CN115953771A - 文本图像处理方法、装置、设备和介质 - Google Patents
文本图像处理方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115953771A CN115953771A CN202310004525.1A CN202310004525A CN115953771A CN 115953771 A CN115953771 A CN 115953771A CN 202310004525 A CN202310004525 A CN 202310004525A CN 115953771 A CN115953771 A CN 115953771A
- Authority
- CN
- China
- Prior art keywords
- text
- processing result
- text image
- server
- image processing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 246
- 238000000034 method Methods 0.000 claims description 64
- 230000011218 segmentation Effects 0.000 claims description 44
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Abstract
本公开提供了一种文本图像处理方法、装置、设备和介质,涉及机器学习技术、计算机视觉技术和深度学习技术。文本图像处理方法包括:获取文本图像;在客户端对文本图像进行处理,以得到中间处理结果;将中间处理结果发送到服务器;以及从服务器接收文本图像处理结果,文本图像处理结果是服务器对中间处理结果进行处理而得到的。
Description
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、计算机视觉技术和深度学习技术,特别涉及一种文本图像处理方法、文本图像处理装置、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。
目前,很多手机端的软件均能够提供光学字符识别(Optical CharacterRecognition,OCR)的能力,但现有的利用手机端进行OCR的方法效率较低。
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
本公开提供了一种文本图像处理方法、文本图像处理装置、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,提供了一种文本图像处理方法。该方法包括:获取文本图像;在客户端对文本图像进行处理,以得到中间处理结果;将中间处理结果发送到服务器;以及从服务器接收文本图像处理结果,文本图像处理结果是服务器对中间处理结果进行处理而得到的。
根据本公开的一方面,提供了一种文本图像处理方法。该方法包括:从客户端接收文本图像的中间处理结果;在服务器对中间处理结果进行处理,以得到文本图像处理结果;以及将文本图像处理结果发送到客户端。
根据本公开的另一方面,提供了一种文本图像处理装置。该装置包括:获取单元,被配置为获取文本图像;第一处理单元,被配置为在客户端对文本图像进行处理,以得到中间处理结果;第一发送单元,被配置为将中间处理结果发送到服务器;以及第一接收单元,被配置为从服务器接收文本图像处理结果,文本图像处理结果是服务器对中间处理结果进行处理而得到的。
根据本公开的另一方面,提供了一种文本图像处理装置。该装置包括:第二接收单元,被配置为从客户端接收文本图像的中间处理结果;第二处理单元,被配置为在服务器对中间处理结果进行处理,以得到文本图像处理结果;以及第二发送单元,被配置为将文本图像处理结果发送到客户端。
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,通过在客户端对文本图像进行初步处理得到中间处理结果,再利用服务器对中间处理结果进行进一步处理以得到文本图像处理结果,充分利用了端上的计算能力和服务器上的计算能力,从而减少了文本图像处理过程的耗时,提升了处理效率。
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文本图像处理方法的流程图;
图3A示出了根据本公开示例性实施例的串行文本图像识别方式耗时的示意图;
