据轨迹点匹配矩阵和标准轨迹点序列的全局特征,对第一规整后的轨迹点序列进行重建,以得到对应文字的风格接近目标文字对应的标准文字的风格的轨迹点序列。
具体的,根据匹配矩阵和标准轨迹点序列的全局特征,对第一规整后的轨迹点序列进行重建,以得到对应文字的风格接近目标文字对应的标准文字的风格的轨迹点序列的过程可以包括:
步骤S1003-1、利用轨迹点匹配矩阵对第一规整后的轨迹点序列进行变换,得到变换后的轨迹点序列。
步骤S1003-2、根据变换后的轨迹点序列和标准轨迹点序列的全局特征,确定对应文字的风格接近目标文字对应的标准文字的风格的轨迹点序列。
具体的,根据变换后的轨迹点序列和标准轨迹点序列的全局特征,确定对应文字的风格接近目标文字对应的标准文字的风格的轨迹点序列的过程可以包括:根据变换后的轨迹点序列的轨迹点数量,对标准轨迹点序列的全局特征进行复制,以得到多份全局特征;为变换后的轨迹点序列中的每个轨迹点拼接一份全局特征,以得到拼接有全局特征的轨迹点序列;根据拼接有全局特征的轨迹点序列,确定对应文字的风格接近目标文字对应的标准文字的风格的轨迹点序列。
对应文字的风格接近目标文字对应的标准文字的风格的轨迹点序列即为重建出的轨迹点序列。
可选的,可基于预先构建的轨迹点重建模型,对第一规整后的轨迹点序列进行重建,以得到对应文字的风格接近目标文字对应的标准文字的风格的轨迹点序列。其中,轨迹点重建模型采用训练轨迹点序列和训练轨迹点序列对应的标准轨迹点序列进行训练得到。
具体的,基于轨迹点重建模型,对第一规整后的轨迹点序列进行重建的过程包括:将第一规整后的轨迹点序列和标准轨迹点序列输入轨迹点重建模型,得到轨迹点重建模型重建的轨迹点序列。其中,轨迹点重建模型按步骤S1001~步骤S1003的过程对第一规整后的轨迹点序列进行重建。
可选的,如图11所示,轨迹点重建模型可以包括:特征编码模块1101、轨迹点匹配矩阵确定模块1102和轨迹点重建模块1103。
若将标准轨迹点序列表示为A={a1,a2,a3,…,aN},将第一规整后的轨迹点序列表示为B={b1,b2,b3,…,bN},则将第一规整后的轨迹点序列B和标准轨迹点序列A输入图11所示的轨迹点重建模型,得到轨迹点重建模型重建的轨迹点序列的过程可以包括:
步骤a1、将第一规整后的轨迹点序列B和标准轨迹点序列A输入轨迹点重建模型的特征编码模块1101,得到特征编码模块1101输出的第一规整后的轨迹点序列B中各轨迹点的特征{fb1,fb2,fb2,…,fbN}、标准轨迹点序列A中各轨迹点的特征{fa1,fa2,fa2,…,faN}以及标准轨迹点序列A的全局特征Va。
在将第一规整后的轨迹点序列B、标准轨迹点序列A输入特征编码模块1101时,如图11所示,可在第一规整后的轨迹点序列B的每个轨迹点后拼接对应的文字类别信息,同样的,在标准轨迹点序列A的每个轨迹点后拼接文字类别信息,将两个拼接有文字类别信息的轨迹点序列输入特征编码模块1101进行编码。
如图11所示,特征编码模块1101根据输入获取第一规整后的轨迹点序列B中各轨迹点的特征{fb1,fb2,fb2,…,fbN}和标准轨迹点序列A中各轨迹点的特征{fa1,fa2,fa2,…,faN},并根据标准轨迹点序列A中各轨迹点的特征{fa1,fa2,fa2,…,faN}获取标准轨迹点序列A的全局特征Va。
可选的,特征编码模块1101可以包括动态图卷积网络(DGCNN)和池化层,通过该动态图卷积网络获取第一规整后的轨迹点序列B中每个轨迹点的特征{fb1,fb2,fb2,…,fbN}以及标准轨迹点序列A中每个轨迹点的特征{fa1,fa2,fa2,…,faN},通过池化层对标准轨迹点序列A中各轨迹点的特征{fa1,fa2,fa2,…,faN}进行最大池化操作来获得标准轨迹点序列A的全局特征Va。
步骤a2、将第一规整后的轨迹点序列B中各轨迹点的特征{fb1,fb2,fb2,…,fbN}与标准轨迹点序列A中各轨迹点的特征{fa1,fa2,fa2,…,faN}输入轨迹点重建模型的轨迹点匹配矩阵确定模块1102,得到轨迹点匹配矩阵确定模块1102输出的轨迹点匹配矩阵P。
具体的,如图12所示,轨迹点匹配矩阵确定模块1102首先确定第一规整后的轨迹点序列B中每个轨迹点的特征与标准轨迹点序列A中每个轨迹点的特征的相似度,以得到相似度矩阵然后对相似度矩阵进行归一化,得到的归一化后矩阵作为轨迹点匹配矩阵P。
在获得相似度矩阵后,可采用现有的归一化算法(比如DeSmooth算法)对相似度矩阵进行归一化,从而得到最终的轨迹点匹配矩阵P。需要说明的是,若轨迹点匹配矩阵P中的元素pij=1,则说明标准轨迹点序列A中的第i个轨迹点与第一规整后的轨迹点序列B中的第j个轨迹点为匹配轨迹点对。
步骤a3、将第一规整后的轨迹点序列B、轨迹点匹配矩阵P和标准轨迹点序列A的全局特征Va输入轨迹点重建模型的轨迹点重建模块1103,得到轨迹点重建模块1103输出的对应文字的风格接近目标文字对应的标准文字的风格的轨迹点序列
