CN115497107A - 一种基于笔画和部首分解的零样本汉字识别方法 - Google Patents

一种基于笔画和部首分解的零样本汉字识别方法 Download PDF

Info

Publication number
CN115497107A
CN115497107A CN202211219592.7A CN202211219592A CN115497107A CN 115497107 A CN115497107 A CN 115497107A CN 202211219592 A CN202211219592 A CN 202211219592A CN 115497107 A CN115497107 A CN 115497107A
Authority
CN
China
Prior art keywords
stroke
radical
chinese character
code
module
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
CN202211219592.7A
Other languages
English (en)
Other versions
CN115497107B (zh
Inventor
曾锦山
徐瑞英
李海燕
吴宇
周杰
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.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal University
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 Jiangxi Normal University filed Critical Jiangxi Normal University
Priority to CN202211219592.7A priority Critical patent/CN115497107B/zh
Publication of CN115497107A publication Critical patent/CN115497107A/zh
Application granted granted Critical
Publication of CN115497107B publication Critical patent/CN115497107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
    • G06V30/244—Division of the character sequences into groups prior to recognition; Selection of dictionaries using graphical properties, e.g. alphabet type or font
    • G06V30/245—Font recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06V30/182—Extraction of features or characteristics of the image by coding the contour of the pattern
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
    • G06V30/2552—Combination of methods, e.g. classifiers, working on different input data, e.g. sensor fusion
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种基于笔画和部首分解的零样本汉字识别方法，包括：步骤一、建立包含笔画模块和部首模块的训练模型，通过训练阶段能获得笔画特征、部首特征、笔画编码和部首编码；步骤二、将样本图片输入训练模型进行训练；步骤三、将待识别图片放入训练好的模型中，得到预测出的笔画编码和笔画特征后对预测的编码做出判断，判断结果存在唯一对应的汉字时将该汉字作为最终输出结果；否则经笔画修订后，通过将笔画编码对应的多个汉字支持样本与之前笔画特征进行匹配确定最终输出结果。本发明在训练部分采用笔画和部首两种模块，引入相似性损失，得到高相关性的字符特征；测试部分引入了一种笔画校正方案，扩大了最终推理所需的候选字符集。

