CN114926828B - 场景文本识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种场景文本识别方法、装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及场景文本识别技术。实现方案为：一种文本识别方法，包括：从包含待识别文本的图像中提取待识别文本的视觉特征向量；基于预先设定的位置嵌入向量与视觉特征向量的交互，输出待识别文本的序列特征向量，其中，位置嵌入向量与视觉特征向量的交互在并行解码器中执行以输出序列特征向量，并行解码器是基于视觉信息与语义信息的融合为参考而被训练的；以及将序列特征向量映射成概率向量以获得待识别文本的识别结果。

Description

场景文本识别方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及场景文本识别技术，具体涉及一种场景文本识别方法、用于训练并行解码器的方法、装置、电子设备、计算机可读存储介质和计算机程序产品，以及一种并行解码器。

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。

场景文本识别可以将任意场景的图像中所呈现的文字转换为易编辑和存储的文本信息。目前，场景文本识别已被广泛应用于各种场景，如票据识别、身份证信息识别、银行卡信息识别、公式识别等。此外，场景文本识别还可以辅助用于诸如字幕翻译、安全监控、视频搜索等诸多应用场景。场景文本识别的识别精度和速度依然是业界研究的热点与难点问题之一。

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

本公开提供了一种场景文本识别方法、用于训练并行解码器的方法、装置、电子设备、计算机可读存储介质和计算机程序产品，以及一种并行解码器。

根据本公开的一方面，提供了一种文本识别方法，包括从包含待识别文本的图像中提取待识别文本的视觉特征向量；基于预先设定的位置嵌入向量与视觉特征向量的交互，输出待识别文本的序列特征向量，其中，位置嵌入向量与视觉特征向量的交互在并行解码器中执行以输出序列特征向量，并行解码器是基于视觉信息与语义信息的融合为参考而被训练的；以及将序列特征向量映射成概率向量以获得待识别文本的识别结果。

根据本公开的另一方面，提供了一种用于训练并行解码器的方法，包括从包含训练文本的图像中提取训练文本的视觉特征向量；基于预先设定的位置嵌入向量与视觉特征向量的交互，输出训练文本的第一样本序列特征向量，其中，位置嵌入向量与视觉特征向量的交互在并行解码器中执行以输出第一样本序列特征向量，第一样本序列特征向量以视觉信息与语义信息的融合为参考经由训练被迭代；以及将第一样本序列特征向量映射成第一样本概率向量。

根据本公开的另一方面，提供了一种并行解码器，其中，并行解码器是根据如上的方法而被训练的。

根据本公开的另一方面，提供了一种文本识别装置，包括特征提取模块，被配置为从包含待识别文本的图像中提取待识别文本的视觉特征向量；解码模块，被配置为基于预先设定的位置嵌入向量与视觉特征向量的交互，输出待识别文本的序列特征向量，其中，位置嵌入向量与视觉特征向量的交互在并行解码器中执行以输出序列特征向量，并行解码器是基于视觉信息与语义信息的融合为参考而被训练的；以及识别模块，被配置为将序列特征向量映射成概率向量以获得待识别文本的识别结果。

根据本公开的另一方面，提供了一种用于训练并行解码器的装置，包括样本特征提取模块，被配置为从包含训练文本的图像中提取训练文本的视觉特征向量；样本解码模块，被配置为基于预先设定的位置嵌入向量与视觉特征向量的交互，输出训练文本的第一样本序列特征向量，其中，位置嵌入向量与视觉特征向量的交互在并行解码器中执行以输出第一样本序列特征向量，第一样本序列特征向量以视觉信息与语义信息的融合为参考经由训练被迭代；以及样本识别模块，被配置为将第一样本序列特征向量映射成第一样本概率向量。

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；其中存储器存储有能够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上所述的方法。

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计算机执行如上所述的方法。

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，其中，所述计算机程序在被处理器执行时实现如上所述的方法。

根据本公开的一个或多个实施例，可以在保持识别速度的同时提升识别效果。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