轨迹点重建模块1103首先利用轨迹点匹配矩阵P对第一规整后的轨迹点序列B进行变换,得到变换后的轨迹点序列然后根据变换后的轨迹点序列和标准轨迹点序列A的全局特征Va确定对应文字的风格接近目标文字对应的标准文字的风格的轨迹点序列
轨迹点重建模块1103在根据与标准轨迹点序列A的全局特征Va重建轨迹点序列时,如图13所示,首先根据的轨迹点数量,对标准轨迹点序列A的全局特征Va进行复制,以得到多份全局特征Va,然后为的每个轨迹点拼接一份全局特征Va,得到拼接有全局特征Va的轨迹点序列,最后基于前向神经网络MLP对拼接有全局特征Va的轨迹点序列进行处理,得到对应文字的风格接近目标文字对应的标准文字的风格的轨迹点序列图14示出了对一轨迹序列进行重建,得到对应文字的风格接近标准文字的风格的轨迹点序列的一示例。
上述内容提到,轨迹点重建模型采用训练轨迹点序列和训练轨迹点序列对应的标准轨迹点序列进行训练得到。接下来对轨迹点重建模型的训练过程进行介绍。
轨迹点重建模型的训练过程可以包括:
步骤b1、基于轨迹点重建模型的特征编码模块,获取训练轨迹点序列中每个轨迹点的特征和训练轨迹点序列对应的标准轨迹点序列中每个轨迹点的特征,并获取训练轨迹点序列对应的标准轨迹点序列的全局特征。
其中,训练轨迹点序列对应的标准轨迹点序列为训练文字对应的标准文字对应的轨迹点序列,训练文字为训练轨迹点序列对应的文字,训练轨迹点序列对应的文字为用户书写的文字样本。
具体的,将训练轨迹点序列和训练轨迹点序列对应的标准轨迹点序列输入轨迹点重建模型的特征编码模块,得到训练轨迹点序列中每个轨迹点的特征、训练轨迹点序列对应的标准轨迹点序列中每个轨迹点的特征以及训练轨迹点序列对应的标准轨迹点序列的全局特征。
步骤b2、基于轨迹点重建模型的轨迹点匹配矩阵确定模块、训练轨迹点序列中每个轨迹点的特征和训练轨迹点序列对应的标准轨迹点序列中每个轨迹点的特征,确定轨迹点匹配矩阵。
经由步骤a2获得的轨迹点匹配矩阵能够表征训练轨迹点序列与训练轨迹点序列对应标准轨迹点序列的轨迹点匹配情况。
具体的,将训练轨迹点序列中每个轨迹点的特征和训练轨迹点序列对应的标准轨迹点序列中每个轨迹点的特征输入轨迹点重建模型的轨迹点匹配矩阵确定模块,得到轨迹点匹配矩阵确定模块输出的轨迹点匹配矩阵。
步骤b3、基于轨迹点重建模型的轨迹点重建模块、轨迹点匹配矩阵、训练轨迹点序列对应的标准轨迹点序列的全局特征,对训练轨迹点序列进行重建,得到训练轨迹点序列对应的重建轨迹点序列。
具体的,将训练轨迹点序列、轨迹点匹配矩阵和训练轨迹点序列对应的标准轨迹点序列的全局特征输入轨迹点重建模型的轨迹点重建模块,得到轨迹点重建模块输出的训练轨迹点序列对应的重建轨迹点序列。
步骤b1~步骤b3更为具体的实现过程可参见步骤a1~步骤a3的具体实现过程,本实施例在此不做赘述。
步骤b4、根据训练轨迹点序列对应的重建轨迹点序列和训练轨迹点序列对应的标准轨迹点序列确定第一预测损失,根据轨迹点匹配矩阵和置换矩阵确定第二预测损失,根据训练轨迹点序列和轨迹点匹配矩阵确定第三预测损失。
其中,第一预测损失可通过下式计算获得:
上式中的A′表示训练轨迹点序列对应的标准轨迹点序列,表示训练轨迹点序列B′对应的重建轨迹点序列。需要说明的是,第一预测损失的作用是,使训练轨迹点序列对应的重建轨迹点序列与训练轨迹点序列对应的标准轨迹点序列尽可能的接近。
其中,第二预测损失可通过下式计算获得:
上式中的P′表示通过步骤b2获得的轨迹点匹配矩阵,In为置换矩阵。需要说明的是,第二预测损失的作用是,使匹配矩阵P尽可能的为置换矩阵。
其中,第三预测损失可通过下式计算获得:
上式中p′i是轨迹点匹配矩阵P′中的第i行,ai是训练轨迹点序列中的一轨迹点,是ai的k临近点集。需要说明的是,第三预测损失的作用是,使训练轨迹点序列中某一轨迹点的邻域点在经过重新排序(即变换)后仍然保持临近关系。
步骤b5、对第一预测损失、第二预测损失和第三预测损失进行融合,根据融合后损失对轨迹点重建模型进行参数更新。
对第一预测损失、第二预测损失和第三预测损失进行融合的方式有多种,在一种可能的实现方式中,可直接将第一预测损失、第二预测损失和第三预测损失求和,直接求和后的损失即为融合后损失,在另一种可能的实现方式中,可按下式示出的方式对第一预测损失、第二预测损失、第三预测损失加权求和,加权求和后损失即为融合后损失:
采用不同的训练数据按上述步骤b1~步骤b5的过程进行多次训练,直至满足训练结束条件,训练结束后得到的模型即为构建的轨迹点重建模型。
第四实施例
本实施例对上述实施例中的“步骤S203:根据目标轨迹点序列,按实际的笔画书写顺序依次预测目标文字的每个笔画所属的笔画类别,得到目标文字的笔画类别序列”的实现过程进行介绍。
请参阅图15,示出了根据目标轨迹点序列,按实际的笔画书写顺序依次预测目标文字的每个笔画所属的笔画类别的流程示意图,可以包括:
