CN116311271B - 文本图像的处理方法及装置 - Google Patents

Abstract

本公开提供了一种文本图像的处理方法及装置，涉及人工智能技术领域，具体为计算机视觉、图像处理、深度学习等技术领域，可应用于智慧金融、智慧政务等场景。实现方案为：提取文本图像的文本图像特征；基于经训练的多个语义查询特征对文本图像特征进行语义预测，以得到与多个语义查询特征分别对应的多个语义结果特征，其中，多个语义结果特征中的至少一部分表征至少一个文字片段的语义信息；以及基于多个语义结果特征对文本图像特征进行解码，以得到文本图像处理结果，其中，文本图像处理结果至少包括至少一个文字片段在文本图像中的位置信息。

Description

文本图像的处理方法及装置

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉、图像处理、深度学习等技术领域，可应用于智慧金融、智慧政务等场景。本公开具体涉及一种文本图像的处理方法及装置、文本图像处理网络的训练方法及装置、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

OCR在教育、金融、医疗、交通和保险等各行各业都取到了广泛的关注和应用，文字检测作为OCR系统的前置环节决定了整个系统的效果上限，一个好的文字检测装置对于完整的OCR软件系统起着至关重要的作用。

文字检测面临各种各样的文档、卡证、票据是极具挑战性的，尤其是面临着复杂背景下的遮挡、扭曲、以及排列分布复杂的场景。现有业界主流的检测方法，包括基于回归的方式以及基于文本和非文本两类分割的方式，这两种方式均存在一定的缺陷。

随着AI应用进入深水区，用户对于挑战性较高的场景逐渐暴露出比较高的效果需求如财务、医疗场景下的各种票据，由于关键信息是套打在带有底板样式的票据模板上，往往会带来显示文本重叠的问题，另外，某些开放场景如街景店面POI经常有横竖阅读跳变的文字场景。这些都对文字检测带来了识别的挑战。

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的处理方法及装置、文本图像处理网络的训练方法及装置、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的处理方法，方法包括：提取文本图像的文本图像特征，其中，文本图像包括至少一个文字片段；基于经训练的多个语义查询特征对文本图像特征进行语义预测，以得到与多个语义查询特征分别对应的多个语义结果特征，其中，多个语义结果特征中的至少一部分表征至少一个文字片段的语义信息；以及基于多个语义结果特征对文本图像特征进行解码，以得到文本图像处理结果，其中，文本图像处理结果至少包括至少一个文字片段在文本图像中的位置信息。

根据本公开的另一方面，提供了一种文本图像处理网络的训练方法，其中，文本图像处理网络包括特征提取器、语义预测网络和位置解码器，训练方法包括：获取样本文本图像和样本文本图像所包括的至少一个文字片段各自的真实语义标签；将样本文本图像输入特征提取器，以得到样本图像特征；利用语义预测网络，基于多个语义查询特征对样本图像特征进行语义预测，以得到与多个语义查询特征分别对应的多个语义结果特征，其中，多个语义结果特征中的至少一部分表征至少一个文字片段的语义信息；基于样本文本图像所包括的至少一个文字片段各自的真实语义标签和多个语义结果特征，确定损失值；以及基于损失值调整语义预测网络的参数和多个语义查询特征，以得到训练后的语义预测网络和经训练的多个语义查询特征。

根据本公开的另一方面，提供了一种文本图像的处理装置，装置包括：第一提取单元，配置成提取文本图像的文本图像特征，其中，文本图像包括至少一个文字片段；第一预测单元，配置成基于经训练的多个语义查询特征对文本图像特征进行语义预测，以得到与多个语义查询特征分别对应的多个语义结果特征，其中，多个语义结果特征中的至少一部分表征至少一个文字片段的语义信息；以及解码单元，配置成基于多个语义结果特征对文本图像特征进行解码，以得到文本图像处理结果，其中，文本图像处理结果至少包括至少一个文字片段在文本图像中的位置信息。