图3B示出了根据本公开示例性实施例的瀑布流文本图像识别方式耗时的示意图;
图4A示出了根据本公开示例性实施例的瀑布流文本图像识别方式的示意图;
图4B示出了根据本公开示例性实施例的将神经网络拆分后部署在客户端和服务器以进行文本图像识别的示意图;
图5示出了根据本公开示例性实施例的神经网络的不同网络层的耗时和生成的数据量的示意图;
图6示出了根据本公开示例性实施例的文本图像处理方法的流程图;
图7示出了根据本公开示例性实施例的文本图像处理装置的结构框图;
图8示出了根据本公开示例性实施例的文本图像处理装置的结构框图;以及
图9示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,现有的方法或在客户端完成文本图像处理,或在服务器完成文本图像处理,但前者会受限于端上性能和配置的不足,而后者会受限于网络传输速度。
为解决上述问题,本公开通过在客户端对文本图像进行初步处理得到中间处理结果,再利用服务器对中间处理结果进行进一步处理以得到文本图像处理结果,充分利用了端上的计算能力和服务器上的计算能力,从而减少了文本图像处理过程的耗时,提升了处理效率。
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图像处理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来进行人机交互。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,客户端设备中的摄像机可以实时采集文本图像。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文本图像处理结果。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,提供了一种文本图像处理方法。如图2所示,文本图像处理方法包括:步骤S201、获取文本图像;步骤S202、在客户端对文本图像进行处理,以得到中间处理结果;步骤S203、将中间处理结果发送到服务器;以及步骤S204、从服务器接收文本图像处理结果,文本图像处理结果是服务器对中间处理结果进行处理而得到的。
由此,通过在客户端对文本图像进行初步处理得到中间处理结果,再利用服务器对中间处理结果进行进一步处理以得到文本图像处理结果,充分利用了端上的计算能力和服务器上的计算能力,从而减少了文本图像处理过程的耗时,提升了处理效率。
本公开的文本图像处理方法可以用于各类文本图像处理任务,例如文本检测、文本区域分割、文本识别等。本公开将以文本识别任务作为示例对本公开的技术方案进行说明,但并不意图对保护范围进行限定。
在本公开的语境下,客户端例如可以是手机端、平板电脑、笔记本电脑等相比于服务器具有较弱的计算能力和较少的存储资源的终端。服务器例如可以是具有快速对文本图像进行处理的能力的云端服务器或其他类型的服务器。
现有的文本图像处理方法可以包括两大类方法,其一是传统的多阶段处理方法,可以先对文本图像进行一系列预处理,再由特定的任务处理模型(例如,神经网络)进行进一步处理,以得到文本图像处理结果;其二是基于深度学习的端到端方法,可以直接将文本图像输入经训练的深度学习神经网络,以得到文本图像处理结果。
在一个示例性实施例中,在进行文本识别的过程中,如表1所示,传输数据的大小是4.57MB,上传的速度是2.28MB/s,因此请求的传输过程耗费2.01s,服务器识别耗时2.17s,返回的文本图像处理结果大小3.69KB耗时0ms,总耗时为4.18s。
表1
请求起始时间 | 2022-09-28 14:50:02 |
请求终止时间 | 2022-09-28 14:50:04 |
响应起始时间 | 2022-09-28 14:50:06 |
响应终止时间 | 2022-09-28 14:50:06 |
持续时间 | 4.18s |
请求时间 | 2.01s |
响应时间 | 0ms |
延迟 | 2.17s |
速度 | 1.09MB/s |
请求速度 | 2.28MB/s |
响应速度 | 0B/s |
请求数据量 | 4.57MB(4,790,329bytes) |
响应数据量 | 3.69KB(3,783bytes) |
总数据量 | 4.57MB(4,794,112bytes) |
从上面的数据中可以看到,数据传输的耗时占了将近一半的时间(2.01s),因此,对传输耗时的优化能够显著提升整体识别流程的效率。
针对传统的多阶段处理方法,对文本图像的预处理过程本身的运算量不比卷积运算,因此不会导致中间的特征向量成倍增加的情况。以目前市面上手机的硬件配置,做这一类的预处理都非常的快速,基本上在毫秒到几十毫秒就能完成,因此可以将图像预处理部分的运算工作迁移到客户端完成。
