CN116503849B - 异常地址识别方法、装置、电子设备与计算机可读介质 - Google Patents
异常地址识别方法、装置、电子设备与计算机可读介质 Download PDFInfo
- Publication number
- CN116503849B CN116503849B CN202310781864.0A CN202310781864A CN116503849B CN 116503849 B CN116503849 B CN 116503849B CN 202310781864 A CN202310781864 A CN 202310781864A CN 116503849 B CN116503849 B CN 116503849B
- Authority
- CN
- China
- Prior art keywords
- address
- information
- character
- identification
- output layer
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 230000001502 supplementing effect Effects 0.000 claims abstract description 10
- 239000013589 supplement Substances 0.000 claims abstract description 9
- 230000000153 supplemental effect Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000005429 filling process Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Indexing, Searching, Synchronizing, And The Amount Of Synchronization Travel Of Record Carriers (AREA)
Abstract
本公开的实施例公开了异常地址识别方法、装置、电子设备与计算机可读介质。该方法的一具体实施方式包括:获取待识别地址信息图像;将待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集;根据地址字符信息集,生成识别地址信息;将识别地址信息输入至预先训练的异常地址识别模型中,得到地址识别结果;响应于确定地址识别结果表征地址异常,根据预设的地址树,对识别地址信息进行补充,得到补充识别地址信息;响应于确定地址信息库中不存在对应补充识别地址信息的地址信息,将补充识别地址信息添加至地址信息库中。该实施方式可以对所识别的异常地址信息进行纠正补充。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及异常地址识别方法、装置、电子设备与计算机可读介质。
背景技术
随着信息检索技术的快速发展,基于地址的检索功能被广泛应用在网络平台中。目前,为了识别地址图像中的地址信息,通常采用的方式为:通过预先训练的YOLO(YouOnly Look Once,目标检测模型)模型,识别地址图像中的地址信息。
然而,采用上述方式通常会存在以下技术问题:
第一,未对模型识别的地址进行纠正识别,所识别出的地址不标准,不利于地址信息库的迭代;
第二,针对地址字符的分类任务和回归任务的特征学习侧重点不同,导致YOLO v5的检测头模型所输出的地址信息不够精准;
第三,在识别图像中的特征信息时,考虑的层次特征较少,导致所识别的地址信息不够准确。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了异常地址识别方法、装置、电子设备与计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种异常地址识别方法,该方法包括:获取待识别地址信息图像;将上述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集,其中,上述地址识别模型包括特征提取网络与地址字符识别网络;根据上述地址字符信息集,生成识别地址信息;将上述识别地址信息输入至预先训练的异常地址识别模型中,得到地址识别结果;响应于确定上述地址识别结果表征地址异常,根据预设的地址树,对上述识别地址信息进行补充,得到补充识别地址信息;确定预先设置的地址信息库中是否存在对应上述补充识别地址信息的地址信息;响应于确定上述地址信息库中不存在对应上述补充识别地址信息的地址信息,将上述补充识别地址信息添加至上述地址信息库中。