根据本公开的另一方面，提供了一种文本图像处理网络的训练装置，其中，文本图像处理网络包括特征提取器、语义预测网络和位置解码器，训练装置包括：获取单元，配置成获取样本文本图像和样本文本图像所包括的至少一个文字片段各自的真实语义标签；第二提取单元，配置成将样本文本图像输入特征提取器，以得到样本图像特征；第二预测单元，配置成利用语义预测网络，基于多个语义查询特征对样本图像特征进行语义预测，以得到与多个语义查询特征分别对应的多个语义结果特征，其中，多个语义结果特征中的至少一部分表征至少一个文字片段的语义信息；损失值确定单元，配置成基于样本文本图像所包括的至少一个文字片段各自的真实语义标签和多个语义结果特征，确定损失值；以及调整单元，配置成基于损失值调整语义预测网络的参数和多个语义查询特征，以得到训练后的语义预测网络和经训练的多个语义查询特征。

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，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的方法。

根据本公开的又一方面，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的方法。

根据本公开的又一方面，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的方法。

根据本公开的一个或多个实施例，可以预测文本图像中的一些完整文字片段的语义信息；最后将预测的语义信息作为位置解码器的初始查询特征进行位置解码，得到每个文字行或文字列对应的准确位置信息。本公开实施例的方法不再以包围盒位置作为查询特征，仅使用语义结果特征进行解码，因此可以实现对不同实例的文本进行有效分离以及避免横排和竖排文字混淆的问题。

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示出了根据本公开的实施例的神经网络的结构示意图；

图3示出了根据本公开的实施例的文本图像的处理方法的流程图；

图4示出了根据本公开的实施例的语义预测的方法的流程图；

图5示出了根据本公开的实施例的利用位置解码器进行解码的方法的流程图；

图6示出了根据本公开的实施例的文本图像处理网络的训练方法的流程图；

图7示出了根据本公开的实施例的文本图像的处理装置的结构示意图；

图8示出了根据本公开的实施例的文本图像处理网络的训练装置的结构示意图；

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。

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利用神经网络的文本图像的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还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。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来上传待处理的文本图像或下载服务器的文本图像处理结果。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。

根据本公开的一个方面，提供了一种利用神经网络的文本图像的处理方法。图2示出了根据本公开实施例的神经网络的结构示意图。如图2所示，神经网络200包括特征提取器210、语义预测网络220和位置解码器230。图3示出了根据本公开实施例的文本图像的处理方法300的流程图。如图3所示，处理方法300包括：

步骤310，提取文本图像201的文本图像特征，其中，文本图像201包括至少一个文字片段；

步骤320，基于经训练的多个语义查询特征202对文本图像特征进行语义预测，以得到与多个语义查询特征202分别对应的多个语义结果特征203，其中，多个语义结果特征203中的至少一部分表征至少一个文字片段的语义信息；以及

步骤330基于多个语义结果特征203对文本图像特征进行解码，以得到文本图像处理结果，其中，文本图像处理结果至少包括至少一个文字片段在文本图像中的位置信息。

本公开的方法预测文本图像中的一些完整文字片段的语义信息；最后将预测的语义信息作为位置解码器的初始查询特征进行位置解码，得到每个文字行或文字列对应的准确位置信息。本公开的方法不再以包围盒位置作为查询特征，仅使用语义结果特征进行解码，因此可以实现对不同实例的文本进行有效分离以及避免横排和竖排文字混淆的问题。

在步骤310中，文本图像201包括至少一个文字片段，这些文字片段可以是横向、纵向、斜向布置在文本图像中，并且部分文字片段可以具有重合的部分。文本图像特征的提取可以利用特征提取器210完成，特征提取器210可以是编码网络，其可以是任何基于卷积神经网络(Convolution Neural Network，CNN)、基于Transformer网络、基于两者混合、或其他的网络结构，能够用于从文本图像中提取出视觉特征，以作为文本图像特征。本领域技术人员可以使用现有的具有图像特征提取能力的神经网络作为上述特征提取器210，也可以自行搭建编码网络作为特征提取器210。在将文本图像201输入特征提取器210之前，还可以对文本图像201进行预处理，以提升最终得到的文本图像处理结果的准确度。文本图像特征可以是将对文本图像进行编码得到的特征图进行分块(patch)、变形(reshape)等处理而得到的文本图像特征序列，文本图像特征序列可以包括与文本图像中的多个图像区域(或像素)对应的多个文本图像子特征。在本实施例中，特征提取器210可以用于提取一些高效的特征表达，可以采用的网络结构有VGG、ResNet、DenseNet或者VIT(vision transformer)等结构。