步骤S1501:根据目标轨迹点序列中每个轨迹点的坐标和状态,获取目标轨迹点序列中每个轨迹点的特征,得到目标轨迹点序列对应的轨迹点特征序列。
具体的,根据目标轨迹点序列中每个轨迹点的坐标和状态,获取所述目标轨迹点序列中每个轨迹点的特征的过程可以包括:
步骤S1501-1、针对目标轨迹点序列中每个待获取特征的目标轨迹点,计算相关轨迹点与目标轨迹点的横坐标差和纵坐标差,以得横坐标差值和纵坐标差值。
其中,相关轨迹点可以包括目标轨迹点的后向相邻轨迹点,和/或,位于目标轨迹点之后,且与目标轨迹点间隔一个轨迹点的轨迹点。
为了获得能够准确的预测结果,相关轨迹点优选为包括目标轨迹点的后向相邻轨迹点,以及,位于目标轨迹点之后,且与目标轨迹点间隔一个轨迹点的轨迹点。若将目标轨迹点的坐标表示为(xi,yi),则相关轨迹点的坐标可以表示为(xi+1,yi+1)和(xi+2,yi+2)。
步骤S1501-2、根据目标轨迹点的状态和目标轨迹点的后向相邻轨迹点的状态,确定能够表征目标轨迹点与目标轨迹点的后向相邻轨迹点的状态是否一致的值,作为状态一致与否表征值。
可选的,若目标轨迹点与目标轨迹点的后向相邻轨迹点的状态一致,则状态一致与否表征值为“1”,若目标轨迹点与目标轨迹点的后向相邻轨迹点的状态不一致,则状态一致与否表征值为“0”。
步骤S1501-3、将包含目标轨迹点的横坐标和纵坐标、横坐标差值、纵坐标差值和状态一致与否表征值的向量,作为目标轨迹点的特征。
若相关轨迹点包括目标轨迹点的后向相邻轨迹点,以及,位于目标轨迹点之后,且与目标轨迹点间隔一个轨迹点的轨迹点,则目标轨迹点的特征的特征可表示为:
f=[xi,yr,Δxi,Δyi,Δx′i,Δy′i,δ(st=si+1),δ(si≠st+1)]
其中,Δxi=xi+1-xi,Δyi=yi+1-yi,Δx′i=xi+2-xi,Δy′i=yi+2-yi,si表示目标轨迹点的状态,si+1表示目标轨迹点的后向相邻轨迹点的状态,δ(si=si+1)和δ(si≠si+1)为状态一致与否表征值,若si=si+1,则δ(si=si+1)=1,δ(si≠si+1)=0,此时表示抬笔,若si≠si+1,则δ(si=si+1)=0,δ(si≠si+1)=1,此时表示落笔。
步骤S1502:对目标轨迹点序列对应的轨迹点特征序列进行编码,得到编码后的特征序列。
步骤S1503:根据编码后的特征序列,预测目标文字的每个笔画所属的笔画类别。
在一种可能的实现方式中,可基于预先构建的笔画类别预测模型预测目标文字的每个笔画所属的笔画类别,具体的,将目标轨迹点序列对应的轨迹点特征序列输入笔画类别预测模型,得到目标文字的每个笔画的笔画类别为各设定笔画类别的概率,根据目标文字的每个笔画的笔画类别为各设定笔画类别的概率确定目标文字的每个笔画的笔画类别。
其中,笔画类别预测模型采用训练轨迹点序列和训练轨迹点序列对应的笔画类别序列训练得到,笔画类别预测模型的训练目标为,使根据训练轨迹点序列预测的笔画类别序列与训练轨迹点序列对应的笔画类别序列趋于一致。
可选的,如图16所示,笔画类别预测模型可以包括编码模块和解码模块,将目标轨迹点序列对应的轨迹点特征序列输入笔画类别预测模型,得到目标文字的每个笔画的笔画类别为各设定笔画类别的概率的过程包括:
步骤b1、将目标轨迹点序列对应的轨迹点特征序列输入笔画类别预测模型的编码模块进行编码,得到编码后的特征序列。
若将目标轨迹点序列对应的轨迹点特征序列表示为F=[f1,f2,…,fN],则将F=[f1,f2,…,fN]输入编码模块后,编码模块输出H=[h1,h2,…,hN]。
可选的,编码模块可采用5层堆叠的双向门控循环神经网络(GRU),每个时刻的双向GRU输出状态ht计算过程如下:
所有时刻的ht共同组成编码后的特征序列H。
步骤b2、将编码后的特征序列输入解码模块,得到解码模块输出的目标文字的每个笔画的笔画类别为各设定笔画类别的概率。
示例性的,目标文字为汉字,则设定笔画类别可以包括下表中的32个笔画类别。
表1 笔画类别
可选的,解码模块可采用2个单向门控循环神经网络(GRU),每个时刻的GRU隐层状态st计算过程如下:
第t时刻的笔画类别概率yt由上下文特征变量ct、门控循环神经网络的隐层状态st和前一时刻输出的笔画类别yt-1共同计算得到:
p(yt|yt-1,H)=softmax(Wo(Eyt-1+Wsst+Wcct)) (15)
其中,Wo,Ws,Wc和E均为可优化的网络参数。
将编码模块输出的H=[h1,h2,…,hN]输入解码模块后,解码模块会输出Y=[y1,y2,…yt,…,yL],yt表示第t个笔画的笔画类别为各设定笔画类别的概率,yt∈RK,即,yt=[yt1,yt2,......,ytK],K表示设定设定笔画类别的数量,若目标文字为汉字,则K=32,L表示目标文字的笔画数量。