Description

一种基于笔画和部首分解的零样本汉字识别方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于笔画和部首分解的零样本汉字识别方法。
背景技术
现有的汉字识别方法一般可以分为三类，即基于字符的方法，基于部首的方法和基于笔画的方法。
传统的基于字符的方法主要依赖于显性特征，如Gabor特征，方向性特征，以及矢量特征。然而，这样的特征提取程序通常是手工制作的，因此耗费时间和精力。随着深度学习的发展，特别是卷积神经网络。受益于深度神经网络强大的表达能力和逼近能力，特征提取和识别过程可以合并为一个过程，因此，汉字识别实现了通过端到端的训练。基于字符的方法将字符输入作为一个单一的图像，并试图学习输入图像和预先定义的类别之间的一致关系，例如，Dan Ciresan等人首次提出的多列深度神经网络方法，它的性能远远优于传统方法。DirectMap通过将传统的方向图与CNN模型相结合，在本次比赛中取得了新的技术水平。然而这些方法没有考虑不同字符之间的相似性和内部结构。因此，这些方法只能在常见的汉字上表现良好，但无法识别训练集未出现的汉字类别，即零样本问题。
为了填补这一空白，近年来提出了基于部首的方法。他们将汉字分解为部首和二维结构，使用深度学习的基于部首的方法中DenseRAN将每个汉字视为部首编码，将识别任务视为图像字幕。FewShotRAN将每个部首映射到一个潜在空间，并约束同一类的特征接近。HDE利用部首组成的知识为每个汉字设计了一个嵌入向量，学习了从样本空间到嵌入空间的转换，取得了显著的效果。这些方法能够解决汉字零样本的问题。然而，在渴求数据的条件下，一些部首分子可能不会出现在训练集中，这就导致了另一个被称为部首零样本的困境。因此，这些基于部首的方法并没有从根本上解决零样本问题。
最近，Chen等人将汉字笔画信息与深度学习相结合，他们将32种基本笔画分成五类，这样做可以保证每一类笔画都能被覆盖到。将汉字图片丢入网络中得到对应的预测笔画编码。将笔画方法与深度学习相结合的方式虽然对于零样本的情况下有较好的识别准确率，但是汉字中的部首信息没有利用，而由于汉字及其部首存在不同字却笔画种类顺序相同的情况，比如“己”、“已”，因此单纯依据笔画识别的正确率相对较低，汉字的识别率仍有提升空间。
发明内容
本发明的目的是提供消除静态特征误匹配的机器人定位方法，用于解决现有技术中无法有效实现对零样本汉字进行准确识别的技术问题。
所述的一种基于笔画和部首分解的零样本汉字识别方法，包括下列步骤：
步骤一、建立包含笔画模块和部首模块的训练模型，通过训练模型能获得笔画特征、部首特征、笔画编码和部首编码；
步骤二、将样本图片输入训练模型进行训练；
步骤三、将待识别图片放入已经训练好的模型中，得到模型预测出的笔画编码和笔画特征后对预测的编码做出判断，判断结果存在唯一对应的汉字时将该汉字作为最终输出结果；否则经笔画修订后，通过将该笔画编码对应的多个汉字的支持样本与之前获得的笔画特征进行笔画特征的匹配确定最终输出结果。
优选的，所述步骤二具体包括：所述笔画模块和所述部首模块均由编码器和解码器构成，输入图片后训练模型一方面将输入的图片放入笔画模块的笔画编码器中得到笔画特征Fs，再将笔画特征Fs放入笔画模块的笔画解码器中进行解码得到预测的笔画编码Ps；另一方面对于部首模块，将输入的图片放入部首模块的部首编码器中得到部首特征Fr，再将部首特征Fr放入部首模块的部首解码器中进行解码得到预测的部首编码Pr；训练中对笔画特征Fs和部首特征Fr进行了余弦距离的损失计算，对预测的笔画编码Ps和部首编码Pr分别与他们对应的真实标签进行了交叉熵的损失计算，通过余弦距离损失和交叉熵损失对模型进行优化。
优选的，采用余弦距离损失对模型进行优化的公式如下：
Figure BDA0003874824070000021
其中，T表示笔画特征Fs的转置，*和×均表示点乘；
本模型中，根据笔画编码Ps的真实标签
Figure BDA0003874824070000022
和部首编码Pr的真实标签
Figure BDA0003874824070000023
Gst和Grt中的t均表示时间步长t处，T0是编码标签长度即编码中t的最大值，因此相应交叉熵损失对模型进行优化的公式分别为：
Figure BDA0003874824070000031
Figure BDA0003874824070000032
T0是编码标签长度，p(Gst)是指时间步长t处类别Gst的概率，p(Grt)是指时间步长t处类别Grt的概率。
