CN116824609A - 文档版式检测方法、装置和电子设备 - Google Patents

文档版式检测方法、装置和电子设备 Download PDF

Info

Publication number
CN116824609A
CN116824609A CN202310791204.0A CN202310791204A CN116824609A CN 116824609 A CN116824609 A CN 116824609A CN 202310791204 A CN202310791204 A CN 202310791204A CN 116824609 A CN116824609 A CN 116824609A
Authority
CN
China
Prior art keywords
feature
candidate detection
global attention
document
attention
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
CN202310791204.0A
Other languages
English (en)
Other versions
CN116824609B (zh
Inventor
马伟洪
吕鹏原
章成全
姚锟
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202310791204.0A priority Critical patent/CN116824609B/zh
Publication of CN116824609A publication Critical patent/CN116824609A/zh
Application granted granted Critical
Publication of CN116824609B publication Critical patent/CN116824609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
    • 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
    • G06V30/19—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

Landscapes

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

Abstract

本公开提供了一种文档版式检测方法、装置和电子设备，涉及人工智能技术领域，尤其涉及计算机视觉、图像处理、深度学习等技术领域，可应用于智慧政务等场景。实现方案为：获取待检测文档的图像；提取图像的多个尺度的特征图；基于多个尺度的特征图，执行全局注意力编码操作；基于全局注意力编码操作的结果，针对每个尺度的特征图生成用于指示至少一个特征点中的每个特征点的候选检测框，以获得与多个尺度的特征图有关的多个候选检测框；基于多个候选检测框中达到预定置信度的候选检测框，确定用于执行全局注意力解码操作的查询特征并执行全局注意力解码操作；以及基于全局注意力解码操作的结果，确定待检测文档中包括的至少一种版式的类别。