在步骤320中，语义预测可以由语义预测网络220执行，语义预测网络220的结构与功能和Transformer网络的解码器类似。语义预测网络可以利用注意力机制，基于经训练的多个语义查询(Query)特征202对文本图像特征进行解码，以得到与语义查询特征202分别一一对应的多个语义结果特征203，语义结果特征203将包含文本图像201中多个文字片段的语义信息。多个语义查询特征202的数量是在训练阶段预先确定的，该数量指示能够在文本图像201中检测或识别到的文字片段的最大数量。下文将具体介绍如何训练得到多个语义查询特征202。如图2所示，文本图像201包括三个文字片段，即“创建全国”、“文明”和“城市”，语义预测网络可以预测文本图像中三个文字片段的语义。语义查询特征202的数量可以设置为大于三个，以便于识别出文本图像中的每个文字片段。相应的，多个语义结果特征203的数量也大于三个，以作为对文本图像中文字片段的语义预测结果，每个语义结果特征203可以包含对应的文字片段的预测的语义信息或者可以不包含任何语义信息。

在步骤330中，解码操作可以由位置解码器230操作，位置解码器230也可以是结构与功能和Transformer网络类似的解码器。位置解码器230利用注意力机制，以步骤320中得到的多个语义结果特征203再次作为初始查询特征对文本图像特征进行解码，以得到与语义结果特征203对应的文本图像处理结果。在一些实施例中，位置解码器230可以包括多层网络，上述多层网络利用注意力机制进行qkv(query、key、value)计算，可以直接得到最终精准的位置信息；在另外一些实施例中，位置解码器230还可以另外包括位置回归头。该位置回归头可以根据基于语义结果特征203输出的位置解码特征，采用合适的回归方式得到与每个位置解码特征相对应的文字片段的位置信息。上述多个文字片段中的每个文字片段均对应一个位置信息，例如，继续参照图2所示，“创建全国”可以对应于多个坐标点位置，这些坐标点位置标记出该文字片段的包围盒的顶点。上述文字片段的位置信息也可以被编码到语义向量中，以使得语义向量还包含文字片段的位置信息。因此，在后续的位置解码器230中，可以设置相应的回归方式，以基于文本的语义信息确定与该文字片段相匹配的位置信息。

在一些相关技术中，神经网络仅包含特征提取器和位置解码器。其中，位置解码器直接以文字片段的位置信息为初始查询特征并且得到包含文字片段的位置信息的位置解码特征，后续再采用回归预测的方式确定出每个文字片段的位置信息。相关技术的方法完全不涉及对文字片段的语义预测，仅关注每个文字片段的位置信息(例如：包围盒的位置)，因此，在某些文字结构混乱的文本图像中，例如：存在文字重叠、同时存在横版或竖版文字以及文字片段无序排序的情况下，相关技术的方法无法准确识别出每个文字片段的包围盒的位置。相比较而言，本公开的方法先对文本图像中的文本字段进行预测，然后以文字片段的语义信息作为初始查询特征以得到最终的文字片段的位置信息。本公开的方法使得神经网络能够在理解文本图像中文字语义信息的基础上，再确定各文字片段的位置，因此可以准确识别出每个文字片段的包围盒的位置，避免出现例如将重叠的文字片段识别为一个文字片段的问题。