优选的，所述步骤三具体包括：通过将待识别图片放入已经训练好的模型中，得到模型预测出的笔画编码Ps t和笔画特征Fs t，之后对预测的编码做出判断，判断的依据以笔画编码Ps t为主。首先对笔画编码进行编码是否唯一以及编码对应的汉字是否唯一的判断，若均满足则直接输出该编码对应的唯一汉字Ps t(char)；否则对笔画编码Ps t进行修订，
Figure BDA0003874824070000033
为修订后的笔画编码，将
Figure BDA0003874824070000034
对应多个汉字的支持样本图片
Figure BDA0003874824070000035
输入到上述训练后模型的笔画编码器得到对应的笔画特征
Figure BDA0003874824070000036
笔画特征
Figure BDA0003874824070000037
与待识别汉字的笔画特征Fs t进行字符层面的相似度度量，选择相似度最高的特征图所对应的汉字作为最终输出的结果。
优选的，所述步骤三中，笔画编码Ps t的修订公式如下：
Figure BDA0003874824070000038
其中
Figure BDA0003874824070000039
为修订后的笔画编码，N(Ps t)表示笔画编码的候选集合，Ds为笔画字典。
优选的，所述编码器均包括2个卷积层，1个最大池化层和16个残差模块；解码器使用的是transformer的原始解码器，主要由三个部分组成，包括掩蔽式多头注意模块、多头注意模块和前馈模块。
本发明具有以下优点：本发明由训练阶段和测试阶段组成。在训练阶段，我们采用两种类似的编码器-解码器结构的模块来产生笔画和部首编码的预测值，然后将其与真实编码一起用于正式化相关的笔画和部首损失进行训练。同时该阶段引入相似性损失，对笔画和部首编码器进行正则化，得到高相关性的相同字符特征。该阶段输出笔画编码的模型在训练时会结合部首特征进行优化，因此比单纯基于笔画编码进行优化的模型训练所需的时间和样本更少，并且输出的笔画编码的准确性克服了汉字或部首中存在不同字笔画种类顺序相同的问题，准确性更高。
在测试阶段，引入了笔画扫描模块和特征匹配模块两个关键模块，分别处理确定性和混淆性情况。特别地，我们在特征匹配模块中引入了一种有效的笔画校正方案，以扩大最终推理所需的候选字符集。通过将相对应多个汉字的支持样本图片通过训练好的模型中笔画编码器提取笔画特征，也能得到相对较可靠的笔画特征。再所得的笔画特征与之前由训练后模型获得的待识别图像的笔画特征匹配，便可以获得准确性相对较高的识别结果。由于识别时判断的依据以笔画编码为主，因此相比仅基于笔画或者部首特征的识别方法能有效完成零样本文字的识别。
附图说明
图1为本发明基于笔画和部首分解的零样本汉字识别方法的模型流程图。
图2为汉字分层分解得到的部首结构的分解图以及部首进一步分解得到的基本笔画的分解图。其中左图为“程”字分解为部首再分解为笔画的分解图，右图表示基于左侧分解过程得到的相应的部首编码和笔画编码。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1-2所示，本发明提供了一种基于笔画和部首分解的零样本汉字识别方法。在汉字识别中基于不同特征进行编码的方式主要有以下两种。
一、笔画编码。
笔画是每个汉字的最小单位。根据《现代汉语通用字表》，五种基本笔画是横、竖、左捺、右捺和转折。如表1所示，每一类包含不同形状的笔画。所有汉字的笔画都被归入上述五种基本笔画。此外，《通用标准汉字笔顺》规定了每个字的书写顺序，通常是按照从左到右、从上到下、从外到内的顺序。总之，未见过的汉字可以通过笔画和笔顺来概括，例如，“程”的笔画编码表示为312342511121。因此能很好地用于零样本汉字的识别。具体分解示例如表1所示。
表1：汉字笔画分解时得到的基本笔画的分解表
Figure BDA0003874824070000051
二、部首编码
与西方文字不同，所有的汉字都可以被分解成有限的部首和空间结构。中国国家语言文字工作委员会发布的GB13000.1标准中指出，2万多个汉字有近500个部首。此外，部首是作为汉字一部分重复出现的笔画组合。我们使用cjkvi-ids1中的策略将汉字分解成IDS编码，以提供每个字符的描述，即由哪些子字组成以及它们是如何布局的。IDS使用了全部的汉字，所以每个字都有自己相应的表意描述编码，例如，如图2所示，“程”字由部首编码“
Figure BDA0003874824070000052
禾
Figure BDA0003874824070000053
口王”组成，部首编码为[332，169，239，401，180]。