第二方面,本公开的一些实施例提供了一种异常地址识别装置,装置包括:获取单元,被配置成获取待识别地址信息图像;第一输入单元,被配置成将上述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集,其中,上述地址识别模型包括特征提取网络与地址字符识别网络;生成单元,被配置成根据上述地址字符信息集,生成识别地址信息;第二输入单元,被配置成将上述识别地址信息输入至预先训练的异常地址识别模型中,得到地址识别结果;补充单元,被配置成响应于确定上述地址识别结果表征地址异常,根据预设的地址树,对上述识别地址信息进行补充,得到补充识别地址信息;确定单元,被配置成确定预先设置的地址信息库中是否存在对应上述补充识别地址信息的地址信息;添加单元,被配置成响应于确定上述地址信息库中不存在对应上述补充识别地址信息的地址信息,将上述补充识别地址信息添加至上述地址信息库中。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的异常地址识别方法,可以对所识别的异常地址信息进行纠正补充,从而,使得地址标准化,有利于地址信息库的迭代更新。具体来说,不利于地址信息库的迭代的原因在于:未对模型识别的地址进行纠正识别,所识别出的地址不标准,不利于地址信息库的迭代。基于此,本公开的一些实施例的异常地址识别方法,首先,获取待识别地址信息图像。其次,将上述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集。其中,上述地址识别模型包括特征提取网络与地址字符识别网络。接着,根据上述地址字符信息集,生成识别地址信息。由此,可以识别出图像中的地址信息。之后,将上述识别地址信息输入至预先训练的异常地址识别模型中,得到地址识别结果。由此,可以确定所识别的地址是否异常。然后,响应于确定上述地址识别结果表征地址异常,根据预设的地址树,对上述识别地址信息进行补充,得到补充识别地址信息。由此,可以对所识别的异常地址信息进行纠正补充。最后,确定预先设置的地址信息库中是否存在对应上述补充识别地址信息的地址信息;响应于确定上述地址信息库中不存在对应上述补充识别地址信息的地址信息,将上述补充识别地址信息添加至上述地址信息库中。从而,使得地址标准化,有利于地址信息库的迭代更新。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的异常地址识别方法的一些实施例的流程图;
图2是根据本公开的异常地址识别装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的异常地址识别方法的一些实施例的流程图。示出了根据本公开的异常地址识别方法的一些实施例的流程100。该异常地址识别方法,包括以下步骤:
步骤101,获取待识别地址信息图像。
在一些实施例中,异常地址识别方法的执行主体(例如服务器)可以通过有线连接或无线连接的方式从终端设备中获取待识别地址信息图像。待识别地址信息图像可以是指包含地址信息的图像。
步骤102,将上述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集。
在一些实施例中,上述执行主体可以将上述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集。其中,上述地址识别模型包括特征提取网络与地址字符识别网络。特征提取网络可以包括:YOLO v5的输入网络,YOLO v5的主干网络(Backone网络),YOLO v5的Neck网络。其中,主干网络可以是在不同图像细粒度上聚合并形成图像特征的卷积神经网络(Convolutional Neural Networks,CNN)。Neck网络可以是一系列混合和组合图像特征的网络层。地址字符识别网络可以是解耦后的检测头模型,即,对检测头模型进行输出层解耦后的模型。其中,地址识别模型可以是预先训练的以待识别地址信息图像为输入,以所识别出的地址字符信息为输出的YOLO v5模型。
可选地,上述地址识别模型是通过以下步骤训练得到的:
第一步,获取地址图像样本集。地址图像样本集中的地址图像样本可以包括:地址图像样本数据与地址图像样本标签。这里,地址图像样本数据可以是包含地址信息的图像。
第二步,对上述地址图像样本集中的每个地址图像样本进行增强处理,以生成增强地址图像样本,得到增强地址图像样本集。
在一些实施例中,上述执行主体可以对上述地址图像样本集中的每个地址图像样本进行增强处理,以生成增强地址图像样本,得到增强地址图像样本集。首先,可以对地址图像样本集中的每个地址图像样本进行Mosaic操作(图像裁剪拼接操作),生成拼接地址图像样本,得到拼接地址图像样本集。然后,可以对拼接地址图像样本集进行MixUp增强,以生成增强地址图像样本,得到增强地址图像样本集。其中,使用Mixup操作的概率可以为0.5。Mixup操作可以调整至少两个地址图像样本的透明度,然后再进行地址图像样本叠加的操作。
第三步,将上述地址图像样本集和上述增强地址图像样本集作为训练样本集,对初始地址识别模型进行训练,得到训练完成的地址识别模型。