图4示出了根据本公开实施例的语义预测的方法400的流程图。如图4所示，该方法400包括：

步骤410，根据文本图像特征确定第一键特征和第一值特征；以及

步骤420，将多个语义查询特征、第一键特征和第一值特征输入语义预测网络，得到语义预测网络输出的多个语义结果特征。

在一些实施例中，语义预测网络可以包括交叉注意力(Cross-Attention)子网络。可以将文本图像特征转换为多个文本图像键(Key)特征和多个文本图像值(Value)特征，即上述第一键特征和第一值特征，并利用交叉注意力子网络基于多个语义查询特征、多个第一键特征和多个第一值特征进行交叉注意力计算，以得到多个语义结果特征。在本实施例中，利用注意力机制将图像的特征作为第一键特征和第一值特征，可以使得语义预测网络轻松学习到语义编码向量表示，从而得到语义结果特征。

在一些实施例中，语义预测网络具有基于Region-based的网络框架。使用Region-based的网络框架，可以使用一个可学习的语义编码向量对语义结果特征进行表示。

图5示出了根据本公开实施例的利用位置解码器进行解码的方法500的流程图。如图5所示，该方法500包括：

步骤510，根据文本图像特征确定第二键特征和第二值特征；以及

步骤520，将多个语义结果特征、第二键特征和第二值特征输入位置解码器，得到位置解码器输出的文本图像处理结果。

在步骤510中，位置解码器采用Transformer架构的解码器，解码器例如可以先根据图像特征得到第二键特征和第二值特征。例如，解码器可以对文本图像特征与预先训练得到的权重矩阵进行矩阵乘法运算，从而得到第二键特征。位置解码器可以对文本图像特征与预先训练得到的权重矩阵进行矩阵乘法运算，从而得到第二值特征。在该实施例中，位置解码器例如还可以根据上述多个语义结果特征得到初始查询特征(Initial Query)。例如，位置解码器可以对多个语义结果特征与预先训练得到的权重矩阵进行矩阵乘法运算，从而得到初始查询特征。在另外一些实施例中，还可以将多个语义结果特征直接作为初始查询特征输入到位置解码器中，即，不进行任何矩阵计算。在一些实施例中，可以采用与计算得到第一键特征和第一值特征相同的方式计算第二键特征和第二值特征，在这种情况下，第一键特征和第一值特征分别与第二键特征和第二值特征相等。

在步骤520中，在得到初始查询特征、第二键特征和第二值特征后，可以将初始查询特征、第二键特征和第二值特征输入位置解码器，由位置解码器输出多个位置解码特征。可以理解的是，位置解码器可以采用自注意力机制来对初始查询特征、第二键特征和第二值特征进行运算，从而得到多个位置解码特征。

本实施例的方法通过采用基于自注意力机制的原理来对文本图像特征进行解码，可以使得解码过程中能够对图像特征进行更为全面的考虑，能够捕捉到文本图像中不同文字片段之间的关联关系，从而利于提高预测得到的文字片段位置信息的精度。

根据本公开的另一方面，还提供了一种文本图像处理网络的训练方法。该文本图像处理网络可以是具有图2所示神经网络的结构的网络。图6示出了根据本公开实施例的神经网络的训练方法600的流程图，如图6所示，训练方法600包括：

步骤610，获取样本文本图像和样本文本图像所包括的至少一个文字片段各自的真实语义标签；

步骤620，将样本文本图像输入特征提取器，以得到样本图像特征；

步骤630，利用语义预测网络，基于多个语义查询特征对样本图像特征进行语义预测，以得到与多个语义查询特征分别对应的多个语义结果特征，其中，多个语义结果特征中的至少一部分表征至少一个文字片段的语义信息；