基于上述两种编码方式，本零样本汉字识别方法包括下列步骤。
步骤一、建立包含笔画模块和部首模块的训练模型，训练模型的输出为笔画特征、部首特征、笔画编码和部首编码。
训练模型如图1所示，主要分为两条模块，一条模块是笔画模块，另一条是部首模块，每条模块都是由编码器和解码器构成，编码器包括2个卷积层，1个最大池化层和16个残差模块。这里若设置更多的最大池化层，特征图的大小将进一步减小附加，从而导致关键信息的丢失。如果移除所有的最大池化层，冗余特征将阻碍我们的模型更好地收敛。解码器使用的是transformer的原始解码器，主要由三个部分组成，包括掩蔽式多头注意模块(Masked MHA)、多头注意模块(MHA)和前馈模块。
对于笔画模块，将输入的图片放入笔画编码器中得到笔画特征Fs，再将笔画特征Fs放入笔画解码器中进行解码得到预测的笔画编码Ps。对于部首模块，将输入的图片放部首编码器中得到部首特征Fr，再将部首特征Fr放入部首解码器中进行解码得到预测的部首编码Pr。
训练部分总损失由三部分损失构成，我们对(1)笔画特征Fs和部首特征Fr进行了余弦距离的损失计算，以及对(2)预测的笔画编码Ps和部首编码Pr分别与他们对应的真实标签进行了交叉熵的损失计算。
(1)采用余弦距离损失对模型进行优化的公式如下：
Figure BDA0003874824070000061
其中，T表示笔画特征Fs的转置，*和×均表示点乘。
(2)数学上，真实标签为
Figure BDA0003874824070000062
T0是编码标签长度，p(Gt)是指时间步长t处类别Gt的概率，采用交叉熵损失对模型进行优化的公式如下：
Figure BDA0003874824070000063
则在本模型中，根据笔画编码Ps的真实标签
Figure BDA0003874824070000064
和部首编码Pr的真实标签
Figure BDA0003874824070000065
Gst和Grt中的t均表示时间步长t处，T0是编码标签长度即编码中t的最大值，因此相中应交叉熵损失对模型进行优化的公式分别为：
Figure BDA0003874824070000066
步骤二、将样本图片输入训练模型进行训练。
如图1所示，以文字“叮”的图片为例，输入图片后训练模型一方面通过笔画模块的笔画编码器生成相应笔画特征Fs，另一方面通过部首模块的部首编码器生成部首特征Fr，训练时采用二者的余弦距离损失(余弦相似度损失)对模型进行优化，笔画特征Fs经笔画模块的笔画解码器处理得到预测的笔画编码Ps，部首特征Fs经部首模块的部首解码器处理得到预测的部首编码Pr，将预测得到的笔画编码Ps和对应的真实标签通过交叉熵损失对模型进行优化，并将预测得到的部首编码Pr和对应的真实标签通过交叉熵损失对模型进行优化，经过足够多样本的训练后得到训练好的模型，准备之后的识别测试。
上述步骤
步骤三、将待识别图片放入已经训练好的模型中，得到模型预测出的笔画编码和笔画特征之后对预测的编码做出判断，识别出汉字。
测试阶段的应用如图1所示，以文字“呐”的图片为例，通过将待识别图片放入已经训练好的模型中，得到模型预测出的笔画编码Ps t和笔画特征Fs t，之后在笔画扫描模块中对预测的编码做出判断，判断的依据以笔画编码Ps t为主。首先对笔画编码进行编码是否唯一以及编码对应的汉字是否唯一的判断，若均满足则直接输出该编码对应的唯一汉字Ps t(char)(即Ps t对应的汉字集合)；否则将笔画编码Ps t输入到特征匹配模块，先对笔画编码Ps t进行修订，笔画编码Ps t的修订公式如下：
Figure BDA0003874824070000071
其中
Figure BDA0003874824070000072
为修订后的笔画编码，N(Ps t)表示笔画编码的候选集合，Ds为笔画字典。然后将
Figure BDA0003874824070000073
对应多个汉字的支持样本图片
Figure BDA0003874824070000074
(即笔画编码
Figure BDA0003874824070000075
对应的汉字集合)输入到上述训练后模型的笔画编码器得到对应的笔画特征
Figure BDA0003874824070000076
笔画特征
Figure BDA0003874824070000077
与待识别汉字的笔画特征Fs t进行字符层面的相似度度量，选择相似度最高的特征图所对应的汉字作为最终输出的结果。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。