在一些实施例中,上述执行主体可以将上述地址图像样本集和上述增强地址图像样本集作为训练样本集,对初始地址识别模型进行训练,得到训练完成的地址识别模型。其中,上述地址识别模型包括:特征提取网络与地址字符识别网络。这里,对初始地址识别模型进行训练的训练方式可以参见深度神经网络模型的训练方式,在此不在赘述。特征提取网络可以包括:YOLO v5的输入网络,YOLO v5的主干网络(Backone网络),YOLO v5的Neck网络。其中,主干网络可以是在不同图像细粒度上聚合并形成图像特征的卷积神经网络(Convolutional Neural Networks,CNN)。Neck网络可以是一系列混合和组合图像特征的网络层。初始地址识别模型可以是未经训练的YOLO v5模型。
实践中,上述执行主体可以通过以下步骤将上述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集:
第一步,将上述待识别地址信息图像输入至上述特征提取网络中,得到待识别地址特征信息。其中,上述待识别地址特征信息包括:多层次地址特征信息集。上述特征提取网络可以是提取地址图像中特定层次特征信息的模型。上述特定层次特征信息可以包括但不限于:高层次特征信息,中层次特征信息,低层次特征信息。上述高层次特征信息对应的地址图像整体特征表征强于中层次特征信息,对应的地址图像细节特征性低于中层次特征信息。上述中层次特征信息对应的地址图像整体特征表征强于低层次特征信息,对应的地址图像细节特征表征低于低层次特征信息。地址图像整体特征表征可以表征地址图像整体的特征情况。地址图像整体特征表征可以是轮廓特征信息。地址图像细节特征表征可以表征地址图像的细节的特征情况。地址图像细节特征表征可以是地址图像纹理信息。上述层次地址特征信息可以向量的形式。
第二步,将上述待识别地址特征信息输入至上述地址字符识别网络中,得到地址字符信息集。其中,上述地址字符识别网络包括:多层输出层,每一输出层输出一类型的地址字符信息,上述地址字符识别网络还包括:多层次检测头模型组。地址字符识别网络可以是解耦后的检测头模型,即,对检测头模型进行输出层解耦后的模型。检测头模型的输出层的输出结果包括:针对地址字符的分类任务信息,针对地址字符的回归信息。上述分类任务信息可以包括:地址字符的字符类型,地址字符的归属地。地址字符的回归信息可以包括:地址字符的准确率。针对地址字符的每个回归任务,都存在对应的单独输出层来进行回归预测。上述单一类型可以是执行单一字符任务的输出结果类型。即字符任务不同,对应输出的字符类型不同。上述地址字符信息集中的各个地址字符信息可以是不同字符任务的执行结果,对应的输出字符类型可以是各不相同。地址字符信息集可以包括:字符类别信息、字符位置信息。字符类别信息可以表征地址字符内容。字符位置信息可以表征地址字符的位置信息。
上述相关内容作为本公开的一个发明点,由此解决了背景技术提及的技术问题二“导致YOLO v5的检测头模型所输出的地址信息不够精准。”。导致YOLO v5的检测头模型所输出的地址信息不够精准的因素往往如下:针对地址字符的分类任务和回归任务的特征学习侧重点不同。如果解决了上述因素,就能达到提升所输出的地址信息的精度的效果。为了达到这一效果,首先,将上述待识别地址信息图像输入至上述特征提取网络中,得到待识别地址特征信息。其中,上述待识别地址特征信息包括:多层次地址特征信息集。由此,通过特征提取网络可以生成针对待识别地址信息图像的层次特征信息,以提高后续地址识别的精准度。然后,将上述待识别地址特征信息输入至上述地址字符识别网络中,得到地址字符信息集。其中,上述地址字符识别网络包括:多层输出层,每一输出层输出一类型的地址字符信息,上述地址字符识别网络还包括:多层次检测头模型组。由此,可以使得每个输出层输出一种类型的字符信息,不仅避免了检测头模型的输出层同时执行针对地址字符的相关回归任务和相关分类任务,也避免了字符特征学习侧重点不同导致最后字符信息输出不够精准的问题。
实践中,上述第二步可以包括以下子步骤:
第一子步骤,将上述多层次地址特征信息集中的每个多层次地址特征信息输入至对应的多层次检测头模型,以输出地址字符信息组,得到地址字符信息组集。其中,多层次检测头模型包括:输出层组,上述输出层组为上述输出层集中的子集。其中,上述待识别地址特征信息包括:多层次地址特征信息集。上述地址字符识别网络包括:多层次检测头模型组。即每个多层次检测头模型存在对应的输出层组,输出层组中的每个输出层输出单一类型的字符信息。输出层组为上述输出层集中的子集。输出层组集与输出层集相同。上述输出层组包括:字符类别输出层、字符位置输出层、字符概率输出层。多层次地址特征信息集可以包括:高层次地址特征信息、中层次地址特征信息和低层次地址特征信息。多层次地址特征信息集中的多层次地址特征信息与多层次检测头模型组中的多层次检测头存在一一对应关系。即,多层次检测头模型组包括:针对输入为高层次地址特征信息的多层次检测头模型、针对输入为中层次地址特征信息的多层次检测头模型和针对输入为低层次地址特征信息的多层次检测头模型。字符类别可以是字符对应的字母内容或字符对应的数字内容。字符位置输出层可以是输出字符位置信息的网络层。字符位置可以是字符在地址图像上的位置信息。上述字符位置信息可以是多个坐标来表征的。上述字符概率输出层可以是输出字符概率的网络层。字符概率可以表征字符准确度。字符概率越大,表征字符准确度越高。字符类别输出层可以是多层串行连接的残差神经网络。字符位置输出层可以是多层串行连接的卷积神经网络。字符概率输出层可以是多层串行连接的残差神经网络+多层串行连接的卷积神经网络。