步骤640，基于样本文本图像所包括的至少一个文字片段各自的真实语义标签和多个语义结果特征，确定损失值；以及

步骤650，基于损失值调整语义预测网络的参数和多个语义查询特征，以得到训练后的语义预测网络和经训练的多个语义查询特征。

在步骤610中，样本文本图像包括至少一个文字片段，这些文字片段可以是横向、纵向、斜向布置在样本文本图像中，并且部分文字片段可以具有重合的部分。可以通过人工的方式首先确定出样本文本图像包括至少一个文字片段的文字内容，以图2所示的文本图像为例，可以人工确定出该样本文本图像中包括“创建全国”、“文明”和“城市”三个文字片段。然后，可以将得到的文字片段的文字内容输入到语义编码器中，以得到编码后的语义向量，以作为上述真实语义标签。例如，将“创建全国”输入到语义编码器中得到语义向量a；将“文明”输入到语义编码器中得到语义向量b；将“城市”输入到语义编码器中得到语义向量c。另外，上述多个文字片段中的每个文字片段均对应一个位置信息，例如，继续参照图2所示，“创建全国”可以对应于多个坐标点位置，这些坐标点位置标记出该文字片段的包围盒的顶点。上述文字片段的位置信息也可以被编码到语义向量中，以使得语义向量还包含文字片段的位置信息。因此，在后续的位置解码器中，可以设置相应的回归方式，以基于文本的语义信息确定与该文字片段相匹配的位置信息。

在一些实施例中，至少一个文字片段包括中文片段和英文片段，语义编码器包括用于对中文片段进行编码的第一模型以及用于对英文片段进行编码的第二模型。在本实施例中，不同文字使用不同的模型，提高了编码过程的准确度。上述第一模型包括但不限于ERINE模型、RoBERTa模型等；第二模型包括但不限于BERT模型、Albert模型、MAE模型等。

在步骤620中，提取样本文本图像的样本图像特征。上述特征提取过程和方法300中的步骤310类似，这里不再赘述。在步骤630中，采用语义预测网络来根据样本图像特征预测得到多个语义预测结果，即，语义结果特征。该操作步骤的实现原理与上文描述的操作320的实现原理类似，在此不再赘述。

在一些实施例中，得到的多个语义预测结果是与多个语义查询特征一一对应的。每个语义结果特征主要包括预测对应的文字片段的语义信息、以及该文字片段的语义信息与多个语义结果特征中其他所有文字片段的语义信息之间的预测关联信息。

在步骤640，根据多个语义结果特征和真实语义标签，对语义预测模型进行训练。根据本公开的实施例，可以将多个语义结果特征中的多个预测语义信息(例如为B个)与A个真实语义标签中的文字片段的实际语义信息进行比较，根据比较结果来确定语义预测模型的损失。该实施例可以以最小化损失为目标来调整语义预测模型的网络参数以及语义查询特征的参数，从而实现对语义预测模型的训练。

示例性地，在对B个语义结果特征和A个真实语义标签的实际语义信息进行比较时，例如可以以A个文字片段的实际语义信息中的每个语义信息为聚类中心，对B个语义结果特征进行聚类分组，得到分别以A个文字片段的真实语义标签为中心的A个预测语义信息组。随后，该实施例可以根据每个预测语义信息组中的预测语义信息与作为该每个预测语义信息组的中心的实际语义信息之间的差异，来确定语义预测模型的损失。其中，语义信息之间的差异例如可以根据交并比来确定，语义预测模型的损失的大小与交并比负相关。

在一些实施例中，例如可以对B个语义结果特征的预测语义信息和A个文字片段的真实语义标签的实际语义信息进行匹配，将匹配的一个预测语义信息和一个实际语义信息构成一个语义信息对，例如总计可以得到P个语义信息对。随后，该实施例可以根据每个语义信息对中预测语义信息与实际语义信息之间的差异，来确定语义预测模型的第一损失，以通过最小化损失来训练语义预测模型。例如，可以利用L1损失函数等来根据预测语义信息与实际语义信息之间的差异，来确定语义预测模型的第一损失。其中，例如可以采用匹配算法来对预测语义信息和实际语义信息进行匹配。匹配算法例如可以包括匈牙利算法等能够对两个元素数量不同的信息组进行匹配的算法。例如，在进行匹配时，可以先计算B个语义结果特征的语义向量中每个语义向量与A个文字片段的真实语义标签中每个标签的语义向量之间的夹角以及在向量空间中的距离，总计得到B*A组夹角和距离。该B*A组夹角和距离例如可以构成尺寸为B行A列的矩阵。随后，该实施例可以基于匈牙利算法对该矩阵进行处理，从而得到匹配的P个语义信息对。