在一些实施例中,对文本图像的预处理例如可以包括灰度化、二值化、图像降噪、倾斜校正、文本检测、文本切分等处理环节。需要注意的是,这些环节中可以使用非机器学习的传统方法进行,以提升效率。
通常情况下,对文本进行处理的速度是和需要处理的数据量成正比的。以文本识别为例,比如识别一张4MB的图像耗时2秒,当识别一个400KB的图像的时候大概可能需要200毫秒。因此,在客户端将文本图像切分为多个切分图像,然后以瀑布流的方式进行传输到服务器,服务器从接收到第一张切分图像开始便开始进行识别,然后直到最后一张切分图片接收并识别完成,整个的传输过程和识别过程是并行进行的。相比于图3A的示例中将整张文本图像上传后再识别的串行方式,图3B中的瀑布流上传和识别的方式使得服务器在接收到第一个文本切分图像后便开始了对文本图像的处理,因此显著缩短了文本识别任务的耗时。
根据一些实施例,步骤S202、在客户端对文本图像进行处理,以得到中间处理结果可以包括:将文本图像进行切分,以得到中间处理结果,中间处理结果包括多个文本切分图像。
根据一些实施例,对文本图像进行切分例如可以是基于图像中的空白区域将文本图像切分为多个包含文本的子图像。将文本图像进行切分,以得到中间处理结果可以包括:将文本图像进行文本切分,以得到多个文本切分图像。多个文本切分图像中的每一个文本切分图像可以包括待识别文本。传统的文本识别任务需要先将图像进行切分,以将图像中的不同的文本切分到不同的区域中,这与上述的处理流程刚好吻合。
在一些实施例中,多个文本切分图像可以依次被发送到服务器。服务器可以响应于接收到多个文本切分图像中的每一个文本切分图像,对该文本切分图像进行处理,以得到与该文本切分图像对应的文本切分图像处理结果。由此,实现了文本切分图像的瀑布流发送和处理,缩短了文本处理过程的整体耗时。
在一些实施例中,服务器对多个文本切分图像中的每一个文本切分图像进行处理得到的文本切分图像处理结果可以包括对该文本切分图像中的待识别文本的识别结果。
根据一些实施例,文本图像处理结果可以是服务器在对多个文本切分图像均处理完成后,将与多个文本切分图像对应的多个文本切分图像处理结果进行汇总而得到的。例如,可以将在多个文本切分图像中识别到的文本进行汇总,以得到与文本图像对应的OCR结果。
在一个示例性实施例中,如图4A所示,手机端获取包含多个文本区域的文本图像,并对文本图像进行灰度化、二值化、图像降噪、倾斜矫正、文字切分等预处理步骤,进而将处理后的中间处理结果(即,多个文本切分图像)以瀑布流的方式发送到服务器,服务器依次对每一个文本切分图像进行处理,以生成文本处理结果。
针对基于深度学习的端到端方法,用于文本图像处理的深度神经网络模型往往比较大,通常有几十甚至上百兆,这么大的体积直接放在手机本身就是不现实的,即便是动态下载也需要耗费非常多的时间。此外,文本图像处理的模型依赖图像处理单元(GraphicProcessing Unit,GPU)资源,依靠手机端的硬件配置,运行效率会比云端服务器差不少。因此,相关技术大多将模型部署在服务器上运行。
在一些实施例中,深度神经网络通常由多个网络层构成,包括全连接层(FullyConnected Layer,FC)、卷积层(Convolution Layer,conv)——将图像提取一组特征图、池化层(Pooling Layer,pool)——应用预定义函数将特征进行映射组合、激活层——使用非线性函数对输入数据进行运算产生和输出相同数量的数据(根据激活函数不同又区分为sigmoid层、relu层、htanh层等)、归一化层(Normalization,norm)、软最大化层(softmax)、argmax层、随机失活层(dropout)等。每个层之间的数据传输的大小是不同的,因此合理的规划各层网络之间的关系,将一部分层放在客户端,而将另一部分放到服务器进行运算,能够减小网络传输的数据包大小,进而降低整个耗时。如图4B所示,手机端可以利用手机端上部署的前一部分网络层对接收到的文本图像进行处理,以得到中间处理结果(例如,神经网络的中间层输出的特征向量)。进而,手机端可以将该中间处理结果发送到服务器,并由服务器上部署的后一部分网络层进行进一步处理,以得到最终的文本图像处理结果(例如,文本识别结果)。
根据一些实施例,客户端上可以部署有文本图像处理神经网络的第一部分,服务器上可以部署有文本图像处理神经网络的第二部分。步骤S202、在客户端对文本图像进行处理,以得到中间处理结果可以包括:利用客户端上部署的文本处理神经网络的第一部分所包括的至少一个网络层对文本图像进行处理,以得到中间处理结果。文本图像处理结果是利用服务器上部署的文本处理神经网络的第二部分所包括的至少一个网络层对中间处理结果进行处理而得到的。通过这样的方式,充分利用了端上的计算能力和服务器上的计算能力,从而减少了文本图像处理过程的耗时,提升了处理效率。
根据一些实施例,中间处理结果的数据量可以小于文本图像的数据量。由此,通过在客户端上部署深度神经网络的部分层,并将得到的数据量小于文本图像的中间处理结果发送到服务器进行进一步处理,能够降低客户端和服务器之间的数据传输量,从而降低数据传输耗时,进而降低文本处理流程的总耗时。不仅能为客户端上的用户带来更好的使用体验,而且还能增加服务器的吞吐量,提高资源的利用率。
根据一些实施例,文本图像处理神经网络的第一部分和第二部分可以是预先根据文本图像神经网络中的每一个网络层的接收数据量和处理耗时中的至少一者而确定的。如前文所描述的,每一个网络层之间的数据传输大小是不同的,并且每一个层的计算量也是不同的,因此可以在数据量相对较小的位置将神经网络切分为第一部分和第二部分,并尽量将耗时严重的网络层划分到由服务器处理的第二部分中。
在一个示例性实施例中,以AlexNet作为示例,如图5所示,AlexNet的前几层的数据量比较大,而后几层的计算耗时比较长,直到池化层5(pool5)的时候数据量相对于前面几层明显的大福减少,而之后紧随全连接层计算的耗时上占据了整个耗时的很大一部分,所以从直观上讲,pool5和全连接层6(fc6)之间是一个最好的分割点。经过实际的试验也证明从这里分割能够获得更好的耗时结果,将计算量巨大的全连接层放到服务器执行能够获得更快的计算效果,而将卷积层和能够显著降低数据量的池化层放到客户端运行又能够获得更好的数据传输效果。
根据一些实施例,也可以基于上面的观察直接设置分割第一部分和第二部分的规则。文本图像处理神经网络的第一部分可以包括:文本图像处理神经网络中的第一个全连接层之前的所有网络层;或文本图像处理神经网络中的最后一个池化层及之前的所有网络层。可以理解的是,也可以根据其他方式预先将文本图像处理神经网络分割为第一部分和第二部分,在此不作限定。
根据本公开的另一方面,提供了一种文本图像处理方法。如图6所示,该方法包括:步骤S601、从客户端接收文本图像的中间处理结果;步骤S602、在服务器对中间处理结果进行处理,以得到文本图像处理结果;以及步骤S603、将文本图像处理结果发送到客户端。
可以理解的是,步骤S601中接收的中间处理结果例如可以是客户端执行图2中的步骤S201而得到的,步骤S602中对中间处理结果的处理可以参照前文的描述,在此不作赘述。
根据一些实施例,中间处理结果可以包括对文本图像进行切分后得到的多个文本切分图像,多个文本切分图像可以是依次从客户端接收的。步骤S602、在服务器对中间处理结果进行处理,以得到文本图像处理结果可以包括:响应于接收到多个文本切分图像中的每一个文本切分图像,对该文本切分图像进行处理,以得到与该文本切分图像对应的文本切分图像处理结果。
根据一些实施例,客户端上可以部署有文本图像处理神经网络的第一部分。服务器上可以部署有文本图像处理神经网络的第二部分。中间处理结果可以是利用客户端上部署的文本处理神经网络的第一部分所包括的至少一个网络层对文本图像进行处理而得到的。步骤S602、在服务器对中间处理结果进行处理,以得到文本图像处理结果可以包括:利用服务器上部署的文本处理神经网络的第二部分所包括的至少一个网络层对中间处理结果进行处理,以得到的文本图像处理结果。
根据一些实施例,文本图像处理神经网络的第二部分可以包括:文本图像处理神经网络中的第一个全连接层及之后的所有网络层;或文本图像处理神经网络中的最后一个池化层之后的所有网络层。
根据本公开的另一方面,提供了一种文本图像处理装置。如图7所示,装置700包括:获取单元710,被配置为获取文本图像;第一处理单元720,被配置为在客户端对文本图像进行处理,以得到中间处理结果;第一发送单元730,被配置为将中间处理结果发送到服务器;以及第一接收单元740,被配置为从服务器接收文本图像处理结果,文本图像处理结果是服务器对中间处理结果进行处理而得到的。可以理解的是,装置700中的单元710-单元740的操作和步骤S201-步骤S204的操作类似,在此不作赘述。
根据本公开的另一方面,提供了一种文本图像处理装置。如图8所示,装置800包括:第二接收单元810,被配置为从客户端接收文本图像的中间处理结果;第二处理单元820,被配置为在服务器对中间处理结果进行处理,以得到文本图像处理结果;以及第二发送单元830,被配置为将文本图像处理结果发送到客户端。可以理解的是,装置800中的单元810-单元830的操作和步骤S601-步骤S603的操作类似,在此不作赘述。
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9所示,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。
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901执行上文所描述的各个方法和处理,例如文本图像处理方法。例如,在一些实施例中,文本图像处理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ROM 902和/或通信单元909而被载入和/或安装到设备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文本图像处理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)而被配置为执行文本图像处理方法。
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 (17)
1.一种文本图像处理方法,包括:
获取文本图像;
在客户端对所述文本图像进行处理,以得到中间处理结果;
将所述中间处理结果发送到服务器;以及
从所述服务器接收文本图像处理结果,所述文本图像处理结果是所述服务器对所述中间处理结果进行处理而得到的。
2.根据权利要求1所述的方法,其中,所述客户端上部署有文本图像处理神经网络的第一部分,所述服务器上部署有所述文本图像处理神经网络的第二部分,
其中,在客户端对所述文本图像进行处理,以得到中间处理结果包括:
利用所述客户端上部署的所述文本处理神经网络的第一部分所包括的至少一个网络层对所述文本图像进行处理,以得到所述中间处理结果,其中,所述文本图像处理结果是利用所述服务器上部署的所述文本处理神经网络的第二部分所包括的至少一个网络层对所述中间处理结果进行处理而得到的。
3.根据权利要求2所述的方法,其中,所述文本图像处理神经网络的第一部分和第二部分是预先根据所述文本图像神经网络中的每一个网络层的接收数据量和处理耗时中的至少一者而确定的。
4.根据权利要求3所述的方法,其中,所述中间处理结果的数据量小于所述文本图像的数据量。
5.根据权利要求2所述的方法,其中,所述文本图像处理神经网络的第一部分包括:
所述文本图像处理神经网络中的第一个全连接层之前的所有网络层;或
所述文本图像处理神经网络中的最后一个池化层及之前的所有网络层。
6.根据权利要求1所述的方法,其中,在客户端对所述文本图像进行处理,以得到中间处理结果包括:
将所述文本图像进行切分,以得到所述中间处理结果,所述中间处理结果包括多个文本切分图像,
其中,所述多个文本切分图像依次被发送到所述服务器,所述服务器响应于接收到所述多个文本切分图像中的每一个文本切分图像,对该文本切分图像进行处理,以得到与该文本切分图像对应的文本切分图像处理结果。
7.根据权利要求6所述的方法,其中,将所述文本图像进行切分,以得到所述中间处理结果包括:
将所述文本图像进行文本切分,以得到多个文本切分图像,其中,所述多个文本切分图像中的每一个文本切分图像包括待识别文本,
其中,所述服务器对所述多个文本切分图像中的每一个文本切分图像进行处理得到的文本切分图像处理结果包括对该文本切分图像中的待识别文本的识别结果。
8.根据权利要求6所述的方法,其中,所述文本图像处理结果是所述服务器在对所述多个文本切分图像均处理完成后,将与所述多个文本切分图像对应的多个文本切分图像处理结果进行汇总而得到的。
9.一种文本图像处理方法,包括:
从客户端接收文本图像的中间处理结果;
在服务器对所述中间处理结果进行处理,以得到文本图像处理结果;以及
将所述文本图像处理结果发送到所述客户端。
10.根据权利要求9所述的方法,其中,客户端上部署有文本图像处理神经网络的第一部分,所述服务器上部署有所述文本图像处理神经网络的第二部分,
其中,所述中间处理结果是利用所述客户端上部署的所述文本处理神经网络的第一部分所包括的至少一个网络层对所述文本图像进行处理而得到的,
其中,在服务器对所述中间处理结果进行处理,以得到文本图像处理结果包括:
利用所述服务器上部署的所述文本处理神经网络的第二部分所包括的至少一个网络层对所述中间处理结果进行处理,以得到的所述文本图像处理结果。
11.根据权利要求10所述的方法,其中,所述文本图像处理神经网络的第二部分包括:
所述文本图像处理神经网络中的第一个全连接层及之后的所有网络层;或
所述文本图像处理神经网络中的最后一个池化层之后的所有网络层。
12.根据权利要求9所述的方法,其中,所述中间处理结果包括对所述文本图像进行切分后得到的多个文本切分图像,所述多个文本切分图像是依次从所述客户端接收的,
其中,在服务器对所述中间处理结果进行处理,以得到文本图像处理结果包括:
响应于接收到所述多个文本切分图像中的每一个文本切分图像,对该文本切分图像进行处理,以得到与该文本切分图像对应的文本切分图像处理结果。
13.一种文本图像处理装置,包括:
获取单元,被配置为获取文本图像;
第一处理单元,被配置为在客户端对所述文本图像进行处理,以得到中间处理结果;
第一发送单元,被配置为将所述中间处理结果发送到服务器;以及
第一接收单元,被配置为从所述服务器接收文本图像处理结果,所述文本图像处理结果是所述服务器对所述中间处理结果进行处理而得到的。
14.一种文本图像处理装置,包括:
第二接收单元,被配置为从客户端接收文本图像的中间处理结果;
第二处理单元,被配置为在服务器对所述中间处理结果进行处理,以得到文本图像处理结果;以及
第二发送单元,被配置为将所述文本图像处理结果发送到所述客户端。
15.一种电子设备,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1-12中任一项所述的方法。
16.一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1-12中任一项所述的方法。
17.一种计算机程序产品,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权利要求1-12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004525.1A CN115953771A (zh) | 2023-01-03 | 2023-01-03 | 文本图像处理方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004525.1A CN115953771A (zh) | 2023-01-03 | 2023-01-03 | 文本图像处理方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115953771A true CN115953771A (zh) | 2023-04-11 |
Family
ID=87296567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310004525.1A Pending CN115953771A (zh) | 2023-01-03 | 2023-01-03 | 文本图像处理方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953771A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170277994A1 (en) * | 2016-03-28 | 2017-09-28 | Google Inc. | Adaptive artificial neural network selection techniques |
CN108345692A (zh) * | 2018-03-16 | 2018-07-31 | 北京京东尚科信息技术有限公司 | 一种自动问答方法和系统 |
US20210042567A1 (en) * | 2019-04-03 | 2021-02-11 | Beijing Sensetime Technology Development Co., Ltd. | Text recognition |
CN113627395A (zh) * | 2021-09-17 | 2021-11-09 | 平安银行股份有限公司 | 文本识别方法、装置、介质及电子设备 |
CN114792125A (zh) * | 2022-04-15 | 2022-07-26 | 北京百度网讯科技有限公司 | 基于分布式训练的数据处理方法、装置、电子设备和介质 |
CN115376137A (zh) * | 2022-08-02 | 2022-11-22 | 北京百度网讯科技有限公司 | 一种光学字符识别处理、文本识别模型训练方法及装置 |
CN115438214A (zh) * | 2022-11-07 | 2022-12-06 | 北京百度网讯科技有限公司 | 处理文本图像的方法、神经网络及其训练方法 |
-
2023
- 2023-01-03 CN CN202310004525.1A patent/CN115953771A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170277994A1 (en) * | 2016-03-28 | 2017-09-28 | Google Inc. | Adaptive artificial neural network selection techniques |
CN108345692A (zh) * | 2018-03-16 | 2018-07-31 | 北京京东尚科信息技术有限公司 | 一种自动问答方法和系统 |
US20210042567A1 (en) * | 2019-04-03 | 2021-02-11 | Beijing Sensetime Technology Development Co., Ltd. | Text recognition |
CN113627395A (zh) * | 2021-09-17 | 2021-11-09 | 平安银行股份有限公司 | 文本识别方法、装置、介质及电子设备 |
CN114792125A (zh) * | 2022-04-15 | 2022-07-26 | 北京百度网讯科技有限公司 | 基于分布式训练的数据处理方法、装置、电子设备和介质 |
CN115376137A (zh) * | 2022-08-02 | 2022-11-22 | 北京百度网讯科技有限公司 | 一种光学字符识别处理、文本识别模型训练方法及装置 |
CN115438214A (zh) * | 2022-11-07 | 2022-12-06 | 北京百度网讯科技有限公司 | 处理文本图像的方法、神经网络及其训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114612749B (zh) | 神经网络模型训练方法及装置、电子设备和介质 | |
CN114861910A (zh) | 神经网络模型的压缩方法及装置、设备和介质 | |
CN112784985A (zh) | 神经网络模型的训练方法及装置、图像识别方法及装置 | |
CN112712498A (zh) | 移动终端执行的车辆定损方法、装置、移动终端、介质 | |
CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
CN116401462A (zh) | 应用于数字化共享的互动数据分析方法及系统 | |
CN114510308B (zh) | 移动终端存储应用页面的方法、装置、设备和介质 | |
CN113641929B (zh) | 页面渲染的方法、装置、电子设备和计算机可读存储介质 | |
CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN115601555A (zh) | 图像处理方法及装置、设备和介质 | |
CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN115953771A (zh) | 文本图像处理方法、装置、设备和介质 | |
CN113824899A (zh) | 视频处理方法、装置、电子设备及介质 | |
CN112784912A (zh) | 图像识别方法及装置、神经网络模型的训练方法及装置 | |
CN113284484B (zh) | 模型训练方法及装置、语音识别方法和语音合成方法 | |
CN115334159B (zh) | 处理流式数据的方法、装置、设备和介质 | |
CN114117046B (zh) | 数据处理方法、装置、电子设备及介质 | |
CN114118379B (zh) | 神经网络的训练方法、图像处理方法、装置、设备和介质 | |
CN114169440A (zh) | 模型训练方法、数据处理方法、装置、电子设备及介质 | |
CN114758114A (zh) | 模型更新方法、图像处理方法、装置、电子设备及介质 | |
CN116541090A (zh) | 数据处理方法、装置、设备和介质 | |
CN114511757A (zh) | 用于训练图像检测模型的方法和装置 | |
CN117196932A (zh) | 图像处理方法及装置、设备和介质 | |
CN115454647A (zh) | 数据处理方法及装置、设备和介质 |
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 |