这里,上述第一子步骤,可以包括以下步骤:
1、将上述多层次地址特征信息输入至上述多层次检测头模型包括的字符类别输出层,得到字符类别信息。上述字符类别输出层包括:第一卷积层、第一可分离卷积层(Depthwise Convolution)、第二卷积层、类别输出层。首先,将上述多层次地址特征信息输入至上述字符类别输出层包括的第一卷积层中,得到第一卷积信息。第一卷积信息可以表征多层次地址的特征信息。接着,将上述第一卷积信息输入至上述字符类别输出层包括的第一可分离卷积层中,得到第一可分离卷积信息。然后,将上述第一可分离卷积信息输入至上述字符类别输出层包括的第二卷积层中,得到第二卷积信息。最后,将上述第二卷积信息输入至上述字符类别输出层包括的类别输出层中,得到字符类别信息。
2、将上述多层次地址特征信息输入至上述多层次检测头模型包括的字符位置输出层,得到字符位置信息。上述字符位置输出层包括:第一卷积层、第二可分离卷积层(Depthwise Convolution)、第三卷积层、位置输出层。位置输出层可以是依据卷积特征,输出字符位置的网络层。例如,上述位置输出层可以是多层串行连接的全连接层。首先,将上述多层次地址特征信息输入至上述字符位置输出层包括的第一卷积层中,得到第一卷积信息。接着,将上述第一卷积信息输入至上述字符位置输出层包括的第二可分离卷积层中,得到第四卷积信息。然后,将上述第四卷积信息输入至上述字符位置输出层包括的第三卷积层中,得到第五卷积层信息。最后,将上述第五卷积信息输入至上述字符位置输出层包括的位置输出层中,得到字符位置信息。
3、将上述多层次地址特征信息输入至上述多层次检测头模型包括的字符概率输出层,得到字符概率信息。上述字符概率输出层包括:第一卷积层、第二可分离卷积层、第四卷积层、概率输出层。概率输出层可以是依据卷积特征,输出字符准确度概率的网络层。例如,上述概率输出层可以是多层串行连接的全连接层。首先,将上述多层次地址特征信息输入至上述字符概率输出层包括的第一卷积层中,得到第一卷积信息。接着,将上述第一卷积信息输入至上述字符概率输出层包括的第二可分离卷积层中,得到第四卷积信息。然后,将上述第四卷积信息输入至上述字符概率输出层包括的第四卷积层中,得到第六卷积层信息。最后,将上述第六卷积信息输入至上述字符概率输出层包括的概率输出层中,得到字符概率信息。
4、将上述字符类别信息、上述字符位置信息与上述字符概率信息合并为地址字符信息组。
上述相关内容作为本公开的一个发明点,由此解决了背景技术提及的技术问题三“导致所识别的地址信息不够准确。”。导致所识别的地址信息不够准确的因素往往如下:在识别图像中的特征信息时,考虑的层次特征较少,导致所识别的地址信息不够准确。如果解决了上述因素,就能达到提升识别的地址信息的精度的效果。为了达到这一效果,首先,将上述多层次地址特征信息输入至上述多层次检测头模型包括的字符类别输出层,得到字符类别信息。接着,将上述多层次地址特征信息输入至上述多层次检测头模型包括的字符位置输出层,得到字符位置信息。然后,将上述多层次地址特征信息输入至上述多层次检测头模型包括的字符概率输出层,得到字符概率信息。最后,将上述字符类别信息、上述字符位置信息与上述字符概率信息合并为地址字符信息组。由此,可以针对多层次地址特征信息集和多层次检测头模型组,来生成地址字符信息集。在生成地址字符信息的过程中,考虑了各种层次的地址特征信息,以及利用对应设置的多层次检测头模型,可以精准的输出地址字符信息集。从而,提升了识别的地址信息的精度。
第二子步骤,将上述地址字符信息组集确定为地址字符信息集。
步骤103,根据上述地址字符信息集,生成识别地址信息。
在一些实施例中,上述执行主体可以根据上述地址字符信息集,生成识别地址信息。识别地址信息可以表示待识别地址信息图像中表示的地址。首先,可以根据上述地址字符信息集,确定针对上述待识别地址信息图像的地址字符集。其中,地址字符可以是地址中的字符,对应着字符类别。诸如,对于每个字符位置,上述执行主体可以确定字符位置对应的字符类别集。然后,从地址字符类别集中筛选出对应的地址字符数量最多的地址字符类别,作为目标字符类别,得到地址字符集。最后,可以依次将上述地址字符集包括的各个地址字符组合为地址信息。
步骤104,将上述识别地址信息输入至预先训练的异常地址识别模型中,得到地址识别结果。