根据本公开的另一方面，还提供了一种文本图像的处理装置。图7示出了根据本公开实施例的文本图像的处理装置700的结构框图。如图7所示，装置700包括：第一提取单元710，配置成提取文本图像的文本图像特征，其中，文本图像包括至少一个文字片段；第一预测单元720，配置成基于经训练的多个语义查询特征对文本图像特征进行语义预测，以得到与多个语义查询特征分别对应的多个语义结果特征，其中，多个语义结果特征中的至少一部分表征至少一个文字片段的语义信息；以及解码单元730，配置成基于多个语义结果特征对文本图像特征进行解码，以得到文本图像处理结果，其中，文本图像处理结果至少包括至少一个文字片段在文本图像中的位置信息。

在一些实施例中，第一预测单元720还包括：第一确定模块，配置成根据文本图像特征确定第一键特征和第一值特征；以及第一输出模块，配置成将多个语义查询特征、第一键特征和第一值特征输入语义预测网络，得到语义预测网络输出的多个语义结果特征。

在一些实施例中，第一预测单元还配置成：利用语义预测网络对文本图像特征进行语义预测，其中，语义预测网络具有基于Region-based的网络框架。

在一些实施例中，解码单元还包括：第二确定模块，配置成根据文本图像特征确定第二键特征和第二值特征；以及第二输出模块，配置成将多个语义结果特征、第二键特征和第二值特征输入位置解码器，得到位置解码器输出的文本图像处理结果。

在一些实施例中，第二输出模块还配置成：根据多个语义结果特征、第二键特征和第二值特征确定多个位置解码特征；以及对多个位置解码特征进行回归预测，以得到文本图像处理结果。

在一些实施例中，文本图像处理结果包括：至少一个文字片段中的每个文字片段的包围盒信息，其中，包围盒表示该文字片段在文本图像中的边界。

根据本公开的另一方面，还提供了一种文本图像处理网络的训练装置。图8示出了根据本公开实施例的文本图像处理网络的训练装置800的结构框图。如图8所示，文本图像处理网络包括特征提取器、语义预测网络和位置解码器，训练装置800包括：获取单元810，配置成获取样本文本图像和样本文本图像所包括的至少一个文字片段各自的真实语义标签；第二提取单元820，配置成将样本文本图像输入特征提取器，以得到样本图像特征；第二预测单元830，配置成利用语义预测网络，基于多个语义查询特征对样本图像特征进行语义预测，以得到与多个语义查询特征分别对应的多个语义结果特征，其中，多个语义结果特征中的至少一部分表征至少一个文字片段的语义信息；损失值确定单元840，配置成基于样本文本图像所包括的至少一个文字片段各自的真实语义标签和多个语义结果特征，确定损失值；以及调整单元850，配置成基于损失值调整语义预测网络的参数和多个语义查询特征，以得到训练后的语义预测网络和经训练的多个语义查询特征。

在一些实施例中，真实语义标签包括向量标签，获取单元还配置成：利用语义编码器，将至少一个文字片段中的每个文字片段的语义进行编码，以生成对应的向量标签。

在一些实施例中，至少一个文字片段包括中文片段和英文片段，语义编码器包括用于对中文片段进行编码的第一模型以及用于对英文片段进行编码的第二模型。

应当理解，图7中所示装置700的各个单元可以与参考图3描述的方法300中的各个步骤相对应。图8中所示装置800的各个单元可以与参考图6描述的方法600中的各个步骤相对应。上述各个模块可以与参考图4至图5描述的方法400-500中的各个步骤相对应。由此，上面针对方法400-500描述的操作、特征和优点同样适用于上述多个模块。为了简洁起见，某些操作、特征和优点在此不再赘述。