Description

文档版式检测方法、装置和电子设备
技术领域
本公开涉及人工智能技术领域，尤其涉及计算机视觉、图像处理、深度学习等技术领域，可应用于智慧政务等场景，具体涉及一种文档版式检测的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
文档版式检测一般被应用于针对文档图像中的不同版式内容，提取出其版式类别及其对应的坐标位置，以将该文档图像以可编辑的文档的格式输出。一般来说，在文档版式检测的过程中需要对文本段落、表格、标题、图、页眉、页脚、脚注等版式类别进行识别和检测。通过对识别和检测出的不同的版式类别进行进一步的处理，于是可以准确地还原出文档图像中的文档内容。然而，目前的文档版式检测方法的准确性和处理速度仍较低，不能很好地满足用户的需求。如何准确且快速地进行文档版式类别检测，仍然是业界的研究热点和难点之一。
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
本公开提供了一种文档版式检测的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种文档版式检测方法，包括：获取待检测文档的图像，其中，待检测文档包括至少一种版式，每一种版式与待检测文档中的特定部分相对应；提取图像的多个尺度的特征图，其中，每个尺度的特征图包括至少一个特征点；基于多个尺度的特征图，执行全局注意力编码操作；基于全局注意力编码操作的结果，针对每个尺度的特征图生成用于指示至少一个特征点中的每个特征点的候选检测框，以获得与多个尺度的特征图有关的多个候选检测框；基于多个候选检测框中达到预定置信度的候选检测框，确定用于执行全局注意力解码操作的查询特征并执行全局注意力解码操作；以及基于全局注意力解码操作的结果，确定待检测文档中包括的至少一种版式的类别，其中，每一种版式在待检测文档中所对应的特定部分由检测框指示。
根据本公开的另一方面，提供了一种文档版式检测装置，包括：图像获取模块，被配置为获取待检测文档的图像，其中，待检测文档包括至少一种版式，每一种版式与待检测文档中的特定部分相对应；特征图提取模块，被配置为提取图像的多个尺度的特征图，其中，每个尺度的特征图包括至少一个特征点；编码模块，被配置为基于多个尺度的特征图，执行全局注意力编码操作；检测框生成模块，被配置为基于全局注意力编码操作的结果，针对每个尺度的特征图生成用于指示至少一个特征点中的每个特征点的候选检测框，以获得与多个尺度的特征图有关的多个候选检测框；解码模块，被配置为基于多个候选检测框中达到预定置信度的候选检测框，确定用于执行全局注意力解码操作的查询特征并执行全局注意力解码操作；以及类别确定模块，被配置为基于全局注意力解码操作的结果，确定待检测文档中包括的至少一种版式的类别，其中，每一种版式在待检测文档中所对应的特定部分由检测框指示。
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；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，以使至少一个处理器能够执行本公开如上所提供的方法。
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，计算机指令用于使计算机执行本公开如上所提供的方法。
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，计算机程序在被处理器执行时实现本公开如上所提供的方法。
根据本公开的一个或多个实施例，可以准确且快速地进行文档版式类别检测。
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文档版式检测方法的流程图；
图3示出了根据本公开的实施例的基于特征图编码的过程的流程图；
图4示出了根据本公开另一实施例的文档版式检测方法的示意图；
图5示出了根据本公开的实施例的文档版式检测的装置的结构框图；
图6示出了根据本公开另一实施例的文档版式检测的装置的结构框图；
图7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。
文档版式检测一般被应用于将文档图像转换为可编辑的文档的格式。如何准确且快速地对文档图像进行文档版式类别检测，仍然是业界的研究热点和难点之一。
在相关技术中，一般利用基于启发式规则的方法或基于深度学习的方法对文档图像中的版式类别进行检测。
基于启发式规则的方法通常包括自顶向下、自底向上以及混合模式三种。自顶向下的方法可以进一步包括投影法、X-Y切割算法等，自底向上的方法可以进一步包括游长平滑算法、连通域分析方法等。而混合模式则是一种结合自顶向下和自底向上的方法，在一定程度上能实现比自顶向下和自底向上的方法更快的处理速度和更好的效果。然而，传统的基于启发式规则的方法难以解决带有复杂背景干扰的情况，背景干扰例如可以包括图像污渍、文档图片倾斜等。并且，该方法难以区分出不同的版式类别，一般只能处理简单的文档，提取出文档中的文本段落，因此在实际使用中有较大的局限性。
基于深度学习的方法的实施一般是利用全卷积网络对文本图片内的像素点进行二分类来得到有效的文本区域。在一些情况下，基于深度学习的方法会借鉴目标检测的方法，直接得到不同版式类别的检测和分类结果。然而，这种方法通常将文档中的版式类别当作不同类别的检测物体来进行检测，但文档中的不同版式类别不同于具有比较明显的纹理边缘区分特征的自然场景的物体，在局部区域很难通过卷积网络提取到明显的区分特征，因此该方法在具有歧义的类别检测上表现效果较差。
为了进一步区分某些有歧义的类别，在另一些情况下，基于深度学习的方法还会结合多模态的信息，这些多模态的信息例如可以包括版式内容、版式检测框位置以及视觉特征等。通过融合特征得到具有区分度的特征，再输入检测模块以及分类模块，以得到最终的版式类别检测结果。然而，这种方法存在部分类别不能得到对应的信息特征的问题，同时提取不同特征需要不同的子模块，模型较大且耗时较长，实用性较差。
针对上述技术问题，根据本公开的一个方面，提供了一种文档版式检测方法。
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档版式检测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来处理图像。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，例如，基于图像、视频、语音、文本、数字信号等数据的目标检测与识别、信号转换等服务的应用程序，以处理从客户端设备101、102、103、104、105和/或106接收的语音交互、文本分类、图像识别或关键点检测等任务请求。服务器可以根据具体的深度学习任务，利用训练样本训练神经网络模型，并且可以对神经网络模型的超网络模块中的各个子网络进行测试，根据各个子网络的测试结果，确定用于执行深度学习任务的神经网络模型的结构和参数。可以将各种数据作为深度学习任务的训练样本数据，如图像数据、音频数据、视频数据或文本数据等。在神经网络模型的训练完成后，服务器120还可以通过模型搜索技术自动搜索出最优模型结构来执行相应的任务。
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。以下详细描述根据本公开实施例的文档版式检测方法。
图2示出了根据本公开的实施例的文档版式检测方法200的流程图。如图2所示，方法200包括步骤S210、S220、S230、S240、S250和S260。
在步骤S210，获取待检测文档的图像。待检测文档包括至少一种版式，每一种版式与待检测文档中的特定部分相对应。
在步骤S220，提取图像的多个尺度的特征图。每个尺度的特征图包括至少一个特征点。
在步骤S230，基于多个尺度的特征图，执行全局注意力编码操作。
在步骤S240，基于全局注意力编码操作的结果，针对每个尺度的特征图生成用于指示至少一个特征点中的每个特征点的候选检测框，以获得与多个尺度的特征图有关的多个候选检测框。
在步骤S250，基于多个候选检测框中达到预定置信度的候选检测框，确定用于执行全局注意力解码操作的查询特征并执行全局注意力解码操作。
在步骤S260，基于全局注意力解码操作的结果，确定待检测文档中包括的至少一种版式的类别。每一种版式在待检测文档中所对应的特定部分由检测框指示。
在示例中，获取的待检测文档的图像可以用(H，W，3)进行表示，其中，H可以表示该图像的高度，W可以表示该图像的宽度，“3”可以表示该图像的通道数。
在示例中，待检测文档中的版式可以指在文档中编辑或插入的内容和格式，版式例如可以包括文本段落、表格、标题、图、页眉、页脚、脚注中的一种或多种。
在示例中，可以将上述图像输入诸如ResNet50网络的特征提取网络，以得到下采样后的高维特征，从而输出不同尺度的特征图。这些特征图例如可以对应于三种不同的尺度，这些特征图例如可以以(H/8，W/8，512)、(H/16，W/16，1024)、(H/32，W/32，2048)的高度、宽度和通道数进行表示。可以看出，每种尺度的特征图的高度和宽度可以分别为上一尺度的特征图的高度和宽度的一半，其通道数可以为上一尺度的特征图的通道数的两倍。在一些实施例中，还可以根据对特征提取精度的要求输出更多的尺度的特征图，例如可以增加第四种尺度的特征图，其对应的尺寸及通道数例如可以是(H/64，W/64，2048)。
在示例中，可以将不同尺度的特征图输入到全局注意力模块进行全局特征建模。不同尺度的特征图可以被展开为一维的序列，以输入全局注意力编码模块获得增强后的特征。全局注意力的机制在对全局信息的建模上具有较好的效果，这样的特性有利于物体的准确检测。因此，利用全局注意力的机制来对文档版式类别进行检测能够实现比现有的基于启发式规则的方法或基于深度学习的方法更好的效果。
在示例中，特征点可以是指图像中的像素点。针对每个尺度的特征图，可以在每一个特征点上生成候选检测框。这些候选检测框可以以特征点为其坐标中心点，即，将特征点的坐标位置设置为候选检测框的坐标中心位置。候选框的高度和宽度可以基于特征图的尺度来确定。
在示例中，可以在不同层级的特征图中的每个像素点都生成一个候选检测框，所以生成的候选检测框的数量可以非常庞大，并且在特征图中排布非常密集。这个过程可以看作方法200的第一阶段，用于筛选出所有具有含义的候选检测框。由于在这个过程中对不同尺度的特征图中的每一个特征点(或者是每一个像素点)都生成了候选检测框，于是保证了候选检测框的召回率。
然而，候选检测框数量庞大意味着对于每一个特征点对应的版式类别可能不能很好地识别和检测。在一些实施例中，在第一阶段可以仅进行二分类预测，也就是说，仅判断当前候选检测框是否为置信度高的候选检测框(即，具有含义的候选检测框)，而不必得到最终版式类别的预测结果。一般来说，置信度越靠前的候选检测框的版式类别确定的命中率会越高。
因此，在方法200的第二阶段，对于这些候选检测框，可以选择置信度靠前的候选检测框，例如置信度前100的候选检测框，将其在相应的特征图上对应位置的特征作为用于执行全局注意力解码操作的查询特征。这些所选择的置信度靠前的候选检测框可以来自于相同或不同尺度的特征图，例如这些候选检测框可能来自于三或四个不同的特征图。
由于置信度靠前的候选检测框更有可能具有特殊含义，或者说被检测出版式类别，因此通过在第二阶段筛选出这些候选检测框来进行进一步的全局注意力解码和具体的版式类别预测，便能够更有针对性地执行文档版式的类别检测，从而便利于提高处理速度和检测的准确率。
根据本公开实施例的文档版式检测方法，通过在待检测文档的图像的多个尺度的特征图中对其中的每个特征点构建候选检测框，能够有益于提高文档中不同版式类别的召回率。又通过对其中置信度较高的多个候选检测框执行全局注意力解码操作的查询特征并执行全局注意力解码操作，于是能够在保证文档中不同版式类别的召回率的基础上进一步提高检测的准确率，对于具有歧义的版式类别也能够实现更好的检测效果。由于本公开实施例的文档版式检测方法仅利用单一模态的信息基于全局注意力进行处理，因此涉及的模型参数量较少，从而能够便于同时提高响应速度和准确率。
以下进一步描述根据本公开实施例的文档版式检测方法的各个方面。
图3示出了根据本公开的实施例的基于特征图编码的过程300的流程图。
如图3所示，过程300可以包括步骤S310至S330。过程300可以与如图2所示的步骤S230相对应。
在示例中，如图3所示，在步骤S310，可以将每个尺度的特征图转换为一维特征序列，以获得分别与多个不同尺度对应的多个一维特征序列。
在步骤S320，可以对多个一维特征序列进行拼接，以得到经拼接的一维特征序列。
在步骤S330，可以基于经拼接的一维特征序列，执行全局注意力编码操作。该经拼接的一维特征序列可以被用作全局注意力编码操作的查询特征、键特征和值特征。
在示例中，在执行全局注意力编码的过程中，可以将每一个尺度的二维的特征图展开为一维的特征序列，按行拼接排列，并将由各尺度的特征图展开得到的一维特征序列进行拼接，得到经拼接的一维特征序列，该一维特征序列能够便利于全局注意力编码和全局注意力解码的操作。基于该一维特征序列所得到的增强特征既可以用于第一阶段的候选检测框预测，也可以用于第二阶段的候选检测框预测。
根据本公开的实施例的基于特征图编码的过程，通过将多个尺度的特征图展开并拼接为一个一维特征序列，能够便利于后续生成候选检测框以及对这些候选检测框进行进一步的计算和索引。
根据一些实施例，经拼接的一维特征序列可以包括嵌入编码信息，嵌入编码信息可以用于指示经拼接的一维特征序列与多个不同尺度的对应关系。
在示例中，经拼接的一维特征序列中嵌入的编码信息可以是可学习参数。嵌入编码信息可以指示经拼接的一维特征序列与多个不同尺度的对应关系，也就是说，嵌入编码信息具有层次级别。层次级别的嵌入编码信息可以用于层级索引，并且可以与位置编码信息一起被嵌在网络输入，于是，利用层次级别的嵌入编码信息结合位置编码信息，特征点的二维坐标能够被恢复。
根据本公开的实施例，通过在经拼接的一维特征序列中加入层次级别的嵌入编码信息，能够避免不同层级的有相同的坐标的特征之间相互干扰，影响文档版式类别检测的准确性。
根据一些实施例，全局注意力编码操作可以基于可变形注意力计算注意力权重。
在示例中，可以不对一维特征序列和全局每个位置的键特征计算权重，而仅在全局位置的部分位置的键特征进行采样，并基于这些位置采样插值得到值特征，从而得到特征的稀疏化表示。
根据本公开实施例，通过基于可变形注意力计算注意力权重，能够有助于减小计算量，加快处理速度。
根据一些实施例，全局注意力编码操作的结果可以被用作全局注意力解码操作的键特征和值特征。
根据本公开实施例，通过将全局注意力编码操作的结果用作全局注意力解码操作的键特征和值特征，能够便利于后续的计算和索引。
根据一些实施例，全局注意力解码操作可以基于稀疏注意力。
在示例中，采样的特征点可以基于置信度靠前的候选检测框(例如可以是置信度前100的候选检测框)确定，输入的查询特征可以为置信度靠前的候选检测框在全局注意力编码操作过程中的查询特征，并经过线性变换得到全局注意力解码操作的输出特征。
根据本公开的实施例，通过基于稀疏注意力执行全局注意力解码操作，能够很大程度的减少计算的复杂度，加快处理速度。
根据一些实施例，候选检测框可以以对应的特征点为中心生成，且候选检测框在多个尺度的特征图中可以具有相应的宽高比。
在示例中，对于不同尺度的特征图，可以先确定特征图的高度和宽度，例如可以如上所述，这些特征图的高度和宽度例如可以分别为(H/8，W/8)、(H/16，W/16)、(H/32，W/32)，分别对应于第一层级、第二层级、和第三层级，其中H和W分别表示原始的待检测文档的图像的高度和宽度。可以以特征图上的每个特征点为中心生成候选检测框，这些候选检测框的高度和宽度可以被设置为(0.05*2(level-1))，其中level可以表示特征图的层级。例如，在尺度为(H/8，W/8，512)的第一层级的特征图中，候选检测框的高度系数和宽度系数可以为0.05，在尺度为(H/16，W/16，1024)的第二层级的特征图中，候选检测框的高度系数和宽度系数可以为0.1，在尺度为(H/32，W/32，2048)的第三层级的特征图中，候选检测框的高度系数和宽度系数可以为0.2。
根据本公开的实施例，通过以对应的特征点为中心生成具有与特征图的尺寸对应的尺寸的候选检测框，对于各种尺寸的物体都能有较好的检测召回效果，有助于提高识别的命中率和检测的准确性。
根据一些实施例，候选检测框的坐标可以以归一化的方式表示。
根据本公开实施例，通过以归一化的方式表示候选检测框的坐标，能够有助于全局注意力编码的的快速收敛，提升处理速度。
根据一些实施例，在如图2所示的步骤S250的基于多个候选检测框中达到预定置信度的候选检测框，确定用于执行全局注意力解码操作的查询特征的过程中，可以先确定由多个候选检测框中达到预定置信度的候选检测框指示的特征点的特征，再将特征点的特征用作全局注意力解码操作的查询特征。
在示例中，对于多个候选检测框，可以选出置信度前100的候选检测框以确定全局注意力解码操作的输入。基于全局注意力编码操作的结果，可以选出置信度前100的候选检测框对应层次的特征图上对应位置的特征，以作为查询特征的初始值。于是可以将查询特征以及全局注意力编码的特征输出作为全局注意力解码操作的输入，以进一步预测候选检测框的类别检测结果。
根据本公开实施例，通过将达到预定置信度的候选检测框指示的特征点的特征用作全局注意力解码操作的查询特征，能够对候选检测框更有针对性地进行处理，于是能够在前序操作的基础上更新预测，得到精度和准确度更高的分类结果。
根据一些实施例，在上述确定由多个候选检测框中达到预定置信度的候选检测框指示的特征点的特征的过程中，可以先为候选检测框添加偏移量以得到经校正的候选检测框，然后确定由经校正的候选检测框指示的特征点的特征。
在示例中，可以基于不同候选检测框预测输出每个候选检测框在版式类别上的概率，并可以同时预测候选检测框相较于其中心点的偏移量。可以基于所预测的偏移量，对候选检测框的位置进行校正。
根据本公开的实施例，通过对候选检测框的位置进行校正，能够使得文档的版式类别检测结果更加准确。
图4示出了根据本公开另一实施例的文档版式检测方法400的示意图。方法400例如可以是用于将某学校的招生报名表的图像转换为可编辑的文档的格式。
在示例中，如图4所示，可以先获取某学校的招生报名表的图像410。图像410中可以包括用于表示页码的页眉、文本段落、表格、分割线等版式类别的内容。图像410可以以(H，W，3)为其高度、宽度和通道数。
可以将图像410输入至ResNet50特征提取网络，得到下采样后的高维特征，以输出图像410的多个尺度的特征图。如图4所示，例如可以从三个层级对图像410提取三个尺度递减的特征图421、422、以及423，可以分别以(H/8，W/8，512)、(H/16，W/16，1024)、(H/32，W/32，2048)为特征图421、422、以及423的高度、宽度和通道数。特征图421、422、以及423中的每一个都可以包括多个特征点。
得到三个不同尺度的特征图421、422、以及423后，可以将特征图421、422、以及423分别转换为一维特征序列，并对这三个一维特征序列进行拼接，得到经拼接的一维特征序列。该经拼接的一维特征序列中可以嵌入编码信息431，编码信息431可以与位置和特征图的层级有关。
可以将经拼接的一维特征序列输入到全局注意力编码模块430，以进行全局特征建模。全局注意力编码模块430可以例如包括六层注意力编码，于是能够兼顾版式类别检测的效果和处理速度。每一层注意力编码都可以包括自注意力模块和前馈全连接层。在自注意力编码模块中，注意力权重的计算可以利用可变形注意力。
基于特征图421、422、以及423执行全局注意力编码操作过程可以被看作方法400的第一阶段的主体。可以先将特征图421、422、以及423分别展开为一维的序列，再将分别对应于特征图421、422、以及423的三个序列进行拼接，以输入全局注意力编码模块430获取增强后的特征。
对于特征图421、422、以及423，可以在其中的每一个特征点上生成一个候选检测框，并预测每个候选检测框在版式类别上的概率以及偏移量。这个过程可以是利用候选检测框预测模块440来实现的。可以先确定特征图421、422、以及423的高度和宽度，并将特征图421、422、以及423上每个特征点的位置作为相应的候选检测框的中心。候选检测框的尺寸可以与特征图的层级有关。可以用(ctrx，ctry，w，h)来表示每一个候选检测框的位置，其中，ctrx和ctry可以分别表示特征点(即，候选检测框的中心)的横坐标和纵坐标，w和h可以分别表示候选检测框的宽度和高度。然后还可以以归一化的方式来表示候选检测框的位置，于是可以得到归一化的候选检测框的偏移量，从而得到归一化的候选检测框的坐标预测值。候选检测框预测模块440在此阶段可以仅进行二分类预测，即，仅判断当前候选检测框是否为置信度高的候选检测框(即，具有含义的候选检测框)，而不必得到最终版式类别的预测结果。
针对集合440中的候选检测框，可以选出其中置信度前100的候选检测框输入全局注意力解码模块450以执行方法400的第二阶段。基于方法400的第一阶段的预测结果，可以将置信度前100的候选检测框在对应层次的特征图上对应位置的特征和全局注意力编码模块430的输出特征输入全局注意力解码模块450，以得到最终版式类别的预测结果。
全局注意力解码模块450可以例如使用六层注意力解码，每一层注意力解码都可以包括自注意力模块、交叉注意力模块以及前馈全连接层。全局注意力解码模块450可以利用稀疏注意力，仅对上述置信度前100的候选检测框对应的特征点进行采样，于是计算的复杂度能够得以降低。
最终版式类别的预测结果可以是借助于预测模块460得到的，预测模块460的输出可以包括候选检测框的坐标和类别概率。预测模块460可以包括坐标回归预测模块以及类别预测模块。坐标回归模块的训练可以利用绝对值损失函数来实现损失函数的优化，类别预测模块的训练可以利用交叉熵损失函数来实现损失函数的优化。
如图4所示，预测模块460预测出了四种不同的版式类别，包括页眉类别461、文本段落类别462、分割线类别463、以及表格类别464。虽然图4中所示出的版式类别仅有四种，但在实际使用过程中可以预测出更多的版式类别，版式类别例如可以高达十多种。基于版式类别检测的结果，可以得到由图像410转换而来的文档470，其中还原了图像410中的文字内容和版式内容。
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。
根据本公开的另一方面，还提供一种文档版式检测装置。
图5示出了根据本公开的实施例的文档版式检测装置500的结构框图。
如图5所示，文档版式检测装置500包括：图像获取模块510，被配置为获取待检测文档的图像，其中，待检测文档包括至少一种版式，每一种版式与待检测文档中的特定部分相对应；特征图提取模块520，被配置为提取图像的多个尺度的特征图，其中，每个尺度的特征图包括至少一个特征点；编码模块530，被配置为基于多个尺度的特征图，执行全局注意力编码操作；检测框生成模块540，被配置为基于全局注意力编码操作的结果，针对每个尺度的特征图生成用于指示至少一个特征点中的每个特征点的候选检测框，以获得与多个尺度的特征图有关的多个候选检测框；解码模块550，被配置为基于多个候选检测框中达到预定置信度的候选检测框，确定用于执行全局注意力解码操作的查询特征并执行全局注意力解码操作；以及类别确定模块560，被配置为基于全局注意力解码操作的结果，确定待检测文档中包括的至少一种版式的类别，其中，每一种版式在待检测文档中所对应的特定部分由检测框指示。
由于文档版式检测装置500中的图像获取模块510、特征图提取模块520、编码模块530、检测框生成模块540、解码模块550、类别确定模块560可以分别对应于如图2所述的步骤S210至S260，因此这里不再赘述其各个方面的细节。
另外，文档版式检测装置500及其所包括的模块还可以包括进一步的子模块，这将在以下结合图6进行详细说明。
根据本公开的实施例，通过在待检测文档的图像的多个尺度的特征图中对其中的每个特征点构建候选检测框，能够有益于提高文档中不同版式类别的召回率。又通过对其中置信度较高的多个候选检测框执行全局注意力解码操作的查询特征并执行全局注意力解码操作，于是能够在保证文档中不同版式类别的召回率的基础上进一步提高检测的准确率，对于具有歧义的版式类别也能够实现更好的检测效果。由于本公开实施例的文档版式检测方法仅利用单一模态的信息基于全局注意力进行处理，因此涉及的模型参数量较少，从而能够便于同时提高响应速度和准确率。
图6示出了根据本公开另一实施例的文档版式检测装置600的结构框图。
如图6所示，文档版式检测的装置600可以包括图像获取模块610、特征图提取模块620、编码模块630、检测框生成模块640、解码模块650、类别确定模块660。图像获取模块610、特征图提取模块620、编码模块630、检测框生成模块640、解码模块650、类别确定模块660可以与如图5所示的图像获取模块510、特征图提取模块520、编码模块530、检测框生成模块540、解码模块550、类别确定模块560相对应，因而在此不再赘述其细节。
在示例中，编码模块630可以包括：特征图转换模块631，被配置为将每个尺度的特征图转换为一维特征序列，以获得分别与多个不同尺度对应的多个一维特征序列；特征序列拼接模块632，被配置为对多个一维特征序列进行拼接，以得到经拼接的一维特征序列；以及全局注意力编码模块633，被配置为基于经拼接的一维特征序列，执行全局注意力编码操作，其中，经拼接的一维特征序列被用作全局注意力编码操作的查询特征、键特征和值特征。
在示例中，经拼接的一维特征序列可以包括嵌入编码信息，嵌入编码信息可以用于指示经拼接的一维特征序列与多个不同尺度的对应关系。
在示例中，全局注意力编码操作可以基于可变形注意力计算注意力权重。
在示例中，全局注意力编码操作的结果被用作全局注意力解码操作的键特征和值特征。
在示例中，全局注意力解码操作可以基于稀疏注意力。
在示例中，候选检测框可以以对应的特征点为中心生成，且候选检测框在多个尺度的特征图中可以具有相应的宽高比。
在示例中，候选检测框的坐标可以以归一化的方式表示。
在示例中，解码模块650可以包括：特征确定模块651，被配置为确定由多个候选检测框中达到预定置信度的候选检测框指示的特征点的特征；以及特征查询模块652，被配置为将特征点的特征用作全局注意力解码操作的查询特征。
在示例中，特征确定模块651可以包括：检测框校正模块651a，被配置为为候选检测框添加偏移量以得到经校正的候选检测框；以及特征获取模块651b，被配置为确定由经校正的候选检测框指示的特征点的特征。
根据本公开的另一方面，还提供一种电子设备，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实施例中的方法。
根据本公开的另一方面，还提供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实施例中的方法。
根据本公开的另一方面，还提供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实施例中的方法。
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7，现将描述可以作为本公开的服务器或客户端的电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706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707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708可以包括但不限于磁盘、光盘。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如文档版式检测方法。例如，在一些实施例中，文档版式检测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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的文档版式检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文档版式检测方法。
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)、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。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 (23)

1.一种文档版式检测方法，包括：
获取待检测文档的图像，其中，所述待检测文档包括至少一种版式，每一种版式与所述待检测文档中的特定部分相对应；
提取所述图像的多个尺度的特征图，其中，每个尺度的特征图包括至少一个特征点；
基于所述多个尺度的特征图，执行全局注意力编码操作；
基于所述全局注意力编码操作的结果，针对每个尺度的特征图生成用于指示所述至少一个特征点中的每个特征点的候选检测框，以获得与所述多个尺度的特征图有关的多个候选检测框；
基于所述多个候选检测框中达到预定置信度的候选检测框，确定用于执行全局注意力解码操作的查询特征并执行所述全局注意力解码操作；以及
基于所述全局注意力解码操作的结果，确定所述待检测文档中包括的所述至少一种版式的类别，其中，每一种版式在所述待检测文档中所对应的所述特定部分由检测框指示。
2.根据权利要求1所述的方法，其中，所述基于所述多个尺度的特征图，执行全局注意力编码操作，包括：
将每个尺度的特征图转换为一维特征序列，以获得分别与所述多个不同尺度对应的多个一维特征序列；
对所述多个一维特征序列进行拼接，以得到经拼接的一维特征序列；以及
基于所述经拼接的一维特征序列，执行所述全局注意力编码操作，其中，所述经拼接的一维特征序列被用作所述全局注意力编码操作的查询特征、键特征和值特征。
3.根据权利要求2所述的方法，其中，所述经拼接的一维特征序列包括嵌入编码信息，所述嵌入编码信息用于指示所述经拼接的一维特征序列与所述多个不同尺度的对应关系。
4.根据权利要求2或3所述的方法，其中，所述全局注意力编码操作基于可变形注意力计算注意力权重。
5.根据权利要求2至4中任一项所述的方法，其中，所述全局注意力编码操作的结果被用作所述全局注意力解码操作的键特征和值特征。
6.根据权利要求2至5中任一项所述的方法，其中，所述全局注意力解码操作基于稀疏注意力。
7.根据权利要求1至6中任一项所述的方法，其中，所述候选检测框以对应的特征点为中心生成，且所述候选检测框在所述多个尺度的特征图中具有相应的宽高比。
8.根据权利要求7所述的方法，其中，所述候选检测框的坐标以归一化的方式表示。
9.根据权利要求1至8中任一项所述的方法，其中，所述基于所述多个候选检测框中达到预定置信度的候选检测框，确定用于执行全局注意力解码操作的查询特征，包括：
确定由所述多个候选检测框中达到预定置信度的候选检测框指示的特征点的特征；以及
将所述特征点的特征用作所述全局注意力解码操作的查询特征。
10.根据权利要求9所述的方法，其中，所述确定由所述多个候选检测框中达到预定置信度的候选检测框指示的特征点的特征，包括：
为所述候选检测框添加偏移量以得到经校正的候选检测框；以及
确定由所述经校正的候选检测框指示的特征点的特征。
11.一种文档版式检测装置，包括：
图像获取模块，被配置为获取待检测文档的图像，其中，所述待检测文档包括至少一种版式，每一种版式与所述待检测文档中的特定部分相对应；
特征图提取模块，被配置为提取所述图像的多个尺度的特征图，其中，每个尺度的特征图包括至少一个特征点；
编码模块，被配置为基于所述多个尺度的特征图，执行全局注意力编码操作；
检测框生成模块，被配置为基于所述全局注意力编码操作的结果，针对每个尺度的特征图生成用于指示所述至少一个特征点中的每个特征点的候选检测框，以获得与所述多个尺度的特征图有关的多个候选检测框；
解码模块，被配置为基于所述多个候选检测框中达到预定置信度的候选检测框，确定用于执行全局注意力解码操作的查询特征并执行所述全局注意力解码操作；以及
类别确定模块，被配置为基于所述全局注意力解码操作的结果，确定所述待检测文档中包括的所述至少一种版式的类别，其中，每一种版式在所述待检测文档中所对应的所述特定部分由检测框指示。
12.根据权利要求11所述的装置，其中，所述编码模块包括：
特征图转换模块，被配置为将每个尺度的特征图转换为一维特征序列，以获得分别与所述多个不同尺度对应的多个一维特征序列；
特征序列拼接模块，被配置为对所述多个一维特征序列进行拼接，以得到经拼接的一维特征序列；以及
全局注意力编码模块，被配置为基于所述经拼接的一维特征序列，执行所述全局注意力编码操作，其中，所述经拼接的一维特征序列被用作所述全局注意力编码操作的查询特征、键特征和值特征。
13.根据权利要求12所述的装置，其中，所述经拼接的一维特征序列包括嵌入编码信息，所述嵌入编码信息用于指示所述经拼接的一维特征序列与所述多个不同尺度的对应关系。
14.根据权利要求12或13所述的装置，其中，所述全局注意力编码操作基于可变形注意力计算注意力权重。
15.根据权利要求12至14中任一项所述的装置，其中，所述全局注意力编码操作的结果被用作所述全局注意力解码操作的键特征和值特征。
16.根据权利要求12至15中任一项所述的装置，其中，所述全局注意力解码操作基于稀疏注意力。
17.根据权利要求11至16中任一项所述的装置，其中，所述候选检测框以对应的特征点为中心生成，且所述候选检测框在所述多个尺度的特征图中具有相应的宽高比。
18.根据权利要求17所述的装置，其中，所述候选检测框的坐标以归一化的方式表示。
19.根据权利要求11至18中任一项所述的装置，其中，所述解码模块包括：
特征确定模块，被配置为确定由所述多个候选检测框中达到预定置信度的候选检测框指示的特征点的特征；以及
特征查询模块，被配置为将所述特征点的特征用作所述全局注意力解码操作的查询特征。
20.根据权利要求19所述的装置，其中，所述特征确定模块包括：
检测框校正模块，被配置为为所述候选检测框添加偏移量以得到经校正的候选检测框；以及
特征获取模块，被配置为确定由所述经校正的候选检测框指示的特征点的特征。
21.一种电子设备，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1-10中任一项所述的方法。
22.一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1-10中任一项所述的方法。
23.一种计算机程序产品，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根据权利要求1-10中任一项所述的方法。
CN202310791204.0A 2023-06-29 2023-06-29 文档版式检测方法、装置和电子设备 Active CN116824609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310791204.0A CN116824609B (zh) 2023-06-29 2023-06-29 文档版式检测方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310791204.0A CN116824609B (zh) 2023-06-29 2023-06-29 文档版式检测方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN116824609A true CN116824609A (zh) 2023-09-29
CN116824609B CN116824609B (zh) 2024-05-24

Family

ID=88116271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310791204.0A Active CN116824609B (zh) 2023-06-29 2023-06-29 文档版式检测方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN116824609B (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7835902B2 (en) * 2004-10-20 2010-11-16 Microsoft Corporation Technique for document editorial quality assessment
US20110311139A1 (en) * 2010-06-18 2011-12-22 Zoran Corporation Automated segmentation tuner
US20190005000A1 (en) * 2017-06-30 2019-01-03 Paypal, Inc. Hotspots for probabilistic model testing and cyber analysis
CN112597773A (zh) * 2020-12-08 2021-04-02 上海深杳智能科技有限公司 文档结构化方法、系统、终端及介质
CN112801010A (zh) * 2021-02-07 2021-05-14 华南理工大学 一种针对实际ocr场景下的视觉富文档信息抽取方法
CN112989970A (zh) * 2021-02-26 2021-06-18 北京百度网讯科技有限公司 文档版面分析方法、装置、电子设备及可读存储介质
CN113158808A (zh) * 2021-03-24 2021-07-23 华南理工大学 中文古籍字符识别、组段与版面重建方法、介质和设备
CN113936256A (zh) * 2021-10-15 2022-01-14 北京百度网讯科技有限公司 一种图像目标检测方法、装置、设备以及存储介质
CN114255467A (zh) * 2020-09-22 2022-03-29 阿里巴巴集团控股有限公司 文本识别方法及装置、特征提取神经网络训练方法及装置
CN114419642A (zh) * 2021-12-14 2022-04-29 北京易道博识科技有限公司 一种文档图像中键值对信息的抽取方法、装置及系统
CN114445838A (zh) * 2020-11-04 2022-05-06 上海怀若智能科技有限公司 一种单阶段表格检测网络的生成方法
CN114495103A (zh) * 2022-01-28 2022-05-13 北京百度网讯科技有限公司 文本识别方法、装置、电子设备和介质
CN114627484A (zh) * 2022-02-25 2022-06-14 华南理工大学 一种复杂多场景文档分割方法、系统、装置及介质
CN114863408A (zh) * 2021-06-10 2022-08-05 四川医枢科技有限责任公司 文档内容分类方法、系统、装置及计算机可读存储介质
CN114896404A (zh) * 2022-05-25 2022-08-12 北京金山数字娱乐科技有限公司 文档分类方法及装置
CN115097941A (zh) * 2022-07-13 2022-09-23 北京百度网讯科技有限公司 人物交互检测方法、装置、设备以及存储介质
CN115359486A (zh) * 2022-07-12 2022-11-18 北京易道博识科技有限公司 一种文档图像中自定义信息的确定方法及系统
CN115424282A (zh) * 2022-09-28 2022-12-02 山东省计算中心（国家超级计算济南中心） 一种非结构化文本表格识别方法和系统
CN115578735A (zh) * 2022-09-29 2023-01-06 北京百度网讯科技有限公司 文本检测方法和文本检测模型的训练方法、装置
CN115659917A (zh) * 2022-09-09 2023-01-31 北京百度网讯科技有限公司 一种文档版式还原方法、装置、电子设备及存储设备
CN115937887A (zh) * 2022-10-08 2023-04-07 上海弘玑信息技术有限公司 文档结构化信息的提取方法及装置、电子设备、存储介质
CN116030469A (zh) * 2022-12-27 2023-04-28 联想(北京)有限公司 一种处理方法、装置、设备和计算机可读存储介质

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7835902B2 (en) * 2004-10-20 2010-11-16 Microsoft Corporation Technique for document editorial quality assessment
US20110311139A1 (en) * 2010-06-18 2011-12-22 Zoran Corporation Automated segmentation tuner
US20190005000A1 (en) * 2017-06-30 2019-01-03 Paypal, Inc. Hotspots for probabilistic model testing and cyber analysis
CN114255467A (zh) * 2020-09-22 2022-03-29 阿里巴巴集团控股有限公司 文本识别方法及装置、特征提取神经网络训练方法及装置
CN114445838A (zh) * 2020-11-04 2022-05-06 上海怀若智能科技有限公司 一种单阶段表格检测网络的生成方法
CN112597773A (zh) * 2020-12-08 2021-04-02 上海深杳智能科技有限公司 文档结构化方法、系统、终端及介质
CN112801010A (zh) * 2021-02-07 2021-05-14 华南理工大学 一种针对实际ocr场景下的视觉富文档信息抽取方法
CN112989970A (zh) * 2021-02-26 2021-06-18 北京百度网讯科技有限公司 文档版面分析方法、装置、电子设备及可读存储介质
CN113158808A (zh) * 2021-03-24 2021-07-23 华南理工大学 中文古籍字符识别、组段与版面重建方法、介质和设备
CN114863408A (zh) * 2021-06-10 2022-08-05 四川医枢科技有限责任公司 文档内容分类方法、系统、装置及计算机可读存储介质
CN113936256A (zh) * 2021-10-15 2022-01-14 北京百度网讯科技有限公司 一种图像目标检测方法、装置、设备以及存储介质
CN114419642A (zh) * 2021-12-14 2022-04-29 北京易道博识科技有限公司 一种文档图像中键值对信息的抽取方法、装置及系统
CN114495103A (zh) * 2022-01-28 2022-05-13 北京百度网讯科技有限公司 文本识别方法、装置、电子设备和介质
CN114627484A (zh) * 2022-02-25 2022-06-14 华南理工大学 一种复杂多场景文档分割方法、系统、装置及介质
CN114896404A (zh) * 2022-05-25 2022-08-12 北京金山数字娱乐科技有限公司 文档分类方法及装置
CN115359486A (zh) * 2022-07-12 2022-11-18 北京易道博识科技有限公司 一种文档图像中自定义信息的确定方法及系统
CN115097941A (zh) * 2022-07-13 2022-09-23 北京百度网讯科技有限公司 人物交互检测方法、装置、设备以及存储介质
CN115659917A (zh) * 2022-09-09 2023-01-31 北京百度网讯科技有限公司 一种文档版式还原方法、装置、电子设备及存储设备
CN115424282A (zh) * 2022-09-28 2022-12-02 山东省计算中心（国家超级计算济南中心） 一种非结构化文本表格识别方法和系统
CN115578735A (zh) * 2022-09-29 2023-01-06 北京百度网讯科技有限公司 文本检测方法和文本检测模型的训练方法、装置
CN115937887A (zh) * 2022-10-08 2023-04-07 上海弘玑信息技术有限公司 文档结构化信息的提取方法及装置、电子设备、存储介质
CN116030469A (zh) * 2022-12-27 2023-04-28 联想(北京)有限公司 一种处理方法、装置、设备和计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李凤华等: "访问控制模型研究进展及发展趋势", 《电子学报》, 15 April 2012 (2012-04-15), pages 805 - 813 *

Also Published As

Publication number Publication date
CN116824609B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN113971751A (zh) 训练特征提取模型、检测相似图像的方法和装置
CN112857268B (zh) 对象面积测量方法、装置、电子设备和存储介质
CN113642583B (zh) 用于文本检测的深度学习模型训练方法及文本检测方法
CN113657274B (zh) 表格生成方法、装置、电子设备及存储介质
CN114494784A (zh) 深度学习模型的训练方法、图像处理方法和对象识别方法
JP2023527615A (ja) 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム
CN115082740B (zh) 目标检测模型训练方法、目标检测方法、装置、电子设备
CN113378712A (zh) 物体检测模型的训练方法、图像检测方法及其装置
CN114792355B (zh) 虚拟形象生成方法、装置、电子设备和存储介质
CN114429633A (zh) 文本识别方法、模型的训练方法、装置、电子设备及介质
CN114882321A (zh) 深度学习模型的训练方法、目标对象检测方法和装置
CN110633717A (zh) 一种目标检测模型的训练方法和装置
CN116152833A (zh) 基于图像的表格还原模型的训练方法及表格还原方法
CN115359308A (zh) 模型训练、难例识别方法、装置、设备、存储介质及程序
CN114723949A (zh) 三维场景分割方法和用于训练分割模型的方法
CN112784102B (zh) 视频检索方法、装置和电子设备
CN113902899A (zh) 训练方法、目标检测方法、装置、电子设备以及存储介质
CN115082598B (zh) 文本图像生成、训练、文本图像处理方法以及电子设备
CN114419327B (zh) 图像检测方法和图像检测模型的训练方法、装置
CN116824609B (zh) 文档版式检测方法、装置和电子设备
CN114842476A (zh) 水印检测方法及装置、模型训练方法及装置
CN114973333A (zh) 人物交互检测方法、装置、设备以及存储介质
CN114707638A (zh) 模型训练、对象识别方法及装置、设备、介质和产品
CN113610856A (zh) 训练图像分割模型和图像分割的方法和装置
CN115511779B (zh) 图像检测方法、装置、电子设备和存储介质

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