在一些实施例中,上述执行主体可以将上述识别地址信息输入至预先训练的异常地址识别模型中,得到地址识别结果。这里,异常地址识别模型可以是预先训练的以识别地址信息为输入,以地址识别结果为输出的神经网络模型。其中,地址识别结果可以表示识别地址信息是否存在地址元素缺失。地址元素可以包括但不限于:行政地址元素、街道地址元素、道路地址元素、道路号地址元素、兴趣点地址元素、楼栋号地址元素。街道地址元素可以是指某一区域中的街道名称。道路地址元素可以表示某一道路名称。道路号地址元素可以表示某一道路中的道路号(人民路72号)。兴趣点地址元素可以表示POI(Point ofInterest)兴趣点。楼栋号地址元素可以表示某一楼栋的具体编号。例如,异常地址识别模型可以是预先训练的卷积神经网络模型。
步骤105,响应于确定上述地址识别结果表征地址异常,根据预设的地址树,对上述识别地址信息进行补充,得到补充识别地址信息。
在一些实施例中,上述执行主体可以响应于确定上述地址识别结果表征地址异常,根据预设的地址树,对上述识别地址信息进行补充,得到补充识别地址信息。其中,地址识别结果表征地址异常可以是指识别地址信息缺失地址元素。地址树可以由各个树节点排列构成。各个树节点可以包括:行政地址元素、街道地址元素、道路地址元素、道路号地址元素、兴趣点地址元素、楼栋号地址元素。
实践中,上述执行主体可以通过以下步骤对上述识别地址信息进行补充,得到补充识别地址信息:
第一步,根据上述地址树,对上述识别地址信息进行拆分,得到拆分地址信息。其中,上述拆分地址信息包括:至少一个地址元素。可以将识别地址信息按照各个树节点(行政地址元素、街道地址元素、道路地址元素、道路号地址元素、兴趣点地址元素、楼栋号地址元素)进行拆分,得到拆分地址信息。
第二步,根据上述地址树包括的各个树节点,对上述至少一个地址元素进行补齐处理,以生成补齐地址元素组。即,补充缺失的地址元素。
第三步,对上述补齐地址元素组包括的各个补齐地址元素进行合并,得到补充识别地址信息。即,按照各个树节点的顺序,对上述各个补齐地址元素进行排序合并处理。
步骤106,确定预先设置的地址信息库中是否存在对应上述补充识别地址信息的地址信息。
在一些实施例中,上述执行主体可以确定预先设置的地址信息库中是否存在对应上述补充识别地址信息的地址信息。这里,预先设置的地址信息库可以是预先构建的用于检索地址信息的数据库。即,可以确定上述地址信息库中是否存在与上述补充识别地址信息相同的地址信息。
步骤107,响应于确定上述地址信息库中不存在对应上述补充识别地址信息的地址信息,将上述补充识别地址信息添加至上述地址信息库中。
在一些实施例中,上述执行主体可以响应于确定上述地址信息库中不存在对应上述补充识别地址信息的地址信息,将上述补充识别地址信息添加至上述地址信息库中。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种异常地址识别装置的一些实施例,这些异常地址识别装置实施例与图2所示的那些方法实施例相对应,该异常地址识别装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的异常地址识别装置200包括:获取单元201、第一输入单元202、生成单元203、第二输入单元204、补充单元205、确定单元206和添加单元207。其中,获取单元201,被配置成获取待识别地址信息图像;第一输入单元202,被配置成将上述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集,其中,上述地址识别模型包括特征提取网络与地址字符识别网络;生成单元203,被配置成根据上述地址字符信息集,生成识别地址信息;第二输入单元204,被配置成将上述识别地址信息输入至预先训练的异常地址识别模型中,得到地址识别结果;补充单元205,被配置成响应于确定上述地址识别结果表征地址异常,根据预设的地址树,对上述识别地址信息进行补充,得到补充识别地址信息;确定单元206,被配置成确定预先设置的地址信息库中是否存在对应上述补充识别地址信息的地址信息;添加单元207,被配置成响应于确定上述地址信息库中不存在对应上述补充识别地址信息的地址信息,将上述补充识别地址信息添加至上述地址信息库中。
可以理解的是,该异常地址识别装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于异常地址识别装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如服务器)300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待识别地址信息图像;将上述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集,其中,上述地址识别模型包括特征提取网络与地址字符识别网络;根据上述地址字符信息集,生成识别地址信息;将上述识别地址信息输入至预先训练的异常地址识别模型中,得到地址识别结果;响应于确定上述地址识别结果表征地址异常,根据预设的地址树,对上述识别地址信息进行补充,得到补充识别地址信息;确定预先设置的地址信息库中是否存在对应上述补充识别地址信息的地址信息;响应于确定上述地址信息库中不存在对应上述补充识别地址信息的地址信息,将上述补充识别地址信息添加至上述地址信息库中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括:获取单元、第一输入单元、生成单元、第二输入单元、补充单元、确定单元和添加单元2。