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，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RAM 903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，例如利用神经网络的文本图像的处理方法以及神经网络的训练方法。例如，在一些实施例中，文本图像的处理方法以及神经网络的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元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利用神经网络的文本图像的处理方法以及文本图像处理网络的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行利用神经网络的文本图像的处理方法以及文本图像处理网络的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、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)、互联网和区块链网络。

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。

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。

Claims (18)

1.一种文本图像处理方法，所述方法包括：

提取所述文本图像的文本图像特征，其中，所述文本图像包括至少一个文字片段；

基于经训练的多个语义查询特征对所述文本图像特征进行语义预测，以得到与所述多个语义查询特征分别对应的多个语义结果特征，包括：

根据所述文本图像特征确定第一键特征和第一值特征；以及

将所述多个语义查询特征、所述第一键特征和所述第一值特征输入语义预测网络，得到所述语义预测网络输出的多个语义结果特征，其中，所述多个语义结果特征中的至少一部分表征所述至少一个文字片段的语义信息；以及

基于所述多个语义结果特征对所述文本图像特征进行解码，以得到文本图像处理结果，其中，所述文本图像处理结果包括所述至少一个文字片段在所述文本图像中的位置信息。

2.根据权利要求1所述的方法，其中，基于经训练的多个语义查询特征对所述文本图像特征进行语义预测还包括：

利用语义预测网络对所述文本图像特征进行语义预测，其中，所述语义预测网络具有基于Region-based的网络框架。

3.根据权利要求1所述的方法，其中，基于所述多个语义结果特征对所述文本图像特征进行解码，以得到文本图像处理结果包括：

根据所述文本图像特征确定第二键特征和第二值特征；以及

将所述多个语义结果特征、所述第二键特征和所述第二值特征输入位置解码器，得到所述位置解码器输出的文本图像处理结果。

4.根据权利要求3所述的方法，其中，所述将所述多个语义结果特征、所述第二键特征和所述第二值特征输入位置解码器，得到所述位置解码器输出的文本图像处理结果包括：

根据所述多个语义结果特征、所述第二键特征和所述第二值特征确定多个位置解码特征；以及

对所述多个位置解码特征进行回归预测，以得到所述文本图像处理结果。

5.根据权利要求1-3中任一项所述的方法，其中，所述文本图像处理结果包括：所述至少一个文字片段中的每个文字片段的包围盒信息，其中，所述包围盒表示该文字片段在所述文本图像中的边界。

6.一种文本图像处理网络的训练方法，其中，所述文本图像处理网络包括特征提取器、语义预测网络和位置解码器，所述位置解码器用于基于文字片段的语义信息确定与该文字片段相匹配的位置信息，所述训练方法包括：

获取样本文本图像和所述样本文本图像所包括的至少一个文字片段各自的真实语义标签；

将所述样本文本图像输入所述特征提取器，以得到样本图像特征；

利用所述语义预测网络，基于多个语义查询特征对所述样本图像特征进行语义预测，以得到与所述多个语义查询特征分别对应的多个语义结果特征，包括：

根据所述样本图像特征确定第一键特征和第一值特征；以及

将所述多个语义查询特征、所述第一键特征和所述第一值特征输入语义预测网络，得到所述语义预测网络输出的多个语义结果特征，其中，所述多个语义结果特征中的至少一部分表征所述至少一个文字片段的语义信息；

基于所述样本文本图像所包括的至少一个文字片段各自的真实语义标签和所述多个语义结果特征，确定损失值；以及

基于所述损失值调整所述语义预测网络的参数和所述多个语义查询特征，以得到训练后的语义预测网络和经训练的多个语义查询特征。

7.根据权利要求6所述的训练方法，其中，所述真实语义标签包括向量标签，所述获取样本文本图像和所述样本文本图像所包括的至少一个文字片段各自的真实语义标签包括：

利用语义编码器，将所述至少一个文字片段中的每个文字片段的语义进行编码，以生成对应的向量标签。

8.根据权利要求7所述的训练方法，其中，所述至少一个文字片段包括中文片段和英文片段，所述语义编码器包括用于对所述中文片段进行编码的第一模型以及用于对所述英文片段进行编码的第二模型。