在获得Y=[y1,y2,…yt,…,yL]后,可对Y=[y1,y2,…yt,…,yL]进行argmax操作,对于yt而言,对yt进行argmax操作,即,将yt中的最大值取1,其它值取0,得到类似于gt=[0,0,1,0,,......,0,]的形式,即one-hot向量,gt中的每一维对应一设定笔画类别,将gt中“1”对应的笔画类别确定为第t个笔画的笔画类别。
第五实施例
本发明实施例还提供了一种文字笔画书写顺序评估装置,下面对本发明实施例提供的文字笔画书写顺序评估装置进行描述,下文描述的文字笔画书写顺序评估装置与上文描述的文字笔画书写顺序评估方法可相互对应参照。
请参阅图17,示出了本发明实施例提供的文字笔画书写顺序评估装置的结构示意图,可以包括:轨迹点数据获取模块1701、轨迹点数据规整模块1061、笔画类别预测模块1703、笔画书写顺序评估模块1704和评估结果输出模块1705。
轨迹点数据获取模块1701,用于获取目标文字对应的轨迹点序列;
轨迹点数据规整模块1702,用于对所述目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列;
笔画类别预测模块1703,用于根据所述目标轨迹点序列,按实际的笔画书写顺序依次预测所述目标文字的每个笔画所属的笔画类别,得到所述目标文字的笔画类别序列;
笔画书写顺序评估模块1704,用于根据所述目标文字的笔画类别序列和所述目标文字对应的标准文字的笔画类别序列,确定所述目标文字的笔画书写顺序是否正确以及笔画书写顺序不正确时的顺序错误笔画;
评估结果输出模块1705,用于输出笔画书写顺序评估模块的评估结果。
可选的,轨迹点数据获取模块1701,在获取目标文字对应的轨迹点序列时,具体用于:
获取用户书写文字对应的轨迹点序列;
基于所述用户书写文字对应的轨迹点序列,确定所述用户书写文字是否满足笔画书写顺序评估条件,若是,将所述用户书写文字确定为目标文字,以得到目标文字对应的轨迹点序列;
其中,所述笔画书写顺序评估条件包括:所述用户书写文字的文字类别与要求用户书写的文字的文字类别一致,以及,所述用户书写文字的笔画数量与所述用户书写文字对应的标准文字的笔画数量相同。
可选的,轨迹点数据规整模块1702可以包括:第一规整模块和第二规整模块。
第一规整模块,用于对所述目标文字对应的轨迹点序列进行第一规整,其中,所述第一规整为针对所述目标文字笔画的规整;
第二规整模块,用于对第一规整后的轨迹点序列进行第二规整,第二规整后的轨迹点序列作为目标轨迹点序列,其中,所述第二规整为针对所述目标文字字形的规整。
可选的,第一规整模块在对所述目标文字对应的轨迹点序列进行第一规整时,具体用于:
对所述目标文字对应的轨迹点序列进行如下处理中的一种或多种:
以将文字尺寸规整为指定尺寸为目标的轨迹点处理、轨迹点重采样、冗余轨迹点滤除。
可选的,第二规整模块在对第一规整后的轨迹点序列进行第二规整时,具体用于:
以使对应文字的风格接近所述目标文字对应的标准文字的风格为目标,对所述第一规整后的轨迹点序列进行重建。
可选的,第二规整模块在以使对应文字的风格接近所述目标文字对应的标准文字的风格为目标,对所述第一规整后的轨迹点序列进行重建时,具体用于:
获取所述第一规整后的轨迹点序列中每个轨迹点的特征和标准轨迹点序列中每个轨迹点的特征,并获取所述标准轨迹点序列的全局特征,其中,所述标准轨迹点序列为所述目标文字对应的标准文字的轨迹点序列;
根据所述第一规整后的轨迹点序列中每个轨迹点的特征和所述标准轨迹点序列中每个轨迹点的特征,确定轨迹点匹配矩阵,其中,所述轨迹点匹配矩阵能够表征所述第一规整后的轨迹点序列与所述标准轨迹点序列的轨迹点匹配情况;
根据所述轨迹点匹配矩阵和所述全局特征对所述第一规整后的轨迹点序列进行重建,以得到对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列。
可选的,第二规整模块在根据所述第一规整后的轨迹点序列中每个轨迹点的特征和所述标准轨迹点序列中每个轨迹点的特征,确定轨迹点匹配矩阵时,具体用于:
计算所述第一规整后的轨迹点序列中每个轨迹点的特征与所述标准轨迹点序列中每个轨迹点的特征的相似度,以得到相似度矩阵;
对所述相似度矩阵进行归一化,得到的归一化后矩阵作为轨迹点匹配矩阵。
可选的,第二规整模块在根据所述轨迹点匹配矩阵和所述全局特征对所述第一规整后的轨迹点序列进行重建,以得到对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列时,具体用于:
利用所述轨迹点匹配矩阵对所述第一规整后的轨迹点序列进行变换,得到变换后的轨迹点序列;
根据所述变换后的轨迹点序列和所述全局特征,确定对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列。
可选的,第二规整模块在根据所述变换后的轨迹点序列和所述全局特征,确定对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列时,具体用于:
根据所述变换后的轨迹点序列的轨迹点数量,对所述全局特征进行复制,以得到多份全局特征;
为所述变换后的轨迹点序列中的每个轨迹点拼接一份全局特征,以得到拼接有全局特征的轨迹点序列;
根据拼接有全局特征的轨迹点序列,确定对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列。
可选的,第二规整模块在以使对应文字的风格接近所述目标文字对应的标准文字的风格为目标,对所述第一规整后的轨迹点序列进行重建时,具体用于:
基于预先构建的轨迹点重建模型,对所述第一规整后的轨迹点序列进行重建;
其中,所述轨迹点重建模型采用训练轨迹点序列和所述训练轨迹点序列对应的标准轨迹点序列训练得到,所述轨迹点重建模型的训练目标包括,使对所述训练轨迹点序列重建的轨迹序列与所述训练轨迹点序列对应的标准轨迹点序列接近。
可选的,笔画类别预测模块1703在根据所述目标轨迹点序列,按实际的笔画书写顺序依次预测所述目标文字的每个笔画所属的笔画类别,得到所述目标文字的笔画类别序列时,具体用于:
根据所述目标轨迹点序列中每个轨迹点的坐标和状态,获取所述目标轨迹点序列中每个轨迹点的特征,得到所述目标轨迹点序列对应的轨迹点特征序列;
对所述目标轨迹点序列对应的轨迹点特征序列进行编码,得到编码后的特征序列;
根据所述编码后的特征序列,预测所述目标文字的每个笔画所属的笔画类别。
可选的,笔画类别预测模块1703根据所述目标轨迹点序列中每个轨迹点的坐标和状态,获取所述目标轨迹点序列中每个轨迹点的特征时,具体用于:
针对所述目标轨迹点序列中每个待获取特征的目标轨迹点:
计算相关轨迹点与所述目标轨迹点的横坐标差和纵坐标差,以得横坐标差值和纵坐标差值,其中,所述相关轨迹点包括所述目标轨迹点的后向相邻轨迹点,和/或,位于所述目标轨迹点之后,且与所述目标轨迹点间隔一个轨迹点的轨迹点;
根据所述目标轨迹点的状态和所述目标轨迹点的后向相邻轨迹点的状态,确定能够表征所述目标轨迹点与所述目标轨迹点的后向相邻轨迹点的状态是否一致的值,作为状态一致与否表征值;
将包含所述目标轨迹点的横坐标和纵坐标、所述横坐标差值、所述纵坐标差值和所述状态一致与否表征值的向量,作为所述目标轨迹点的特征。
本发明实施例提供的文字笔画书写顺序评估装置,可根据目标文字对应的轨迹点序列,评估目标文字的笔画书写顺序是否正确,还能在目标文字的笔画书写顺序不正确时,给出书写顺序错误的笔画以及正确的笔画书写顺序,经由本发明实施例提供的文字笔画书写顺序评估方法获得的评估结果能够有效地帮助用户纠正笔画书写顺序错误,从而帮助用户掌握文字的笔画书写顺序,对培养用户养成正确的书写习惯具有十分重要的意义。另外,采用本发明实施例提供的文字笔画书写顺序评估装置进行评估的过程中,不需要交互界面展示对应标准文字的字形,并且,由于本发明实施例提供的评估方法根据目标文字的轨迹点序列对目标文字的笔画书写顺序进行评估,因此,对用户的书写没有任何约束,不需要交互界面展示对应标准文字的字形以及不强制用户按指定要求书写,使得本发明实施例提供的评估装置更加符合听写场景下的文字书写评测要求。
第六实施例
本发明实施例还提供了一种文字笔画书写顺序评估设备,请参阅图18,示出了该文字笔画书写顺序评估设备的结构示意图,该文字笔画书写顺序评估设备可以包括:至少一个处理器1801,至少一个通信接口1802,至少一个存储器1803和至少一个通信总线1804;
在本发明实施例中,处理器1801、通信接口1802、存储器1803、通信总线1804的数量为至少一个,且处理器1801、通信接口1802、存储器1803通过通信总线1804完成相互间的通信;
处理器1801可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器1803可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取目标文字对应的轨迹点序列,并对所述目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列;
根据所述目标轨迹点序列,按实际的笔画书写顺序依次预测所述目标文字的每个笔画所属的笔画类别,得到所述目标文字的笔画类别序列;
根据所述目标文字的笔画类别序列和所述目标文字对应的标准文字的笔画类别序列,确定所述目标文字的笔画书写顺序是否正确以及笔画书写顺序不正确时的顺序错误笔画,并输出评估结果。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
第七实施例
本发明实施例还提供一种可读存储介质,该可读存储介质可存储有适于处理器执行的程序,所述程序用于:
获取目标文字对应的轨迹点序列,并对所述目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列;
根据所述目标轨迹点序列,按实际的笔画书写顺序依次预测所述目标文字的每个笔画所属的笔画类别,得到所述目标文字的笔画类别序列;
根据所述目标文字的笔画类别序列和所述目标文字对应的标准文字的笔画类别序列,确定所述目标文字的笔画书写顺序是否正确以及笔画书写顺序不正确时的顺序错误笔画,并输出评估结果。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种文字笔画书写顺序评估方法,其特征在于,包括:
获取目标文字对应的轨迹点序列,并对所述目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列;
根据所述目标轨迹点序列,按实际的笔画书写顺序依次预测所述目标文字的每个笔画所属的笔画类别,得到所述目标文字的笔画类别序列;
根据所述目标文字的笔画类别序列和所述目标文字对应的标准文字的笔画类别序列,确定所述目标文字的笔画书写顺序是否正确以及笔画书写顺序不正确时的顺序错误笔画,并输出评估结果。
2.根据权利要求1所述的文字笔画书写顺序评估方法,其特征在于,所述获取目标文字对应的轨迹点序列,包括:
获取用户书写文字对应的轨迹点序列;
基于所述用户书写文字对应的轨迹点序列,确定所述用户书写文字是否满足笔画书写顺序评估条件,若是,将所述用户书写文字确定为目标文字,以得到目标文字对应的轨迹点序列;
其中,所述笔画书写顺序评估条件包括:所述用户书写文字的文字类别与要求用户书写的文字的文字类别一致,以及,所述用户书写文字的笔画数量与所述用户书写文字对应的标准文字的笔画数量相同。
3.根据权利要求1所述的文字笔画书写顺序评估方法,其特征在于,所述对所述目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列,包括:
对所述目标文字对应的轨迹点序列进行第一规整,其中,所述第一规整为针对所述目标文字笔画的规整;
对第一规整后的轨迹点序列进行第二规整,第二规整后的轨迹点序列作为目标轨迹点序列,其中,所述第二规整为针对所述目标文字字形的规整。
4.根据权利要求3所述的文字笔画书写顺序评估方法,其特征在于,所述对所述目标文字对应的轨迹点序列进行第一规整,包括:
对所述目标文字对应的轨迹点序列进行如下处理中的一种或多种:
以将文字尺寸规整为指定尺寸为目标的轨迹点处理、轨迹点重采样、冗余轨迹点滤除。
5.根据权利要求3所述的文字笔画书写顺序评估方法,其特征在于,所述对第一规整后的轨迹点序列进行第二规整,包括:
以使对应文字的风格接近所述目标文字对应的标准文字的风格为目标,对所述第一规整后的轨迹点序列进行重建。
6.根据权利要求4所述的文字笔画书写顺序评估方法,其特征在于,所述以使对应文字的风格接近所述目标文字对应的标准文字的风格为目标,对所述第一规整后的轨迹点序列进行重建,包括:
获取所述第一规整后的轨迹点序列中每个轨迹点的特征和标准轨迹点序列中每个轨迹点的特征,并获取所述标准轨迹点序列的全局特征,其中,所述标准轨迹点序列为所述目标文字对应的标准文字的轨迹点序列;
根据所述第一规整后的轨迹点序列中每个轨迹点的特征和所述标准轨迹点序列中每个轨迹点的特征,确定轨迹点匹配矩阵,其中,所述轨迹点匹配矩阵能够表征所述第一规整后的轨迹点序列与所述标准轨迹点序列的轨迹点匹配情况;
根据所述轨迹点匹配矩阵和所述全局特征对所述第一规整后的轨迹点序列进行重建,以得到对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列。
7.根据权利要求6所述的文字笔画书写顺序评估方法,其特征在于,所述根据所述第一规整后的轨迹点序列中每个轨迹点的特征和所述标准轨迹点序列中每个轨迹点的特征,确定轨迹点匹配矩阵,包括:
计算所述第一规整后的轨迹点序列中每个轨迹点的特征与所述标准轨迹点序列中每个轨迹点的特征的相似度,以得到相似度矩阵;
对所述相似度矩阵进行归一化,得到的归一化后矩阵作为轨迹点匹配矩阵。
8.根据权利要求6所述的文字笔画书写顺序评估方法,其特征在于,所述根据所述轨迹点匹配矩阵和所述全局特征对所述第一规整后的轨迹点序列进行重建,以得到对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列,包括:
利用所述轨迹点匹配矩阵对所述第一规整后的轨迹点序列进行变换,得到变换后的轨迹点序列;
根据所述变换后的轨迹点序列和所述全局特征,确定对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列。
9.根据权利要求8所述的文字笔画书写顺序评估方法,其特征在于,所述根据所述变换后的轨迹点序列和所述全局特征,确定对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列,包括:
根据所述变换后的轨迹点序列的轨迹点数量,对所述全局特征进行复制,以得到多份全局特征;
为所述变换后的轨迹点序列中的每个轨迹点拼接一份全局特征,以得到拼接有全局特征的轨迹点序列;
根据拼接有全局特征的轨迹点序列,确定对应文字的风格接近所述目标文字对应的标准文字的风格的轨迹点序列。
10.根据权利要求5~9中任一项所述的文字笔画书写顺序评估方法,其特征在于,所述以使对应文字的风格接近所述目标文字对应的标准文字的风格为目标,对所述第一规整后的轨迹点序列进行重建,包括:
基于预先构建的轨迹点重建模型,对所述第一规整后的轨迹点序列进行重建;
其中,所述轨迹点重建模型采用训练轨迹点序列和所述训练轨迹点序列对应的标准轨迹点序列训练得到,所述轨迹点重建模型的训练目标包括,使对所述训练轨迹点序列重建的轨迹序列与所述训练轨迹点序列对应的标准轨迹点序列接近。
11.根据权利要求1所述的文字笔画书写顺序评估方法,其特征在于,所述根据所述目标轨迹点序列,按实际的笔画书写顺序依次预测所述目标文字的每个笔画所属的笔画类别,得到所述目标文字的笔画类别序列,包括:
根据所述目标轨迹点序列中每个轨迹点的坐标和状态,获取所述目标轨迹点序列中每个轨迹点的特征,得到所述目标轨迹点序列对应的轨迹点特征序列;
对所述目标轨迹点序列对应的轨迹点特征序列进行编码,得到编码后的特征序列;
根据所述编码后的特征序列,预测所述目标文字的每个笔画所属的笔画类别。
12.根据权利要求11所述的文字笔画书写顺序评估方法,其特征在于,所述根据所述目标轨迹点序列中每个轨迹点的坐标和状态,获取所述目标轨迹点序列中每个轨迹点的特征,包括:
针对所述目标轨迹点序列中每个待获取特征的目标轨迹点:
计算相关轨迹点与所述目标轨迹点的横坐标差和纵坐标差,以得横坐标差值和纵坐标差值,其中,所述相关轨迹点包括所述目标轨迹点的后向相邻轨迹点,和/或,位于所述目标轨迹点之后,且与所述目标轨迹点间隔一个轨迹点的轨迹点;
根据所述目标轨迹点的状态和所述目标轨迹点的后向相邻轨迹点的状态,确定能够表征所述目标轨迹点与所述目标轨迹点的后向相邻轨迹点的状态是否一致的值,作为状态一致与否表征值;
将包含所述目标轨迹点的横坐标和纵坐标、所述横坐标差值、所述纵坐标差值和所述状态一致与否表征值的向量,作为所述目标轨迹点的特征。
13.一种文字笔画书写顺序评估装置,其特征在于,包括:轨迹点数据获取模块、轨迹点数据规整模块、笔画类别预测模块、笔画书写顺序评估模块和评估结果输出模块;
所述轨迹点数据获取模块,用于获取目标文字对应的轨迹点序列;
所述轨迹点数据规整模块,用于对所述目标文字对应的轨迹点序列进行规整,规整后的轨迹点序列作为目标轨迹点序列;
所述笔画类别预测模块,用于根据所述目标轨迹点序列,按实际的笔画书写顺序依次预测所述目标文字的每个笔画所属的笔画类别,得到所述目标文字的笔画类别序列;
所述笔画书写顺序评估模块,用于根据所述目标文字的笔画类别序列和所述目标文字对应的标准文字的笔画类别序列,确定所述目标文字的笔画书写顺序是否正确以及笔画书写顺序不正确时的顺序错误笔画;
所述评估结果输出模块,用于输出笔画书写顺序评估模块的评估结果。
14.一种文字笔画书写顺序评估设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1~12中任一项所述的文字笔画书写顺序评估方法的各个步骤。
15.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~12中任一项所述的文字笔画书写顺序评估方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480055.1A CN114913532A (zh) | 2022-05-05 | 2022-05-05 | 一种文字笔画书写顺序评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480055.1A CN114913532A (zh) | 2022-05-05 | 2022-05-05 | 一种文字笔画书写顺序评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913532A true CN114913532A (zh) | 2022-08-16 |
Family
ID=82766235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210480055.1A Pending CN114913532A (zh) | 2022-05-05 | 2022-05-05 | 一种文字笔画书写顺序评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913532A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116561601A (zh) * | 2023-07-07 | 2023-08-08 | 深圳棒棒帮科技有限公司 | 一种书写评分方法、装置及存储介质 |
-
2022
- 2022-05-05 CN CN202210480055.1A patent/CN114913532A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116561601A (zh) * | 2023-07-07 | 2023-08-08 | 深圳棒棒帮科技有限公司 | 一种书写评分方法、装置及存储介质 |
CN116561601B (zh) * | 2023-07-07 | 2023-10-03 | 深圳棒棒帮科技有限公司 | 一种书写评分方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7073241B2 (ja) | 複数のディープ・ラーニング・ニューラル・ネットワークを動的に重み付けすることによるフォント認識の改善 | |
KR101865102B1 (ko) | 시각 문답을 위한 시스템 및 방법 | |
RU2661750C1 (ru) | Распознавание символов с использованием искусственного интеллекта | |
AU2018205185B2 (en) | Scalable font pairing with asymmetric metric learning | |
CN109376222B (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
Hodnett et al. | R Deep Learning Essentials: A step-by-step guide to building deep learning models using TensorFlow, Keras, and MXNet | |
CN114358007A (zh) | 多标签识别方法、装置、电子设备及存储介质 | |
CN109359180B (zh) | 用户画像生成方法、装置、电子设备及计算机可读介质 | |
US11501110B2 (en) | Descriptor learning method for the detection and location of objects in a video | |
CN111897954B (zh) | 一种用户评论方面挖掘系统、方法、及存储介质 | |
CN114818691A (zh) | 文章内容的评价方法、装置、设备及介质 | |
CN111046771A (zh) | 用于恢复书写轨迹的网络模型的训练方法 | |
CN114240552A (zh) | 基于深度聚类算法的产品推荐方法、装置、设备及介质 | |
Zhao et al. | Deep imitator: Handwriting calligraphy imitation via deep attention networks | |
CN114064894A (zh) | 文本处理方法、装置、电子设备及存储介质 | |
Fan et al. | A hierarchical Dirichlet process mixture of generalized Dirichlet distributions for feature selection | |
Dafnis | Bidirectional Skeleton-Based Isolated Sign Recognition using Graph Convolution Networks. | |
CN114913532A (zh) | 一种文字笔画书写顺序评估方法、装置、设备及存储介质 | |
CN113268592B (zh) | 基于多层次交互注意力机制的短文本对象情感分类方法 | |
US20230084641A1 (en) | Math detection in handwriting | |
CN112119410A (zh) | 用于用覆盖引导模糊测试调试神经网络的系统和方法 | |
CN109255377A (zh) | 仪器识别方法、装置、电子设备及存储介质 | |
CN115906861A (zh) | 基于交互方面信息融合的语句情感分析方法以及装置 | |
CN114416962A (zh) | 问题答案的预测方法、预测装置、电子设备、存储介质 | |
US11468298B2 (en) | Neural networks for multi-label classification of sequential data |
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 |