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待识别地址信息图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种异常地址识别方法,包括:
获取待识别地址信息图像;
将所述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集,其中,所述地址识别模型包括特征提取网络与地址字符识别网络;
根据所述地址字符信息集,生成识别地址信息;
将所述识别地址信息输入至预先训练的异常地址识别模型中,得到地址识别结果;
响应于确定所述地址识别结果表征地址异常,根据预设的地址树,对所述识别地址信息进行补充,得到补充识别地址信息;
确定预先设置的地址信息库中是否存在对应所述补充识别地址信息的地址信息;
响应于确定所述地址信息库中不存在对应所述补充识别地址信息的地址信息,将所述补充识别地址信息添加至所述地址信息库中;
其中,所述将所述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集,包括:
将所述待识别地址信息图像输入至所述特征提取网络中,得到待识别地址特征信息,其中,所述待识别地址特征信息包括:多层次地址特征信息集;
将所述待识别地址特征信息输入至所述地址字符识别网络中,得到地址字符信息集,其中,所述地址字符识别网络包括:多层输出层,每一输出层输出一类型的地址字符信息,所述地址字符识别网络还包括:多层次检测头模型组;
其中,所述将所述待识别地址特征信息输入至所述地址字符识别网络中,得到地址字符信息集,包括:
将所述多层次地址特征信息集中的每个多层次地址特征信息输入至对应的多层次检测头模型,以输出地址字符信息组,得到地址字符信息组集,其中,多层次检测头模型包括:输出层组,所述输出层组为输出层集中的子集,所述输出层组包括:字符类别输出层、字符位置输出层、字符概率输出层,所述字符类别输出层包括:第一卷积层、第一可分离卷积层、第二卷积层、类别输出层;
将所述地址字符信息组集确定为地址字符信息集;
其中,所述将所述多层次地址特征信息集中的每个多层次地址特征信息输入至对应的多层次检测头模型,以输出地址字符信息组,包括:
将所述多层次地址特征信息输入至所述多层次检测头模型包括的字符类别输出层,得到字符类别信息;
将所述多层次地址特征信息输入至所述多层次检测头模型包括的字符位置输出层,得到字符位置信息;
将所述多层次地址特征信息输入至所述多层次检测头模型包括的字符概率输出层,得到字符概率信息;
将所述字符类别信息、所述字符位置信息与所述字符概率信息合并为地址字符信息组;
其中,所述将所述多层次地址特征信息输入至所述多层次检测头模型包括的字符类别输出层,得到字符类别信息,包括:
将所述多层次地址特征信息输入至所述字符类别输出层包括的第一卷积层中,得到第一卷积信息;
将所述第一卷积信息输入至所述字符类别输出层包括的第一可分离卷积层中,得到第一可分离卷积信息;
将所述第一可分离卷积信息输入至所述字符类别输出层包括的第二卷积层中,得到第二卷积信息;
将所述第二卷积信息输入至所述字符类别输出层包括的类别输出层中,得到字符类别信息。
2.根据权利要求1所述的方法,其中,所述地址识别模型是通过以下步骤训练得到的:
获取地址图像样本集;
对所述地址图像样本集中的每个地址图像样本进行增强处理,以生成增强地址图像样本,得到增强地址图像样本集;
将所述地址图像样本集和所述增强地址图像样本集作为训练样本集,对初始地址识别模型进行训练,得到训练完成的地址识别模型。
3.根据权利要求1所述的方法,其中,所述根据预设的地址树,对所述识别地址信息进行补充,得到补充识别地址信息,包括:
根据所述地址树,对所述识别地址信息进行拆分,得到拆分地址信息,其中,所述拆分地址信息包括:至少一个地址元素;
根据所述地址树包括的各个树节点,对所述至少一个地址元素进行补齐处理,以生成补齐地址元素组;
对所述补齐地址元素组包括的各个补齐地址元素进行合并,得到补充识别地址信息。
4.一种异常地址识别装置,包括:
获取单元,被配置成获取待识别地址信息图像;
第一输入单元,被配置成将所述待识别地址信息图像输入至预先训练的地址识别模型中,得到地址字符信息集,其中,所述地址识别模型包括特征提取网络与地址字符识别网络;第一输入单元,被进一步配置成:
将所述待识别地址信息图像输入至所述特征提取网络中,得到待识别地址特征信息,其中,所述待识别地址特征信息包括:多层次地址特征信息集;