Claims (6)

1.一种基于笔画和部首分解的零样本汉字识别方法，其特征在于：包括下列步骤：
步骤一、建立包含笔画模块和部首模块的训练模型，通过训练模型能获得笔画特征、部首特征、笔画编码和部首编码；
步骤二、将样本图片输入训练模型进行训练；
步骤三、将待识别图片放入已经训练好的模型中，得到模型预测出的笔画编码和笔画特征后对预测的编码做出判断，判断结果存在唯一对应的汉字时将该汉字作为最终输出结果；否则经笔画修订后，通过将该笔画编码对应的多个汉字的支持样本与之前获得的笔画特征进行笔画特征的匹配确定最终输出结果。
2.根据权利要求1所述的一种基于笔画和部首分解的零样本汉字识别方法，其特征在于：所述步骤二具体包括：所述笔画模块和所述部首模块均由编码器和解码器构成，输入图片后训练模型一方面将输入的图片放入笔画模块的笔画编码器中得到笔画特征Fs，再将笔画特征Fs放入笔画模块的笔画解码器中进行解码得到预测的笔画编码Ps；另一方面对于部首模块，将输入的图片放入部首模块的部首编码器中得到部首特征Fr，再将部首特征Fr放入部首模块的部首解码器中进行解码得到预测的部首编码Pr；训练中对笔画特征Fs和部首特征Fr进行了余弦距离的损失计算，对预测的笔画编码Ps和部首编码Pr分别与他们对应的真实标签进行了交叉熵的损失计算，通过余弦距离损失和交叉熵损失对模型进行优化。
3.根据权利要求2所述的一种基于笔画和部首分解的零样本汉字识别方法，其特征在于：采用余弦距离损失对模型进行优化的公式如下：
Figure FDA0003874824060000011
其中，T表示笔画特征Fs的转置，*和×均表示点乘；
本模型中，根据笔画编码Ps的真实标签
Figure FDA0003874824060000012
和部首编码Pr的真实标签
Figure FDA0003874824060000013
Gst和Grt中的t均表示时间步长t处，T0是编码标签长度即编码中t的最大值，因此相应交叉熵损失对模型进行优化的公式分别为：
Figure FDA0003874824060000021
Figure FDA0003874824060000022
T0是编码标签长度，p(Gst)是指时间步长t处类别Gst的概率，p(Grt)是指时间步长t处类别Grt的概率。
4.根据权利要求1所述的一种基于笔画和部首分解的零样本汉字识别方法，其特征在于：所述步骤三具体包括：通过将待识别图片放入已经训练好的模型中，得到模型预测出的笔画编码Ps t和笔画特征Fs t，之后对预测的编码做出判断，判断的依据以笔画编码Ps t为主。首先对笔画编码进行编码是否唯一以及编码对应的汉字是否唯一的判断，若均满足则直接输出该编码对应的唯一汉字Ps t(char)；否则对笔画编码Ps t进行修订，
Figure FDA0003874824060000023
为修订后的笔画编码，将
Figure FDA0003874824060000024
对应多个汉字的支持样本图片
Figure FDA0003874824060000025
输入到上述训练后模型的笔画编码器得到对应的笔画特征
Figure FDA0003874824060000026
笔画特征
Figure FDA0003874824060000027
与待识别汉字的笔画特征Fs t进行字符层面的相似度度量，选择相似度最高的特征图所对应的汉字作为最终输出的结果。
5.根据权利要求4所述的一种基于笔画和部首分解的零样本汉字识别方法，其特征在于：所述步骤三中，笔画编码Ps t的修订公式如下：
Figure FDA0003874824060000028
其中
Figure FDA0003874824060000029
为修订后的笔画编码，N(Ps t)表示笔画编码的候选集合，Ds为笔画字典。
6.根据权利要求3所述的一种基于笔画和部首分解的零样本汉字识别方法，其特征在于：所述编码器均包括2个卷积层，1个最大池化层和16个残差模块；解码器使用的是transformer的原始解码器，主要由三个部分组成，包括掩蔽式多头注意模块、多头注意模块和前馈模块。
CN202211219592.7A 2022-09-30 2022-09-30 一种基于笔画和部首分解的零样本汉字识别方法 Active CN115497107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211219592.7A CN115497107B (zh) 2022-09-30 2022-09-30 一种基于笔画和部首分解的零样本汉字识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211219592.7A CN115497107B (zh) 2022-09-30 2022-09-30 一种基于笔画和部首分解的零样本汉字识别方法

Publications (2)

Publication Number Publication Date
CN115497107A true CN115497107A (zh) 2022-12-20
CN115497107B CN115497107B (zh) 2023-04-18

Family

ID=84471953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211219592.7A Active CN115497107B (zh) 2022-09-30 2022-09-30 一种基于笔画和部首分解的零样本汉字识别方法

Country Status (1)