9.一种文本图像的处理装置，其中，所述装置包括：

第一提取单元，配置成提取所述文本图像的文本图像特征，其中，所述文本图像包括至少一个文字片段；

第一预测单元，配置成基于经训练的多个语义查询特征对所述文本图像特征进行语义预测，以得到与所述多个语义查询特征分别对应的多个语义结果特征，其中，所述第一预测单元包括：

第一确定模块，配置成根据所述文本图像特征确定第一键特征和第一值特征；以及

第一输出模块，配置成将所述多个语义查询特征、所述第一键特征和所述第一值特征输入语义预测网络，得到所述语义预测网络输出的多个语义结果特征，其中，所述多个语义结果特征中的至少一部分表征所述至少一个文字片段的语义信息；以及

解码单元，配置成基于所述多个语义结果特征对所述文本图像特征进行解码，以得到文本图像处理结果，其中，所述文本图像处理结果包括所述至少一个文字片段在所述文本图像中的位置信息。

10.根据权利要求9所述的装置，其中，所述第一预测单元还配置成：

利用语义预测网络对所述文本图像特征进行语义预测，其中，所述语义预测网络具有基于Region-based的网络框架。

11.根据权利要求9所述的装置，其中，所述解码单元还包括：

第二确定模块，配置成根据所述文本图像特征确定第二键特征和第二值特征；以及

第二输出模块，配置成将所述多个语义结果特征、所述第二键特征和所述第二值特征输入位置解码器，得到所述位置解码器输出的文本图像处理结果。

12.根据权利要求11所述的装置，其中，所述第二输出模块还配置成：

根据所述多个语义结果特征、所述第二键特征和所述第二值特征确定多个位置解码特征；以及

对所述多个位置解码特征进行回归预测，以得到所述文本图像处理结果。

13.根据权利要求9-11中任一项所述的装置，其中，所述文本图像处理结果包括：所述至少一个文字片段中的每个文字片段的包围盒信息，其中，所述包围盒表示该文字片段在所述文本图像中的边界。

14.一种文本图像处理网络的训练装置，其中，所述文本图像处理网络包括特征提取器、语义预测网络和位置解码器，所述位置解码器用于基于文字片段的语义信息确定与该文字片段相匹配的位置信息，所述训练装置包括：

获取单元，配置成获取样本文本图像和所述样本文本图像所包括的至少一个文字片段各自的真实语义标签；

第二提取单元，配置成将所述样本文本图像输入所述特征提取器，以得到样本图像特征；

第二预测单元，配置成利用所述语义预测网络，基于多个语义查询特征对所述样本图像特征进行语义预测，以得到与所述多个语义查询特征分别对应的多个语义结果特征，包括：

根据所述样本图像特征确定第一键特征和第一值特征；以及

将所述多个语义查询特征、所述第一键特征和所述第一值特征输入语义预测网络，得到所述语义预测网络输出的多个语义结果特征，其中，所述多个语义结果特征中的至少一部分表征所述至少一个文字片段的语义信息；

损失值确定单元，配置成基于所述样本文本图像所包括的至少一个文字片段各自的真实语义标签和所述多个语义结果特征，确定损失值；以及

调整单元，配置成基于所述损失值调整所述语义预测网络的参数和所述多个语义查询特征，以得到训练后的语义预测网络和经训练的多个语义查询特征。

15.根据权利要求14所述的训练装置，其中，所述真实语义标签包括向量标签，所述获取单元还配置成：

利用语义编码器，将所述至少一个文字片段中的每个文字片段的语义进行编码，以生成对应的向量标签。

16.根据权利要求15所述的训练装置，其中，所述至少一个文字片段包括中文片段和英文片段，所述语义编码器包括用于对所述中文片段进行编码的第一模型以及用于对所述英文片段进行编码的第二模型。

17.一种电子设备，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1-8中任一项所述的方法。

18.一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1-8中任一项所述的方法。