将所述待识别地址特征信息输入至所述地址字符识别网络中,得到地址字符信息集,其中,所述地址字符识别网络包括:多层输出层,每一输出层输出一类型的地址字符信息,所述地址字符识别网络还包括:多层次检测头模型组;
其中,所述将所述待识别地址特征信息输入至所述地址字符识别网络中,得到地址字符信息集,包括:
将所述多层次地址特征信息集中的每个多层次地址特征信息输入至对应的多层次检测头模型,以输出地址字符信息组,得到地址字符信息组集,其中,多层次检测头模型包括:输出层组,所述输出层组为输出层集中的子集,所述输出层组包括:字符类别输出层、字符位置输出层、字符概率输出层,所述字符类别输出层包括:第一卷积层、第一可分离卷积层、第二卷积层、类别输出层;
将所述地址字符信息组集确定为地址字符信息集;
其中,所述将所述多层次地址特征信息集中的每个多层次地址特征信息输入至对应的多层次检测头模型,以输出地址字符信息组,包括:
将所述多层次地址特征信息输入至所述多层次检测头模型包括的字符类别输出层,得到字符类别信息;
将所述多层次地址特征信息输入至所述多层次检测头模型包括的字符位置输出层,得到字符位置信息;
将所述多层次地址特征信息输入至所述多层次检测头模型包括的字符概率输出层,得到字符概率信息;
将所述字符类别信息、所述字符位置信息与所述字符概率信息合并为地址字符信息组;
其中,所述将所述多层次地址特征信息输入至所述多层次检测头模型包括的字符类别输出层,得到字符类别信息,包括:
将所述多层次地址特征信息输入至所述字符类别输出层包括的第一卷积层中,得到第一卷积信息;
将所述第一卷积信息输入至所述字符类别输出层包括的第一可分离卷积层中,得到第一可分离卷积信息;
将所述第一可分离卷积信息输入至所述字符类别输出层包括的第二卷积层中,得到第二卷积信息;
将所述第二卷积信息输入至所述字符类别输出层包括的类别输出层中,得到字符类别信息;
生成单元,被配置成根据所述地址字符信息集,生成识别地址信息;
第二输入单元,被配置成将所述识别地址信息输入至预先训练的异常地址识别模型中,得到地址识别结果;
补充单元,被配置成响应于确定所述地址识别结果表征地址异常,根据预设的地址树,对所述识别地址信息进行补充,得到补充识别地址信息;
确定单元,被配置成确定预先设置的地址信息库中是否存在对应所述补充识别地址信息的地址信息;
添加单元,被配置成响应于确定所述地址信息库中不存在对应所述补充识别地址信息的地址信息,将所述补充识别地址信息添加至所述地址信息库中。
5.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
6.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781864.0A CN116503849B (zh) | 2023-06-29 | 2023-06-29 | 异常地址识别方法、装置、电子设备与计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310781864.0A CN116503849B (zh) | 2023-06-29 | 2023-06-29 | 异常地址识别方法、装置、电子设备与计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503849A CN116503849A (zh) | 2023-07-28 |
CN116503849B true CN116503849B (zh) | 2023-09-19 |
Family
ID=87321739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310781864.0A Active CN116503849B (zh) | 2023-06-29 | 2023-06-29 | 异常地址识别方法、装置、电子设备与计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503849B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120019706A (ko) * | 2010-08-26 | 2012-03-07 | 대성엘앤에이 주식회사 | 우편물 주소 인식 시스템 |
CN111291277A (zh) * | 2020-01-14 | 2020-06-16 | 浙江邦盛科技有限公司 | 一种基于语义识别和高级语言搜索的地址标准化方法 |
CN113434708A (zh) * | 2021-05-25 | 2021-09-24 | 北京百度网讯科技有限公司 | 地址信息检测方法、装置、电子设备和存储介质 |
CN114492438A (zh) * | 2021-11-26 | 2022-05-13 | 武汉众智数字技术有限公司 | 一种基于知识图谱与自然语言处理技术的地址标准化方法 |