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示出了根据本公开实施例的场景文本识别方法的流程图；

图3示出了根据本公开实施例的并行解码器的示意图；

图4示出了根据本公开实施例的视觉语义融合模块的示意图；

图5示出了根据本公开实施例的用于训练并行解码器的方法的流程图；

图6示出了根据本公开实施例的并行解码器的训练的示意图；

图7示出了根据本公开一个实施例的场景文本识别装置的结构框图；

图8示出了根据本公开另一个实施例的用于训练并行解码器的装置的结构框图；

图9示出了能够用于实现本公开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要素与另一要素区分开。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。

在相关技术中，场景文本识别一般采用诸如自回归迭代式解码方法，这种方法虽然可以提供较高的识别精度，但由于预测过程的延迟高，导致识别速度较慢。在场景文本识别中还提出了使用并行解码器。并行解码器在机器翻译、语音识别等应用场景中已有所使用。对于场景文本识别，并行解码器可以使用位置信息与视觉信息进行交互得到文本的识别结果。由于并行解码器可以一次性将文本中的所有字符进行解码，因此可以提供较高的识别速度。

然而，并行解码器难以利用字符之间的相互关系，因为所有字符是被并行解码的。这导致并行解码器难以利用文本的语义信息，使得识别效果存在局限性，无法同时提供高识别精度与高识别速度。

针对以上技术问题，根据本公开实施例的一方面，提供了一种场景文本识别方法。

在详细描述本公开实施例的方法之前，首先结合图1描述可以应用根据本公开实施例的方法的示例性系统。

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场景文本识别方法和用于训练并行解码器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)模型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来提供包含待识别文本的图像。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。客户端设备还可以经由该接口向用户输出信息。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、区块链网络、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/或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/或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使用的数据库例如可以是关系数据库。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2示出了根据本公开实施例的场景文本识别方法200的流程图。如图2所示，方法200包括步骤S202、S204及S206。

在步骤S202中，从包含待识别文本的图像中提取待识别文本的视觉特征向量。

提取视觉特征向量表示将图像的视觉信息转换成能够被机器所处理的定量形式。在示例中，可以通过基于神经网络的特征提取模型来执行步骤S202的提取操作。

在示例中，包含待识别文本的图像可以是从诸如身份证或银行卡的图像中经过文本检测后所剪裁出的图像。该图像可以包括与待识别文本相对应的文本像素和其余的背景像素等。提取视觉特征向量可以涉及这些其余的背景像素的过滤，使得待识别文本的视觉特征向量可以与文本像素的特征相关联。

在步骤S204中，基于预先设定的位置嵌入向量与视觉特征向量的交互输出待识别文本的序列特征向量。位置嵌入向量与视觉特征向量的交互在并行解码器中执行以输出序列特征向量。并行解码器是基于视觉信息与语义信息的融合为参考而被训练的。

步骤S204的解码操作通过并行解码器来执行，该并行解码器是基于视觉信息与语义信息的融合为参考而被训练的，这可以使得并行解码器的解码过程也能引入语义信息。

位置嵌入向量表示并行解码器在解码过程中所使用的位置信息，例如与文本中字符的顺序相关联，并且可以是基于先验知识预先设定的。

位置嵌入向量与视觉特征向量的交互表示位置信息从视觉信息中获取用于识别文本所需的信息以实现解码过程。

由并行解码器输出的序列特征向量表示待识别文本中具有哪些字符，该序列特征向量将进一步经过诸如分类器的映射处理来获得文本识别结果。

根据本公开的实施例，并行解码器是基于视觉信息与语义信息的融合为参考而被训练的。与传统方法不同的是，这意味着通过本公开实施例的并行解码器不仅可以利用待识别文本的视觉信息，还能够利用待识别文本的语义信息。

在步骤S206中，将序列特征向量映射成概率向量以获得待识别文本的识别结果。

在示例中，可以通过分类器来执行步骤S206的映射操作。

由于序列特征向量是基于待识别文本的视觉信息和语义信息得到的，使得由此获得的待识别文本的识别结果能够较之仅使用视觉信息的传统方法而言提供更高的识别精度。

因此，根据本公开的实施例，与传统方法不同，在场景文本识别中使用的并行解码器是基于视觉信息与语义信息的融合为参考而被训练的。这克服了传统的并行解码器仅使用视觉信息所导致的识别精度低的问题，由此提高了场景文本识别的识别精度。同时，通过在并行解码器中引入语义信息的部分，可以不额外增加其他用于视觉增强或后处理的模块，由此可以使得并行解码器天然的速度优势也能够被保持。

本公开的技术方案中，所涉及的文本的收集、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3示出了根据本公开实施例的并行解码器300的示意图。

如图3所示，并行解码器300可以包括解码器部分310和位置嵌入模块320。位置嵌入模块320可以基于先验知识来生成预先设定的位置嵌入向量P。位置嵌入向量P和视觉特征向量F可以输入到解码器部分310以在解码器部分310内进行交互。由此，并行解码器300可以输出序列特征向量Seq_1。

根据一些实施例，解码器部分310可以包括基于多头注意力机制(MHA，Multi-HeadAttention)的解码器(Transformer)。注意力函数中的查询向量(Q)可以以位置嵌入向量P来表示，且键向量(K)和值向量(V)可以以视觉特征向量F来表示。

在示例中，解码器部分310可以包括至少一个基于MHA的解码器，诸如可以是二个、三个或六个解码器的级联。相应地，更多的解码器可以提供更高的识别精度。

在示例中，键向量(K)可以是通过映射视觉特征向量F所得到的，且值向量(V)可以是通过二次映射视觉特征向量F所得到的。

通过此方式，借助于基于MHA的解码器为位置嵌入向量与视觉特征向量的交互提供了便利，使得可以藉由注意力函数中的查询向量(Q)与键向量(K)和值向量(V)的交互机制来实现位置嵌入向量与视觉特征向量的交互，从而使得位置信息可以从视觉信息中获取用于识别文本所需的信息以实现解码过程。

根据一些实施例，位置嵌入向量P所包括的向量数目可以对应于能够识别的最大字符数目。

换言之，文本的字符数目不超过位置嵌入向量P所包括的向量数目。由于视觉特征向量F的向量数目反映了文本的字符数目，因此通过此方式可以确保位置嵌入向量P与视觉特征向量F相匹配以进行交互。

根据一些实施例，并行解码器300的训练可以参考视觉语义融合模块。视觉语义融合模块可以是基于视觉信息与语义信息的融合进行解码的模型。

通过参考视觉语义融合模块来进行训练，可以在并行解码器中引入语义信息的部分，由此获得性能增强的并行解码器。另外，这种参考另一模型的训练过程不涉及训练文本上的数据负担，因此也可以为训练过程提供便利。

在具体描述用于训练并行解码器300的方法之前，首先结合图4描述视觉语义融合模块的内部结构。

图4示出了根据本公开实施例的视觉语义融合模块400的示意图。

如图4所示，视觉语义融合模块400可以包括第一解码器部分410、第二解码器部分420、位置嵌入模块430、掩码嵌入模块440、字符嵌入模块450和融合模块460。

与如图3所示的位置嵌入模块320类似，位置嵌入模块430也可以基于先验知识来生成位置嵌入向量P。位置嵌入向量P和视觉特征向量F可以输入到第一解码器部分410以在第一解码器部分410内进行交互。

因此，第一解码器部分410可以是与视觉信息相关联的。

掩码嵌入模块440可以通过掩盖一部分文本来生成包含被掩盖的文本的向量，即掩码嵌入向量M。字符嵌入模块450可以基于先验知识生成除所述被掩盖的文本之外的其余文本的向量，即字符嵌入向量C。掩码嵌入向量M和字符嵌入向量C可以输入到第二解码器部分420以在第二解码器部分420内进行交互。这类似于利用语义信息来猜测或预测被掩盖的文本。

因此，第二解码器部分420可以是与语义信息相关联的。

融合模块460可以将来自第一解码器部分410的输出和来自第二解码器部分420的输出进行融合，以实现视觉信息与语义信息的融合。

视觉语义融合模块400可以输出序列特征向量Seq_2，该序列特征向量Seq_2是基于视觉信息与语义信息融合所获得的。

在第一解码器部分410和第二解码器部分420包括基于MHA的解码器的实施例中，也可以藉由注意力函数中的查询向量(Q)与键向量(K)和值向量(V)的交互机制来实现在第一解码器部分410内和在第二解码器部分420内的各自的交互过程。

在示例中，对于第一解码器部分410，查询向量(Q)可以以位置嵌入向量P来表示，且键向量(K)和值向量(V)可以以视觉特征向量F来表示。

在示例中，对于第二解码器部分420，查询向量(Q)可以以掩码嵌入向量M来表示，且键向量(K)和值向量(V)可以以字符嵌入向量C来表示。键向量(K)可以是通过映射字符嵌入向量C所得到的，且值向量(V)可以是通过二次映射字符嵌入向量C所得到的。

根据本公开的实施例，视觉语义融合模块400仅在并行解码器(如图3所示的并行解码器300)的训练过程中被使用以增强并行解码器的识别效果。

图5示出了根据本公开实施例的用于训练并行解码器的方法500的流程图。如图5所示，方法500包括步骤S502、S504和S506。

在步骤S502中，从包含训练文本的图像中提取训练文本的视觉特征向量。

提取视觉特征向量的方面可以与上面结合图2所述的步骤S202类似，因此这里不再赘述。不同之处在于由于图5涉及并行解码器的训练方法，因此图像所包含的文本是已进行了标注(即，具有标签)的训练文本。

在步骤S504中，基于预先设定的位置嵌入向量与视觉特征向量的交互，输出训练文本的第一样本序列特征向量。位置嵌入向量与视觉特征向量的交互在并行解码器中执行以输出第一样本序列特征向量。第一样本序列特征向量以视觉信息与语义信息的融合为参考经由训练被迭代。

换言之，并行解码器是基于视觉信息与语义信息的融合为参考而被训练的。这意味着经过训练的并行解码器可以被增强以使得语义信息也能够被利用。

在步骤S506中，将第一样本序列特征向量映射成第一样本概率向量。

因此，根据本公开的实施例，在并行解码器的训练中，基于视觉信息与语义信息的融合为参考来进行所述训练，使得由并行解码器输出的第一样本序列特征向量以视觉信息与语义信息的融合为参考经由训练被迭代。由此，获得性能增强的并行解码器。

下面结合图6具体描述用于训练并行解码器的方法的一个或多个方面。

图6示出了根据本公开实施例的并行解码器的训练的示意图。如图6所示，并行解码器610可以参考视觉语义融合模块620来进行训练。

在具体说明并行解码器610参考视觉语义融合模块620进行训练的方法之前，首先简要描述并行解码器610和视觉语义融合模块620的结构。

并行解码器610可以是结合图3所述的并行解码器300的实施例。

并行解码器610可以包括级联的两个基于MHA的解码器6110-1和6110-2以及位置嵌入模块6120。位置嵌入模块6120生成的位置嵌入向量P1可以输入到解码器6110-1。训练文本的经提取的视觉特征向量F可以分别输入到解码器6110-1和6110-2。并行解码器610可以输出第一样本序列特征向量Seq_Sample_1。

视觉语义融合模块620可以是结合图4所述的视觉语义融合模块400的实施例。

视觉语义融合模块620可以包括基于MHA的解码器6210-1、6210-2和6220-1、6220-2、位置嵌入模块6230、掩码嵌入模块6240、字符嵌入模块6250和融合模块6260-1、6260-2。解码器6210-1、6210-2的输出可以经过融合模块6260-1进行融合并再次分别输入至解码器6220-1和6220-2。

训练文本的经提取的视觉特征向量F可以分别输入到解码器6210-1和6220-1。位置嵌入模块6230生成的位置嵌入向量P2可以输入到解码器6210-1。解码器6210-1和6220-1可以是与视觉信息相关联的。

掩码嵌入模块6240生成的掩码嵌入向量M可以输入到解码器6210-2。字符嵌入模块6250生成的字符嵌入向量C可以输入到解码器6210-2和6220-2。解码器6210-2和6220-2可以是与语义信息相关联的。

解码器6220-1和6220-2的输出经过融合模块6260-2进行融合。视觉语义融合模块620可以输出第二样本序列特征向量Seq_Sample_2。

图6还示出了分类器640和650。分类器640可以将第一样本序列特征向量Seq_Sample_1映射成第一样本概率向量Logist_Sample_1。分类器650可以将第二样本序列特征向量Seq_Sample_2映射成第二样本概率向量Logist_Sample_2。

根据一些实施例，并行解码器610的训练参考视觉语义融合模块620。并行解码器610在训练期间输出的解码结果经由训练而向着视觉语义融合模块620输出的解码结果靠近。即，在训练中，第一样本序列特征向量Seq_Sample_1的迭代可以参考视觉语义融合模块620。第一样本序列特征向量Seq_Sample_1经由迭代而向着视觉语义融合模块输出的解码结果靠近。视觉语义融合模块620可以是基于视觉信息与语义信息的融合进行解码的模型。

如前所述，在视觉语义融合模块620中，解码器6210-1和6220-1可以是与视觉信息相关联的，而解码器6210-2和6220-2可以是与语义信息相关联的。因此，视觉语义融合模块620可以融合视觉信息与语义信息二者。

并行解码器610在训练期间输出的第一样本序列特征向量Seq_Sample_1向着视觉语义融合模块620输出的解码结果靠近意味着，使第一样本序列特征向量Seq_Sample_1向着视觉语义融合模块620输出的解码结果进行学习。

通过参考视觉语义融合模块620来进行训练，可以在并行解码器610中引入语义信息的部分，由此获得性能增强的并行解码器。另外，这种参考另一模型的训练过程不涉及训练文本上的数据负担，因此也可以为训练过程提供便利。

根据一些实施例，视觉语义融合模块620可以输出第二样本序列特征向量Seq_Sample_2。第一样本序列特征向量Seq_Sample_1与第二样本序列特征向量Seq_Sample_2之间的相似度经由迭代而被最大化。

在示例中，如图6所示，还示出了相似度计算模块630，相似度计算模块630可以针对每次迭代来计算第一样本序列特征向量Seq_Sample_1与第二样本序列特征向量Seq_Sample_2之间的相似度。

使第一样本序列特征向量Seq_Sample_1与第二样本序列特征向量Seq_Sample_2之间的相似度最大化意味着使第一样本序列特征向量Seq_Sample_1向着第二样本序列特征向量Seq_Sample_2进行学习，由此更靠近第二样本序列特征向量Seq_Sample_2。

由于第二样本序列特征向量Seq_Sample_2是经由融合了视觉信息与语义信息的视觉语义融合模块620而得到的，因此其相较于仅使用视觉信息的解码而言能够提供更高的准确度。通过经由迭代使第一样本序列特征向量Seq_Sample_1与第二样本序列特征向量Seq_Sample_2之间的相似度最大化，可以达到训练并行解码器以使其利用语义信息的目的，由此提供增强的并行解码器。

根据一些实施例，第二样本序列特征向量Seq_Sample_2由分类器650映射成第二样本概率向量Logist_Sample_2。第一样本概率向量Logist_Sample_1与训练文本的标签之间的第一损失函数经由迭代而被最小化，第二样本概率向量Logist_Sample_2与训练文本的标签之间的第二损失函数经由迭代而被最小化。

在示例中，损失函数可以是交叉熵损失。图6示出了第一样本概率向量Logist_Sample_1与训练文本的标签之间的交叉熵损失L1，以及第二样本概率向量Logist_Sample_2与训练文本的标签之间的交叉熵损失L2。换言之，经由迭代将交叉熵损失L1和交叉熵损失L2最小化。

可以理解，将交叉熵损失L1最小化是对并行解码器610进行训练的监督。将交叉熵损失L2最小化可以成为对视觉语义融合模块620进行训练的监督，由此使得视觉语义融合模块620也可以经由训练而被增强，以输出更准确的第二样本序列特征向量Seq_Sample_2，由此可以间接增强对于并行解码器610的训练效果。

根据一些实施例，视觉语义融合模块620在训练期间使用掩码嵌入向量M和字符嵌入向量C来引入语义信息。掩码嵌入向量M包括被掩盖的文本的向量，字符嵌入向量C包括除被掩盖的文本之外的其余文本的向量。

关于掩码嵌入向量M和字符嵌入向量C已结合图4进行了描述。通过这种方式，可以在视觉语义融合模块620中引入语义信息，以使得视觉语义融合模块620的解码能够融合视觉信息与语义信息二者，由此为用于增强并行解码器610的训练提供参考基础。

根据本公开实施例的另一方面，还提供了一种并行解码器。并行解码器根据如上所述的方法而被训练。

根据本公开实施例的另一方面，还提供了一种场景文本识别装置。

图7示出了根据本公开一个实施例的场景文本识别装置700的结构框图。如图7所示，场景文本识别装置700包括特征提取模块710、解码模块720和识别模块730。

特征提取模块710被配置为从包含待识别文本的图像中提取待识别文本的视觉特征向量。

解码模块720被配置为基于预先设定的位置嵌入向量与视觉特征向量的交互，输出待识别文本的序列特征向量。位置嵌入向量与视觉特征向量的交互在并行解码器中执行以输出序列特征向量。并行解码器是基于视觉信息与语义信息的融合为参考而被训练的。

识别模块730被配置为将序列特征向量映射成概率向量以获得待识别文本的识别结果。

如图7所示的特征提取模块710、解码模块720和识别模块730所执行的操作可以分别对应于如结合图2描述的步骤S202、S204和S206，因此这里不再赘述其各方面的细节。

根据一些实施例，并行解码器的训练参考视觉语义融合模块。并行解码器在训练期间输出的解码结果经由训练而向着视觉语义融合模块输出的解码结果靠近。视觉语义融合模块是基于视觉信息与语义信息的融合进行解码的模型。

根据一些实施例，并行解码器在训练期间输出训练文本的第一样本序列特征向量，视觉语义融合模块在训练期间输出训练文本的第二样本序列特征向量。第一样本序列特征向量与第二样本序列特征向量之间的相似度经由训练而被最大化。

根据一些实施例，第一样本序列特征向量在训练期间被映射成第一训练概率向量，第二样本序列特征向量在训练期间被映射成第二训练概率向量。第一训练概率向量与训练文本的标签之间的第一损失函数经由训练而被最小化，第二训练概率向量与训练文本的标签之间的第二损失函数经由训练而被最小化。

根据一些实施例，视觉语义融合模块在训练期间使用掩码嵌入向量和字符嵌入向量来引入语义信息。掩码嵌入向量包括被掩盖的文本的向量，字符嵌入向量包括除被掩盖的文本之外的其余文本的向量。

根据一些实施例，并行解码器包括基于多头注意力机制的解码器。注意力函数中的查询向量以位置嵌入向量来表示，并且键向量和值向量以视觉特征向量来表示。

根据一些实施例，位置嵌入向量所包括的向量数目对应于能够识别的最大字符数目。

根据本公开实施例的另一方面，还提供了一种用于训练并行解码器的装置。

图8示出了根据本公开另一个实施例的用于训练并行解码器的装置800的结构框图。如图8所示，装置800包括样本特征提取模块810、样本解码模块820和样本识别模块830。

样本特征提取模块810被配置为从包含训练文本的图像中提取训练文本的视觉特征向量。

样本解码模块820被配置为基于预先设定的位置嵌入向量与视觉特征向量的交互，输出训练文本的第一样本序列特征向量。位置嵌入向量与视觉特征向量的交互在并行解码器中执行以输出第一样本序列特征向量。第一样本序列特征向量以视觉信息与语义信息的融合为参考经由训练被迭代。

样本识别模块830被配置为将第一样本序列特征向量映射成第一样本概率向量。

如图8所示的样本特征提取模块810、样本解码模块820和样本识别模块830所执行的操作可以分别对应于如结合图5描述的步骤S502、S504和S506，因此这里不再赘述其各方面的细节。

根据本公开的另一方面，还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；其中存储器存储有能够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，以使所述至少一个处理器能够执行根据本公开实施例所述的方法。

根据本公开的另一方面，还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根据本公开实施例所述的方法。

根据本公开的另一方面，还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根据本公开实施例所述的方法。

图9示出了能够用于实现本公开实施例的示例性电子设备的结构框图。

参考图9，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8所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906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907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908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理，例如场景文本识别方法和用于训练并行解码器的方法。例如，在一些实施例中，场景文本识别方法和用于训练并行解码器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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的场景文本识别方法和用于训练并行解码器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901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行场景文本识别方法和用于训练并行解码器的方法。

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)、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。

本公开的技术方案中，所涉及的文本的收集、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。

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 (17)

1.一种场景文本识别方法，包括：

从包含待识别文本的图像中提取所述待识别文本的视觉特征向量；

基于预先设定的位置嵌入向量与所述视觉特征向量的交互，输出所述待识别文本的序列特征向量，其中，所述位置嵌入向量与所述视觉特征向量的所述交互在并行解码器中执行以输出所述序列特征向量，所述并行解码器是基于视觉信息与语义信息的融合为参考而被训练的；以及

将所述序列特征向量映射成概率向量以获得所述待识别文本的识别结果，

其中，所述并行解码器的所述训练参考视觉语义融合模块，其中，所述并行解码器在所述训练期间输出的解码结果经由所述训练而向着所述视觉语义融合模块输出的解码结果靠近，所述视觉语义融合模块是基于所述视觉信息与所述语义信息的融合进行解码的模型，

其中，所述并行解码器在所述训练期间输出训练文本的第一样本序列特征向量，所述视觉语义融合模块在所述训练期间输出所述训练文本的第二样本序列特征向量，并且所述第一样本序列特征向量与所述第二样本序列特征向量之间的相似度经由所述训练而被最大化。

2.根据权利要求1所述的方法，其中，所述第一样本序列特征向量在所述训练期间被映射成第一训练概率向量，所述第二样本序列特征向量在所述训练期间被映射成第二训练概率向量，并且所述第一训练概率向量与所述训练文本的标签之间的第一损失函数经由所述训练而被最小化，所述第二训练概率向量与所述训练文本的标签之间的第二损失函数经由所述训练而被最小化。

3.根据权利要求1所述的方法，其中，所述视觉语义融合模块在所述训练期间使用掩码嵌入向量和字符嵌入向量来引入所述语义信息，其中，所述掩码嵌入向量包括被掩盖的文本的向量，所述字符嵌入向量包括除所述被掩盖的文本之外的其余文本的向量。

4.根据权利要求1至3中任一项所述的方法，其中，所述并行解码器包括基于多头注意力机制的解码器，其中，注意力函数中的查询向量以所述位置嵌入向量来表示，且键向量和值向量以所述视觉特征向量来表示。

5.根据权利要求1至3中任一项所述的方法，其中，所述位置嵌入向量所包括的向量数目对应于能够识别的最大字符数目。

6.一种用于训练并行解码器的方法，包括：

从包含训练文本的图像中提取所述训练文本的视觉特征向量；

基于预先设定的位置嵌入向量与所述视觉特征向量的交互，输出所述训练文本的第一样本序列特征向量，其中，所述位置嵌入向量与所述视觉特征向量的所述交互在所述并行解码器中执行以输出所述第一样本序列特征向量，所述第一样本序列特征向量以视觉信息与语义信息的融合为参考经由所述训练被迭代；以及

将所述第一样本序列特征向量映射成第一样本概率向量，

其中，所述第一样本序列特征向量的所述迭代参考视觉语义融合模块，其中，所述第一样本序列特征向量经由所述迭代而向着所述视觉语义融合模块输出的解码结果靠近，所述视觉语义融合模块是基于所述视觉信息与所述语义信息的融合进行解码的模型，

其中，所述视觉语义融合模块输出所述训练文本的第二样本序列特征向量，并且所述第一样本序列特征向量与所述第二样本序列特征向量之间的相似度经由所述迭代而被最大化。

7.根据权利要求6所述的方法，其中，所述第二样本序列特征向量被映射成第二样本概率向量，并且所述第一样本概率向量与所述训练文本的标签之间的第一损失函数经由所述迭代而被最小化，所述第二样本概率向量与所述训练文本的标签之间的第二损失函数经由所述迭代而被最小化。

8.根据权利要求6所述的方法，其中，所述视觉语义融合模块使用掩码嵌入向量和字符嵌入向量来引入所述语义信息，其中，所述掩码嵌入向量包括被掩盖的文本的向量，所述字符嵌入向量包括除所述被掩盖的文本之外的其余文本的向量。

9.一种并行解码器，其中，所述并行解码器是根据权利要求6-8中任一项所述的方法而被训练的。

10.一种场景文本识别装置，包括：

特征提取模块，被配置为从包含待识别文本的图像中提取所述待识别文本的视觉特征向量；

解码模块，被配置为基于预先设定的位置嵌入向量与所述视觉特征向量的交互，输出所述待识别文本的序列特征向量，其中，所述位置嵌入向量与所述视觉特征向量的所述交互在并行解码器中执行以输出所述序列特征向量，所述并行解码器是基于视觉信息与语义信息的融合为参考而被训练的；以及

识别模块，被配置为将所述序列特征向量映射成概率向量以获得所述待识别文本的识别结果，

其中，所述并行解码器的所述训练参考视觉语义融合模块，其中，所述并行解码器在所述训练期间输出的解码结果经由所述训练而向着所述视觉语义融合模块输出的解码结果靠近，所述视觉语义融合模块是基于所述视觉信息与所述语义信息的融合进行解码的模型，

其中，所述并行解码器在所述训练期间输出训练文本的第一样本序列特征向量，所述视觉语义融合模块在所述训练期间输出所述训练文本的第二样本序列特征向量，并且所述第一样本序列特征向量与所述第二样本序列特征向量之间的相似度经由所述训练而被最大化。

11.根据权利要求10所述的装置，其中，所述第一样本序列特征向量在所述训练期间被映射成第一训练概率向量，所述第二样本序列特征向量在所述训练期间被映射成第二训练概率向量，并且所述第一训练概率向量与所述训练文本的标签之间的第一损失函数经由所述训练而被最小化，所述第二训练概率向量与所述训练文本的标签之间的第二损失函数经由所述训练而被最小化。

12.根据权利要求10所述的装置，其中，所述视觉语义融合模块在所述训练期间使用掩码嵌入向量和字符嵌入向量来引入所述语义信息，其中，所述掩码嵌入向量包括被掩盖的文本的向量，所述字符嵌入向量包括除所述被掩盖的文本之外的其余文本的向量。

13.根据权利要求10至12中任一项所述的装置，其中，所述并行解码器包括基于多头注意力机制的解码器，其中，注意力函数中的查询向量以所述位置嵌入向量来表示，并且键向量和值向量以所述视觉特征向量来表示。

14.根据权利要求10至12中任一项所述的装置，其中，所述位置嵌入向量所包括的向量数目对应于能够识别的最大字符数目。

15.一种用于训练并行解码器的装置，包括：

样本特征提取模块，被配置为从包含训练文本的图像中提取所述训练文本的视觉特征向量；

样本解码模块，被配置为基于预先设定的位置嵌入向量与所述视觉特征向量的交互，输出所述训练文本的第一样本序列特征向量，其中，所述位置嵌入向量与所述视觉特征向量的所述交互在所述并行解码器中执行以输出所述第一样本序列特征向量，所述第一样本序列特征向量以视觉信息与语义信息的融合为参考经由所述训练被迭代；以及

样本识别模块，被配置为将所述第一样本序列特征向量映射成第一样本概率向量，

其中，所述第一样本序列特征向量的所述迭代参考视觉语义融合模块，其中，所述第一样本序列特征向量经由所述迭代而向着所述视觉语义融合模块输出的解码结果靠近，所述视觉语义融合模块是基于所述视觉信息与所述语义信息的融合进行解码的模型，

其中，所述视觉语义融合模块输出所述训练文本的第二样本序列特征向量，并且所述第一样本序列特征向量与所述第二样本序列特征向量之间的相似度经由所述迭代而被最大化。

16.一种电子设备，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

所述存储器存储有能够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根据权利要求1-8中任一项所述的方法。

17.一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计算机执行根据权利要求1-8中任一项所述的方法。

Images