Country Link
CN (1) CN115497107B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778505A (zh) * 2023-07-10 2023-09-19 江西师范大学 一种汉字识别方法、装置、电子设备及存储介质
CN117218667A (zh) * 2023-11-07 2023-12-12 华侨大学 一种基于字根的中文文字识别方法及系统
CN117975489A (zh) * 2024-01-25 2024-05-03 中科世通亨奇(北京)科技有限公司 繁体字的识别方法、系统及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1336578A (zh) * 2001-09-05 2002-02-20 黄建东 一种基于数字键盘的汉字输入法
CN101950233A (zh) * 2009-07-10 2011-01-19 捷讯研究有限公司 用于消除笔画输入歧义的系统和方法
CN108804397A (zh) * 2018-06-12 2018-11-13 华南理工大学 一种基于少量目标字体的汉字字体转换生成的方法
US20200143191A1 (en) * 2018-11-02 2020-05-07 Iflytek Co., Ltd. Method, apparatus and storage medium for recognizing character
CN112198966A (zh) * 2020-12-08 2021-01-08 中南大学 基于fmcw雷达系统的笔画识别方法以及系统
CN113449787A (zh) * 2021-06-23 2021-09-28 西安交通大学 基于汉字笔画结构的字体库补全方法及系统
CN114283417A (zh) * 2021-12-16 2022-04-05 重庆傲雄在线信息技术有限公司 在线手写签名字符分割方法、系统、存储介质及电子设备
CN114299512A (zh) * 2021-12-27 2022-04-08 杭州电子科技大学 一种基于汉字字根结构的零样本小篆识别方法
CN114399772A (zh) * 2021-12-20 2022-04-26 北京百度网讯科技有限公司 样本生成、模型训练和轨迹识别方法、装置、设备和介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1336578A (zh) * 2001-09-05 2002-02-20 黄建东 一种基于数字键盘的汉字输入法
CN101950233A (zh) * 2009-07-10 2011-01-19 捷讯研究有限公司 用于消除笔画输入歧义的系统和方法
CN108804397A (zh) * 2018-06-12 2018-11-13 华南理工大学 一种基于少量目标字体的汉字字体转换生成的方法
US20200143191A1 (en) * 2018-11-02 2020-05-07 Iflytek Co., Ltd. Method, apparatus and storage medium for recognizing character
CN112198966A (zh) * 2020-12-08 2021-01-08 中南大学 基于fmcw雷达系统的笔画识别方法以及系统
CN113449787A (zh) * 2021-06-23 2021-09-28 西安交通大学 基于汉字笔画结构的字体库补全方法及系统
CN114283417A (zh) * 2021-12-16 2022-04-05 重庆傲雄在线信息技术有限公司 在线手写签名字符分割方法、系统、存储介质及电子设备
CN114399772A (zh) * 2021-12-20 2022-04-26 北京百度网讯科技有限公司 样本生成、模型训练和轨迹识别方法、装置、设备和介质
CN114299512A (zh) * 2021-12-27 2022-04-08 杭州电子科技大学 一种基于汉字字根结构的零样本小篆识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘正琼等: "基于字符编码与卷积神经网络的汉字识别" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778505A (zh) * 2023-07-10 2023-09-19 江西师范大学 一种汉字识别方法、装置、电子设备及存储介质
CN116778505B (zh) * 2023-07-10 2023-12-12 江西师范大学 一种汉字识别方法、装置、电子设备及存储介质
CN117218667A (zh) * 2023-11-07 2023-12-12 华侨大学 一种基于字根的中文文字识别方法及系统
CN117218667B (zh) * 2023-11-07 2024-03-08 华侨大学 一种基于字根的中文文字识别方法及系统
CN117975489A (zh) * 2024-01-25 2024-05-03 中科世通亨奇(北京)科技有限公司 繁体字的识别方法、系统及存储介质

Also Published As

Publication number Publication date
CN115497107B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN115497107B (zh) 一种基于笔画和部首分解的零样本汉字识别方法
CN112100404B (zh) 基于结构化上下文信息的知识图谱预训练方法
CN111985239B (zh) 实体识别方法、装置、电子设备及存储介质
CN109190131B (zh) 一种基于神经机器翻译的英语单词及其大小写联合预测方法
CN113836928B (zh) 文本实体生成方法、装置、设备及存储介质
CN111767718A (zh) 一种基于弱化语法错误特征表示的中文语法错误更正方法
CN110276052B (zh) 一种古汉语自动分词及词性标注一体化方法及装置
CN113449801B (zh) 一种基于多级图像上下文编解码的图像人物行为描述生成方法
CN111553350A (zh) 一种基于深度学习的注意力机制文本识别方法
CN114444507A (zh) 基于水环境知识图谱增强关系的上下文参数中文实体预测方法
CN115718815A (zh) 一种跨模态检索方法和系统
CN114529903A (zh) 文本细化网络
CN114092931B (zh) 场景文字识别方法、装置、电子设备及存储介质
CN114201605A (zh) 一种基于联合属性建模的图像情感分析方法
Wang et al. Recognizing handwritten mathematical expressions as LaTex sequences using a multiscale robust neural network
CN115019319A (zh) 一种基于动态特征提取的结构化图片内容识别方法
CN114529908A (zh) 一种离线手写化学反应式图像识别技术
CN117473561A (zh) 基于人工智能的隐私信息识别系统、方法、设备及介质
CN117253239A (zh) 融合版面信息的端到端文档图像翻译方法及装置
CN116958700A (zh) 一种基于提示工程和对比学习的图像分类方法
CN114911940A (zh) 文本情感识别方法及装置、电子设备、存储介质
CN114255379B (zh) 基于编解码的数学公式识别方法及装置、可读存储介质
CN118779668A (zh) 结合语义纠错解析的地址相似度匹配系统
CN116246342A (zh) 一种基于时间掩蔽和时间卷积网络的汉语唇语识别方法
CN115238088A (zh) 汽车知识图谱的构建方法及装置

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