CN114757201A (zh) * | 2022-04-14 | 2022-07-15 | 阿里巴巴(中国)有限公司 | 收货地址的识别方法、存储介质和处理器 |
-
2023
- 2023-06-29 CN CN202310781864.0A patent/CN116503849B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120019706A (ko) * | 2010-08-26 | 2012-03-07 | 대성엘앤에이 주식회사 | 우편물 주소 인식 시스템 |
CN111291277A (zh) * | 2020-01-14 | 2020-06-16 | 浙江邦盛科技有限公司 | 一种基于语义识别和高级语言搜索的地址标准化方法 |
CN113434708A (zh) * | 2021-05-25 | 2021-09-24 | 北京百度网讯科技有限公司 | 地址信息检测方法、装置、电子设备和存储介质 |
CN114492438A (zh) * | 2021-11-26 | 2022-05-13 | 武汉众智数字技术有限公司 | 一种基于知识图谱与自然语言处理技术的地址标准化方法 |
CN114757201A (zh) * | 2022-04-14 | 2022-07-15 | 阿里巴巴(中国)有限公司 | 收货地址的识别方法、存储介质和处理器 |
Non-Patent Citations (1)
Title |
---|
一种适于地理编码的地址数据规范化方法;彭颖霞;吴升;;测绘科学技术学报(05);第87-90页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116503849A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
US20240233334A1 (en) | Multi-modal data retrieval method and apparatus, medium, and electronic device | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN112883968A (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
CN112183627B (zh) | 生成预测密度图网络的方法和车辆年检标数量检测方法 | |
CN114494709A (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN111738316A (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
CN113468330A (zh) | 信息获取方法、装置、设备及介质 | |
CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
CN116894188A (zh) | 业务标签集更新方法、装置、介质及电子设备 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN113807056B (zh) | 一种文档名称序号纠错方法、装置和设备 | |
CN114625876B (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
CN116503849B (zh) | 异常地址识别方法、装置、电子设备与计算机可读介质 | |
CN118262188A (zh) | 目标检测模型训练方法、物体检测信息生成方法和装置 | |
CN116258911A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN116089251A (zh) | 接口测试方法、设备、存储介质及程序产品 | |
CN113610228A (zh) | 神经网络模型的构建方法及装置 | |
CN116824592A (zh) | 地址信息识别方法、装置、电子设备与计算机可读介质 | |
CN111950572A (zh) | 训练分类器的方法、装置、电子设备和计算机可读存储介质 | |
CN110287371A (zh) | 端到端的视频推送方法、装置及电子设备 | |
CN116186093B (zh) | 地址信息处理方法、装置、电子设备与计算机可读介质 | |
CN117743555B (zh) | 答复决策信息发送方法、装置、设备和计算机可读介质 | |
CN116541421B (zh) | 地址查询信息生成方法、装置、电子设备与计算机介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |