CN117275005A - 文本检测、文本检测模型优化、数据标注的方法、装置 - Google Patents

Abstract

本公开提供了一种文本检测、文本检测模型优化、数据标注的方法、装置，涉及人工智能技术领域，具体为计算机视觉、深度学习、大模型等技术领域，可应用于人工智能的内容生成等场景。实现方案为：获取包含文本的图像的图像特征，以及用于对定位文本进行提示的提示信息特征；对图像特征进行编码操作，以得到经编码的图像特征；基于经编码的图像特征与提示信息特征之间的相关性，确定用于解码操作的锚定框，锚定框用于在解码操作中提供与文本的位置相关的位置参考信息；以及基于经编码的图像特征与提示信息特征之间的注意力交互，以及锚定框提供的位置参考信息，执行解码操作以得到在图像中定位文本的检测框。

Description

文本检测、文本检测模型优化、数据标注的方法、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、深度学习、大模型等技术领域，可应用于人工智能的内容生成等场景，尤其涉及一种文本检测方法、文本检测模型优化方法、用于文本检测的数据标注的方法、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

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。

通用文本检测是计算机视觉技术的重要任务，其是指在图像中定位和识别文本行的过程。在许多应用场景中，如车牌识别、身份证识别、票据卡证识别等，文本检测的准确性对整个系统的性能表现有着较大影响。

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检测方法、文本检测模型优化方法、用于文本检测的数据标注的方法、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，提供了一种文本检测方法，包括：获取包含文本的图像的图像特征，以及用于对定位文本进行提示的提示信息特征；对图像特征进行编码操作，以得到经编码的图像特征；基于经编码的图像特征与提示信息特征之间的相关性，确定用于解码操作的锚定框，锚定框用于在解码操作中提供与文本的位置相关的位置参考信息；以及基于经编码的图像特征与提示信息特征之间的注意力交互，以及锚定框提供的位置参考信息，执行解码操作以得到在图像中定位文本的检测框。

根据本公开的一方面，提供了一种文本检测模型优化方法，包括：在当前的循环迭代中，基于当前的文本检测模型，执行如上所述的文本检测方法，以得到在图像中定位文本的当前预测检测框，其中，用于对定位文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成；确定当前预测检测框与前次预测检测框之间的差异；响应于确定当前预测检测框与前次预测检测框之间的差异大于或等于预定阈值，对当前的文本检测模型进行优化，并执行下一次迭代循环；以及响应于确定当前预测检测框与前次预测检测框之间的差异小于预定阈值，停止执行下一次迭代循环，并将当前的文本检测模型作为优化后的文本检测模型。

根据本公开的一方面，提供了一种用于文本检测的数据标注方法，包括：获取包含待标注文本的图像；执行半自动数据标注过程或全自动数据标注过程，其中，在半自动数据标注过程中，执行如上所述的文本检测方法，以得到在图像中定位待标注文本的标注检测框，其中，用于对定位待标注文本进行提示的提示信息特征基于人工的指定而生成；在全自动数据标注过程中，执行如上所述的文本检测模型优化方法，以得到在图像中定位待标注文本的标注检测框，其中，用于对定位待标注文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成；以及将标注检测框确定为标注文本的数据标注结果。

根据本公开的一方面，提供了一种文本检测装置，包括：特征获取模块，被配置为获取包含文本的图像的图像特征；提示编码器模块，被配置为获取用于对定位文本进行提示的提示信息特征；编码器模块，被配置为对图像特征进行编码操作，以得到经编码的图像特征；查询选择模块，被配置为基于经编码的图像特征与提示信息特征之间的相关性，确定用于解码操作的锚定框，锚定框用于在解码操作中提供与文本的位置相关的位置参考信息；以及解码器模块，被配置为基于经编码的图像特征与提示信息特征之间的注意力交互，以及锚定框提供的位置参考信息，执行解码操作以得到在图像中定位文本的检测框。

根据本公开的一方面，提供了一种文本检测模型优化装置，包括：如上所述的文本检测装置，被配置为在当前的循环迭代中，基于当前的文本检测模型，得到在图像中定位文本的当前预测检测框，其中，用于对定位文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成；差异确定模块，被配置为确定当前预测检测框与前次预测检测框之间的差异；循环执行模块，被配置为响应于确定当前预测检测框与前次预测检测框之间的差异大于或等于预定阈值，对当前的文本检测模型进行优化，并执行下一次迭代循环；以及循环停止模块，被配置为响应于确定当前预测检测框与前次预测检测框之间的差异小于预定阈值，停止执行下一次迭代循环，并将当前的文本检测模型作为优化后的文本检测模型。

根据本公开的一方面，提供了一种用于文本检测的数据标注装置，包括：图像获取模块，被配置为获取包含待标注文本的图像；标注执行模块，被配置为执行半自动数据标注过程或全自动数据标注过程，其中，在半自动数据标注过程中，利用如上所述的文本检测装置得到在图像中定位待标注文本的标注检测框，其中，用于对定位待标注文本进行提示的提示信息特征基于人工的指定而生成；在全自动数据标注过程中，利用如上所述的文本检测模型优化装置得到在图像中定位待标注文本的标注检测框，其中，用于对定位待标注文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成；以及标注确定模块，被配置为将标注检测框确定为标注文本的数据标注结果。

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；以及与所述至少一个处理器通信连接的存储器，其中，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如上所述的方法。

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，其中，所述计算机指令用于使计算机执行如上所述的方法。

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，其中，所述计算机程序在被处理器执行时实现如上所述的方法。

根据本公开的一个或多个实施例，可以提升文本检测的准确度。

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示出了根据本公开实施例的文本检测方法的流程图；

图3示出了根据本公开实施例的文本检测方法的示意图；

图4示出了根据本公开实施例的文本检测模型优化方法的流程图；

图5示出了根据本公开实施例的用于文本检测的数据标注方法的流程图；

图6示出了根据本公开一个实施例的文本检测装置的结构框图；

图7示出了根据本公开另一个实施例的文本检测装置的结构框图；

图8示出了根据本公开实施例的文本检测模型优化装置的结构框图；

图9示出了根据本公开实施例的用于文本检测的数据标注装置的结构框图；

图10示出了能够用于实现本公开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。

相关技术中，通用文本检测一般存在如下几方面的问题：

首先，数据标注成本高。数据标注是通用文字检测中的一项关键工作，但其成本非常高昂。一般而言，标注人员需要逐个标注大量的文本框，以创建用于训练的标注数据集。这需要大量的人力资源、时间和经费投入，并且标注的准确性需要经过专业的培训和质量控制。因此，高成本的数据标注过程限制了可用于训练的标注数据的规模和多样性，从而可能对模型的性能和泛化能力产生负面影响。

其次，场景复杂多样，性能难以提升。通用文字检测需要在各种复杂多样的场景中准确地检测并定位出任意文本行，例如街景文字、古籍文字、视频文字、地图文字、多语种文字等等。这些场景往往会包括有不同风格、大小、方向、密度的文字以及不同的背景干扰。由于场景的复杂多样性，在单个或几个场景上有监督训练的文本检测模型难以真正达到通用检测的效果，并且很难同时提高多场景上的性能。此外，由于缺乏足够的大规模标注数据，训练的模型可能无法充分学习和泛化到新的场景，导致性能难以进一步提升。

此外，模型泛化能力差：目前的通用文字检测模型通常需要在特定的数据集上进行训练，因此在新的场景(即，训练集未包含的场景)中，其泛化能力较差。当面临新的场景时，现有的模型通常需要进行微调或重新训练，甚至需要额外的标注数据来泛化到新的场景。这意味着在每个新的场景中都需要进行繁重的标注和模型训练工作，增加了人力资源和时间成本，并且延缓了模型的部署和应用。尽管利用无标注数据进行自监督或半监督训练是一种可行的方法，然而在遇到数据分布差异较大的新的场景时，无标注数据可获取到的伪标签质量往往较差，从而导致模型难以泛化到新的场景。

针对上述至少一个问题，本公开的实施例提供了一种文本检测方法、文本检测模型优化方法以及用于文本检测的数据标注的方法。

在详细描述本公开实施例的方法之前，首先结合图1描述可以将本文描述的方法在其中实施的示例性系统。

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检测方法、文本检测模型优化方法以及用于文本检测的数据标注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来提供包含文本的图像并指示执行文本检测。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。

下文将结合附图详细描述根据本公开实施例的文本检测方法的各个方面。

图2示出了根据本公开实施例的文本检测方法200的流程图。

在示例中，文本检测方法200可以在诸如DINO-SwinL(Distillation with Nolabels-Shifted Window Transformer(Large))的目标检测大模型中实施，但本公开的实施例并不局限于此，而是可以应用于任何基于包含编码器和解码器的Transformer网络结构的目标检测模型/文本检测模型。

如图2所示，文本检测方法200包括步骤S202、S204、S206和S208。

在步骤S202，获取包含文本的图像的图像特征，以及用于对定位文本进行提示的提示信息特征。

在示例中，包含文本的图像(在下文中，也称为文本图像)可以涉及各种不同的场景，诸如可以是街景的街拍照片，其中包含有例如商店的店名、路牌上的路名等文字；也可以是身份证件的扫描照片，其中包含有例如姓名、性别等文字。本公开实施例的文本检测方法对图像所涉及的场景不进行限制。

在示例中，可以通过对图像进行特征提取来获取图像特征。图像特征可以通过特征向量的形式表达。另外，还可以通过对图像在多个尺度上进行特征提取来获得相应多个尺度上的图像特征。

在示例中，提示信息特征也可以通过特征向量的形式表达，也即通过向量的形式对提示信息进行表达。提示信息特征可以是基于人工的指定而生成的，例如由标注人员对图像中被漏检的文本进行指定以形成提示信息，进而生成提示信息特征。提示信息特征也可以是基于初步性的文本检测结果而生成的，例如对无标注的文本图像进行文本检测而得到相应的检测框(例如检测框的四个角点的坐标)、并以特征向量的方式来表达该检测框。

在本公开的实施例中，提示信息特征被配置用于对在文本图像中定位文本进行提示。为此，提示信息特征将要作为参考信息而参与到解码操作中，从而引导模型输出给定提示下的文本检测结果。

在步骤S204，对图像特征进行编码操作，以得到经编码的图像特征。

在示例中，编码操作可以在Transformer网络结构的编码器中执行。

在步骤S206，基于经编码的图像特征与提示信息特征之间的相关性，确定用于解码操作的锚定框，该锚定框用于在解码操作中提供与文本的位置相关的位置参考信息。

在示例中，确定用于解码操作的锚定框的过程可以涉及锚定框的初始化过程。

在本公开的实施例中，提出了一种提示信息引导的查询选择(Prompt-guidedQuery Selection)机制，其目的是从编码器所输出的若干个逐像素的锚定框(Anchor，也称为锚框)之中选取与提示信息(即，通过提示信息特征来表达)具有相关性的一部分锚定框。正是因为这一部分锚定框是在用于对文本进行定位的提示信息的引导下获得的，由此使得这一部分锚定框能够在编码操作之后的解码操作中提供与文本的位置相关的位置参考信息。

在步骤S208，基于经编码的图像特征与提示信息特征之间的注意力交互，以及锚定框提供的位置参考信息，执行解码操作以得到在图像中定位文本的检测框。

在示例中，解码操作可以在Transformer网络结构的解码器中执行。注意力交互可以包括自注意力和交叉注意力。

在本公开的实施例中，在解码操作中，通过参考由步骤S206确定的锚定框所提供的位置参考信息，将步骤S204得到的经编码的图像特征与步骤S202获取的提示信息特征进行注意力交互，能够引导模型输出给定提示下的文本检测结果。

因此，根据本公开的实施例，提出了一种基于提示的文本检测方法200，在该方法中，通过添加用于对文本的定位进行提示的提示信息特征，能够有针对性地筛选出在解码操作中要使用的锚定框，以用于在解码操作中提供与文本的位置相关的位置参考信息，进而能够引导模型输出给定提示下的文本检测结果，从而提升文本检测的准确度。

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。

在下文中，将进一步详细描述根据本公开实施例的文本检测方法的各个方面。

图3示出了根据本公开实施例的文本检测方法300的示意图。

在图3中，示例性地示出了文本检测方法300在Transformer网络结构中的实施。如前所述，与文本检测方法200类似，文本检测方法300也可以应用于任何基于包含编码器和解码器的Transformer网络结构的目标检测模型/文本检测模型。

如图3所示，在步骤S302a，可以获取包含文本的图像的图像特征301。作为示例，包含文本的图像可以是诸如街景的街拍照片，其中包含有例如商店的店名、路牌上的路名等文字。可以利用位置嵌入向量303，将其与图像特征301一同输入到编码器310中，从而可以在步骤S304，对图像特征301进行编码操作，以得到经编码的图像特征305。

在示例中，与编码器310侧相关联的操作可以被视为文本检测方法300中的第一阶段，如图3中的左半部分所示。同时，与解码器320侧相关联的操作可以被视为文本检测方法300中的第二阶段，如图3中的右半部分所示。

在本公开的实施例中，针对文本检测方法300中的第二阶段，还包括步骤S302b，在该步骤中，可以获取用于对定位文本进行提示的提示信息特征313。注意的是，步骤S302b可以与前述的步骤S302a、S304同时执行，也可以在步骤S302a、S304之后执行。

接下来，在步骤S306，可以基于经编码的图像特征305与提示信息特征313之间的相关性，确定用于解码操作的锚定框309。锚定框309用于在解码器320的解码操作中提供与文本的位置相关的位置参考信息。

相应地，在步骤S308中，可以基于经编码的图像特征305与提示信息特征313之间的注意力交互，以及锚定框309提供的位置参考信息，执行解码操作以得到在图像中定位文本的检测框315。

在一些实施例中，确定用于解码操作的锚定框309的步骤S306可以包括：计算经编码的图像特征305与提示信息特征313之间的相似度；按照相似度的大小，对经由编码操作输出的候选锚定框307进行排序；以及选取候选锚定框307中相似度的大小满足预定条件的候选锚定框(即，以锚定框309示出)以用于解码操作。

在示例中，确定用于解码操作的锚定框309的步骤S306也可以称为锚定框的初始化。在步骤S306中，计算相似度可以例如采用计算余弦特征相似度。可以采用从大到小或从小到大的顺序对候选锚定框307进行排序，并按照排序选取其中相似度大的若干个候选锚定框307(例如TopK算法)作为初始化的锚定框309。

如前所述，在步骤S306中，本公开的实施例提出了一种“提示信息引导的查询选择”机制，其目的是从编码器310所输出的若干个逐像素的候选锚定框307之中选取与提示信息特征313具有相关性的锚定框309。从而，被选取的锚定框309能够在解码器320的解码操作中提供与文本的位置相关的位置参考信息，因为其正是基于提示信息特征313而确定的。

因此，通过计算经编码的图像特征与提示信息特征之间的相似度，并基于相似度对候选锚定框进行排序，能够以简便的方式筛选出将要在编码操作中使用的与提示信息特征具有相关性的锚定框。

在一些实施例中，提示信息特征313指示文本的检测框315的坐标311a和/或文本的内容311b。

如图3所示，本公开的实施例提供了一种多模态的提示编码器330。这里的“多模态”可以包括点的坐标和文本两种模态。即，提示信息可以包括文本的检测框315的坐标311a和/或文本的内容311b。相应地，提示编码器330可以通过对文本的检测框315的坐标311a和/或文本的内容311b进行编码来生成相应的提示信息特征313。在示例中，提示信息特征313以特征向量的方式来表达提示信息。由于提示信息特征313用于对在图像中定位文本进行提示，在将其作为参考信息而用在解码器320的解码操作中时，可以起到引导模型输出给定提示下的文本检测结果的作用。

因此，通过采用多模态的提示方式，能够扩展对模型进行引导的有效性和便利性，由此提升了应用本公开实施例的文本检测方法的灵活度。

在示例中，获取提示信息特征313的步骤S302b可以经由提示编码器330来执行。

在一些实施例中，获取提示信息特征313的步骤S302b可以包括：将坐标相对于图像进行归一化，以得到归一化的坐标；获取坐标对应的绝对位置编码信息；以及将归一化的坐标与绝对位置编码信息相加，以生成提示信息特征313。

在示例中，通过归一化可以将坐标表示成0～1之间的数值，即归一化的坐标。绝对位置编码信息可以借助于三角函数来表示，相应地，可以通过计算坐标的三角函数来获取坐标对应的绝对位置编码信息。在此基础上，提示信息特征313可以经由归一化的坐标与绝对位置编码信息相加来表示。上述过程可以在提示编码器330中执行。

以此方式，针对提示信息包括文本的检测框315的坐标311a的应用场景，能够通过对坐标311a采用特定的编码方式来获得相应的提示信息特征313，从而能够利用提示信息特征313对提示信息本身进行表征。

在一些实施例中，坐标311a可以包括下列至少一者：检测框315的中心点的坐标、检测框315内的多个点对应的坐标、检测框315的多个角点对应的坐标。

在示例中，检测框315的中心点可以是指检测框315的几何中心。检测框315内的多个点可以通过随机采样或均匀采样获得。检测框315的多个角点可以是诸如矩形的四个顶点、六边形的六个顶点等角点。

因此，通过以各种形式的几何特征点来表征检测框315，能够便于灵活且准确地提供提示信息，从而有利于利用提示信息特征313对提示信息进行表征。尤其是，在利用文本检测方法300实现半自动标注过程的场景中，不同于传统标注作业中需要标注完整检测框的方式，应用本实施例的标注方法仅通过给定单个或多个点就能够进行标注，从而大幅提升标注效率。

在一些实施例中，检测框315可以包括多边形。

在本文中，多边形可以是指边数等于或大于四的规则或不规则形状。在一个示例中，矩形可以是最为常见的检测框形态。在另一个示例中，也可以采用诸如菱形的平行四边形的检测框形态，这种检测框更适用于对诸如倾斜的文本行进行定位。在又一个示例中，也可以采用六边形等其他更多个边的检测框形态，以适配各种不同的应用场景。

因此，通过扩展检测框315的形态，能够便利于根据本公开实施例的文本检测方法对于各种应用场景的普适性。

在一些实施例中，获取提示信息特征313的步骤S302b可以包括：经由对比语言-图像预训练(CLIP,Contrastive language-Image Pretraining)模型的文本分支对文本的内容进行编码，以生成提示信息特征313。

在示例中，CLIP模型可以包括文本分支和图像分支，且该CLIP模型可以是经过图文对比学习的。相应地，可以利用文本分支来充当提示编码器330。

以此方式，针对提示信息包括文本的内容311b的应用场景，能够简便地利用CLIP模型的文本分支作为既有的编码工具，从而能够利用提示信息特征313对提示信息本身进行表征。

在一些实施例中，解码器320的解码操作可以基于自注意(Self-attention)机制和交叉注意力(Cross-attention)机制二者。在自注意机制中，经编码的图像特征305或提示信息特征313被用作查询(Query)向量、键(Key)向量和值(Value)向量。在交叉注意力机制，提示信息特征313被用作查询向量，并且经编码的图像特征305被用作键向量和值向量。

在示例中，用于自注意的模块和用于交叉注意力的模块可以均为6层的可变形注意力(Deformable Attention)网络结构，但其中所使用的查询向量、键向量和值向量的来源不同。对于用于自注意的模块，查询向量、键向量和值向量亦或均来自于通过编码操作得到的经编码的图像特征305，亦或均来自于提示信息特征313，这可以由本领域技术人员根据实际使用而具体设置。而对于用于交叉注意力的模块，查询向量来自于提示信息特征313，键向量和值向量来自于经编码的图像特征305。

以此方式，借助于解码操作中的注意力交互而嵌入了对提示信息特征313的使用，由此使得提示信息特征313作为参考信息而参与到解码操作中，从而引导模型输出给定提示下的文本检测结果。

在一些实施例中，检测框315可以对应于不同的文本粒度，每种文本粒度的检测框315可以具有相应的置信度。

在示例中，本公开的实施例提供了一种多任务检测头来支持不同粒度的文本检测任务。例如，可以在用于交叉注意力的模块后面引入独立的MLP(Multilayer Perception)结构，以生成针对不同文本粒度的检测框315。

在示例中，置信度可以通过概率值的方式表示。

以此方式，能够解决在给定提示下可能产生的检测框歧义性问题。由于一条完整的文本行往往包含了多种语义信息，使得在给定提示下(如单个点或多个点的提示)，难以准确为这些不同的语义信息预测出与其语义信息相符的检测框。因此，通过使检测框315具备对应于不同文本粒度的能力、且每种文本粒度的检测框315具有相应的置信度，能够有效地解决上述检测框歧义性问题。

在一些实施例中，上述不同的文本粒度可以包括完整文本行、紧凑文本行或键值文本对。

在示例中，紧凑文本行可以是指完整文本行的文本子集，例如一条文本中以逗号进行断句的部分文本。此外，紧凑文本行还可以包括诸如大小不同的数字，例如在商场的价签上经常看到的价格表示，其中价格的整数部分以较大字体表示，而小数部分以较小字体表示，例如“￥88.99”这样的价格表示。键值文本对可以是指由冒号分隔的文本，例如“姓名：张三性别：男”。

因此，通过针对日常应用场景下的三种文本粒度来预测符合其语义信息的检测框315，可以解决这些日常应用场景下可能出现的检测框歧义性问题，由此进一步提升检测框315的准确度。

在一些实施例中，基于文本检测方法300的文本检测可以基于如前所述的DINO-SwinL大模型执行。

在示例中，DINO是一种新兴的目标检测算法，其是一种完全基于Transformer网络结构的模型，主要包括三个方面的特点：对比去噪(DN,Contrastive Denoising)、混合查询选择(Mix Query Selection)和两次前向(Look Forward Twice)。对比去噪通过引入噪声样本来让模型学习如何区分负样本以及回归正确的正样本。混合查询选择通过引入可学习的内容查询(Content Query)来优化查询的选择。两次前向通过对解码器的梯度传播进行优化来提高模型的性能。这些特点促使DINO在文本行的检测任务上表现出色。由于DINO结合了Transformer编码器的思想，可以更好地捕捉文本行的特征，同时基于SwinL的大模型具有更大的网络参数，由此使得模型的鲁棒性和泛化能力较强。

在示例中，可以对DINO-SwinL大模型进行预训练。以下针对预训练过程中的细节进行示例性描述。

例如，在训练数据方面，可以使用大量(例如20万)通用场景下的人工标注的文本行标注数据。文本行的标注例如可以包括文本行的位置、大小、旋转角度等。通用场景例如可以包括：手写文本(如手写字母、数字、符号等)、印刷文本(如印刷字母、数字、符号等)、自然场景文本(如道路标志、广告牌、商店招牌、车牌等)、表格文本(如报表、发票、合同等)、书籍文本(如小说、教科书等)。然后，可以按照固定比例或预定比例，将该大量的人工标注的文本行标注数据划分为训练集和验证集。

例如，在数据预处理方面，可以对每个训练样本采取多种数据增强方式，诸如图像随机翻转、随机旋转、随机缩放、随机裁剪、按照短边进行多尺度缩放、图像归一化等。

例如，模型训练过程可以涉及使用训练样本的人工标注结果作为真值来计算模型预测结果与真值之间的损失函数，以进行优化。损失函数可以包括分类损失(Focal Loss)、矩形检测框的L1损失和GIOU(Generalized Intersection over Union)损失、多边形检测框的L1损失和GIOU损失。可以使用AdamW作为优化器。

例如，在模型评估阶段，可以通过在验证集上计算模型预测结果和真值之间的精确度(Precision)、召回率(Recall)和F1分数(F1 Score)三个指标来衡量模型训练的效果。

因此，通过在具有较强文本行检测能力的DINO-SwinL大模型上执行文本检测，可以进一步提升文件检测结果的准确度。

在一些实施例中，DINO-SwinL大模型可以基于结构化文本StrucText2.0方法被预训练。

在示例中，在主干网络(ResNet(残差网络)和FPN(Feature Pyramid Network，特征金字塔网络))的预训练阶段，可以采用基于文档图像理解的基础模型StrucText2.0来进行图文多模态的预训练。StrucTexT2.0具有单模态图像输入、多模态知识学习的预训练框架，可以实现仅通过单一文本图像的输入就能让模型充分捕获语义和结构信息的效果。经过大规模的文本图像数据充分学习后的预训练模型，可以显著提高文本理解的全任务效果，包括文本图像分类、文本版式分析、表格结构解析、文本光学字符识别(OCR,OpticalCharacter Recognition)、端到端信息抽取等。StrucTexT2.0同时可以解决训练数据匮乏和传统中OCR加NLP(Neuro-Linguistic Programming，神经语言编程学)链路过长导致的模型表达能力不足、优化效率偏低等问题，可以广泛应用于各行各业的文档、卡证、票据等图像文字识别和信息理解。

因此，通过基于结构化文本StrucText2.0方法对DINO-SwinL大模型进行预训练，可以使模型充分捕获语义和结构信息，以具有图文对比学习能力。

在本公开的实施例中，结合图3所示的文本检测方法300可以具有与结合图2所示的文本检测方法200相同或相似的各个方面，在此不再赘述。

相应地，在基于文本检测方法200或300获得了准确度高的的文本检测框的情况下，也能够提升后续的OCR任务的性能。通过使用这些准确度高的文本检测框，能够在OCR任务中实现更准确的文本识别、区域擦除、文字合成等功能。这对于需要编辑或处理文本的应用非常有益。例如，在文档扫描和文本编辑的应用中，用户能够准确地擦除和/或合成指定区域的文字，从而改善文档的质量和可读性。由此，根据本公开实施例的文本检测方法200或300也能够促使提升OCR相关应用的性能和用户体验。

同时，根据本公开实施例的文本检测方法200或300还能够促使提升数据标注的效率。在将本公开实施例的文本检测方法200或300应用于数据标注平台时，能够实现半自动或全自动的数据标注。例如，在预训练好的通用文本检测大模型的基础上，通过输入该通用文本检测大模型预测得到的初步文本检测结果或输入由数据标注人员指定的与文字相关的信息等作为提示来生成准确的文本检测框，能够提高数据标注的效率和伪标签的质量。即便在需要数据标注人员的情况下，其也仅需要对预标注框进行检查和修改，而无需人工地逐一进行标注，由此能够大幅提升数据标注效率，并且生成的伪标签更加准确可靠。

此外，根据本公开实施例的文本检测方法200或300还能够促使提升自动化文本处理的效率和准确性。在将本公开实施例的文本检测方法200或300应用于自动化文本处理任务(如自动化报告生成、信息提取和数据分析等)时，通过引入提示信息，能够实现自动定位和标注文本。这将极大提高处理大规模文本数据的效率和准确性，由此加快了工作流程并提升了数据分析结果的质量。通过自动化的文本处理系统，能够实现更快速地从大量文本中提取所需信息，实现自动化报告的生成、大规模数据的分析和处理等，从而节省时间和人力成本，提高工作效率。

根据本公开的实施例，还提供了一种文本检测模型优化方法。

图4示出了根据本公开实施例的文本检测模型优化方法400的流程图。

如图4所示，文本检测模型优化方法400包括步骤S402、S404、以及S406a或S406b。

在步骤S402，在当前的循环迭代中，基于当前的文本检测模型，执行结合图2所示的文本检测方法200或结合图3所示的文本检测方法300，以得到在图像中定位文本的当前预测检测框。用于对定位文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成。

在示例中，图像可以是不带有标注的无标注文本图像。另外，该文本图像可以是具有较多文本行的富文本，以有利于实现文本检测模型的优化。

在示例中，文本检测模型可以包括如前所述的DINO-SwinL大模型，其在本公开的实施例中用于执行文本检测。当前的文本检测模型可以继续通过模型的迭代循环而被进一步优化(如步骤S406a)，也可以是在确定已符合预定标准的情况下而被判断为已达到了优化状态(如步骤S406b)。

如前所述，在结合图2所示的文本检测方法200或结合图3所示的文本检测方法300中，引入了用于对在文本图像中定位文本进行提示的提示信息特征，即这里所使用的前一次循环迭代得到的前次预测检测框。因此，对于当前的文本检测模型而言，该前次预测检测框可以充当提示信息使用，由此能够引导模型输出给定提示下的文本检测结果。

相应地，在通过步骤S402得到当前预测检测框后，在步骤S404，确定当前预测检测框与前次预测检测框之间的差异。即，通过判断当前预测检测框与前次预测检测框之间的差异大小来确定是继续进行步骤S406a还是步骤S406b。

在步骤S406a，响应于确定当前预测检测框与前次预测检测框之间的差异大于或等于预定阈值，对当前的文本检测模型进行优化，并执行下一次迭代循环。

在步骤S406b，响应于确定当前预测检测框与前次预测检测框之间的差异小于预定阈值，停止执行下一次迭代循环，并将当前的文本检测模型作为优化后的文本检测模型。

在示例中，可以通过各种方式来反映当前预测检测框与前次预测检测框之间的差异大小。例如，当前预测检测框与前次预测检测框在整体上的重合程度(例如采用GIOU来判断)达到预定比例(例如95％)，则可以认为当前预测检测框与前次预测检测框之间的差异小于预定阈值，反之亦然。

在示例中，根据经验值，可以使用4个步长的循环过程(即，四次循环迭代)来实现模型优化。

因此，根据本公开实施例的文本检测模型优化方法400，通过自动地基于前一次循环迭代得到的前次预测检测框来生成本次循环迭代中所使用的对定位文本进行提示的提示信息特征，能够促使实现自动化的模型优化流程，从而使得模型在预训练的基础上得到更为精确的优化，由此进一步提升模型预测的准确度。

在一些实施例中，文本检测模型优化方法400还可以包括：响应于当前的循环迭代为第一次循环迭代，在执行当前的循环迭代之前，将图像输入文本检测模型以得到文本的初步预测检测框。在当前的循环迭代中，使用该初步预测检测框作为所述前次预测检测框。

在示例中，在第一次循环迭代之前的文本检测模型可以是经过预训练但尚未经过本实施例的模型优化的模型，诸如预训练好的DINO-SwinL目标检测模型。

因此，对于第一次循环迭代，通过使用初步预测检测框作为前次预测检测框来生成提示信息特征，可以便利于实现完全自动化的模型优化流程。

根据本公开的实施例，还提供了一种用于文本检测的数据标注方法。

图5示出了根据本公开实施例的用于文本检测的数据标注方法500的流程图。

如图5所示，数据标注方法500包括步骤S502、S504、S506。

在步骤S502，获取包含待标注文本的图像。

在示例中，图像可以是诸如街景的街拍照片，其中包含有例如商店的店名、路牌上的路名等文字。相应地，商店的店名、路牌上的路名等文字可以是待标注文本。

在步骤S504，执行半自动数据标注过程S504a或全自动数据标注过程S504b。

在半自动数据标注过程S504a中，执行结合图2所示的文本检测方法200或结合图3所示的文本检测方法300，以得到在图像中定位待标注文本的标注检测框。用于对定位待标注文本进行提示的提示信息特征基于人工的指定而生成。

在示例中，标注人员可以对图像中的预标注结果进行审核。对于漏检的文本，可以通过指定与该漏检的文本相关联的提示信息，来为该漏检的文本进行补标。相应地，可以支持多轮迭代的标注，这不仅大大降低了标注成本和标注难度，而且能够有效提升标注结果的质量。

在全自动数据标注过程S504b中，执行结合图4所示的文本检测模型优化方法400，以得到在图像中定位待标注文本的标注检测框。用于对定位待标注文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成。

在示例中，对于大规模的无标注数据，首先可以使用预训练的文本检测模型来为这些无标注数据进行预测，以得到初步的预标注检测框。同时，可以使用前述文本检测模型优化方法来对这些预标注框进行优化。

在步骤S506，将标注检测框确定为标注文本的数据标注结果。

因此，根据本公开实施例的数据标注方法500，能够实现半自动或全自动数据标注，由此便利于提高数据标注的效率和伪标签的质量。传统的数据标注过程非常耗时、人力资源密集且昂贵。相比而言，在本公开的实施例中，数据标注人员仅需要检查和修改预测的文本检测框，由此能够大幅提升标注效率，并生成更准确可靠的标签。进而，还可以促使构建大规模的标注数据集，减少标注成本，并为模型训练提供更多样化和丰富的数据，从而提高文本检测模型的性能和泛化能力。

根据本公开的实施例，还提供了一种文本检测装置。

图6示出了根据本公开一个实施例的文本检测装置600的结构框图。

如图6所示，文本检测装置600包括特征获取模块602a、提示编码器模块602b、编码器模块604、查询选择模块606、解码器模块608。

特征获取模块602a被配置为获取包含文本的图像的图像特征。

提示编码器模块602b被配置为获取用于对定位文本进行提示的提示信息特征。

编码器模块604被配置为对图像特征进行编码操作，以得到经编码的图像特征。

查询选择模块606被配置为基于经编码的图像特征与提示信息特征之间的相关性，确定用于解码操作的锚定框，锚定框用于在解码操作中提供与文本的位置相关的位置参考信息。

解码器模块608被配置为基于经编码的图像特征与提示信息特征之间的相关性，确定用于解码操作的锚定框，锚定框用于在解码操作中提供与文本的位置相关的位置参考信息。

特征获取模块602a和提示编码器模块602b的操作一起可以对应于结合图2所示的步骤S202，也可以分别对应于结合图3所示的步骤S302a和S302b。编码器模块604、查询选择模块606、解码器模块608的操作可以分别对应于结合图2所示的步骤S204、S206、S208，也可以分别对应于结合图3所示的步骤S304、S306、S308。因此，这里不再赘述其各个方面的细节。

图7示出了根据本公开另一个实施例的文本检测装置700的结构框图。

如图7所示，文本检测装置700包括特征获取模块702a、提示编码器模块702b、编码器模块704、查询选择模块706、解码器模块708。

特征获取模块702a、提示编码器模块702b、编码器模块704、查询选择模块706、解码器模块708的操作可以与结合图6所示的特征获取模块602a、提示编码器模块602b、编码器模块604、查询选择模块606、解码器模块608的操作相同。

在一些实施例中，查询选择模块706可以包括：相似度计算模块706a，被配置为计算经编码的图像特征与提示信息特征之间的相似度；排序模块706b，被配置为按照相似度的大小，对经由编码操作输出的候选锚定框进行排序；以及筛选模块706c，被配置为选取候选锚定框中相似度的大小满足预定条件的候选锚定框以用于解码操作。

在一些实施例中，提示信息特征可以指示文本的检测框的坐标和/或文本的内容。

在一些实施例中，提示编码器模块702b可以包括：坐标归一化模块702b-1，被配置为将坐标相对于图像进行归一化，以得到归一化的坐标；位置编码模块702b-2，被配置为获取坐标对应的绝对位置编码信息；以及第一提示信息生成模块702b-3，被配置为将归一化的坐标与绝对位置编码信息相加，以生成提示信息特征。

在一些实施例中，坐标可以包括下列至少一者：检测框的中心点的坐标、检测框内的多个点对应的坐标、检测框的多个角点对应的坐标。

在一些实施例中，检测框可以包括多边形。

在一些实施例中，提示编码器模块702b可以包括：第二提示信息生成模块702b-4，被配置为经由CLIP模型的文本分支对文本的内容进行编码，以生成提示信息特征。

在一些实施例中，解码操作可以基于自注意机制和交叉注意力机制二者，在自注意机制中，经编码的图像特征或提示信息特征可以被用作查询向量、键向量和值向量，在交叉注意力机制中，提示信息特征可以被用作查询向量，并且经编码的图像特征可以被用作键向量和值向量。

在一些实施例中，检测框可以对应于不同的文本粒度，每种文本粒度的检测框具有相应的置信度。

在一些实施例中，文本粒度可以包括完整文本行、紧凑文本行或键值文本对。

在一些实施例中，文本检测可以基于DINO-SwinL大模型执行。

在一些实施例中，DINO-SwinL大模型可以基于StrucText2.0被预训练。

根据本公开的实施例，还提供了一种文本检测模型优化装置。

图8示出了根据本公开实施例的文本检测模型优化装置800的结构框图。

如图8所示，文本检测模型优化装置800包括文本检测装置802、差异确定模块804、循环执行模块806a和循环停止模块806b。文本检测装置802由结合图6所示的文本检测装置600或结合图7所示的文本检测装置700实施。

文本检测装置802被配置为在当前的循环迭代中，基于当前的文本检测模型，得到在图像中定位文本的当前预测检测框，其中，用于对定位文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成。

差异确定模块804被配置为确定当前预测检测框与前次预测检测框之间的差异。

循环执行模块806a被配置为响应于确定当前预测检测框与前次预测检测框之间的差异大于或等于预定阈值，对当前的文本检测模型进行优化，并执行下一次迭代循环。

循环停止模块806b被配置为响应于确定当前预测检测框与前次预测检测框之间的差异小于预定阈值，停止执行下一次迭代循环，并将当前的文本检测模型作为优化后的文本检测模型。

文本检测装置802、差异确定模块804、循环执行模块806a和循环停止模块806b的操作可以分别对应于结合图4所示的步骤S402、S404、S406a和S406b。因此，这里不再赘述其各个方面的细节。

在一些实施例中，文本检测模型优化装置800还可以包括初步预测模块，被配置为响应于所述当前的循环迭代为第一次循环迭代，在执行所述当前的循环迭代之前，将图像输入文本检测模型以得到文本的初步预测检测框，其中，在当前的循环迭代中，使用初步预测检测框作为前次预测检测框。

根据本公开的实施例，还提供了一种用于文本检测的数据标注装置。

图9示出了根据本公开实施例的用于文本检测的数据标注装置900的结构框图。

如图9所示，数据标注装置900包括图像获取模块902、标注执行模块904和标注确定模块906。

图像获取模块902被配置为获取包含待标注文本的图像。

标注执行模块904被配置为执行半自动数据标注过程或全自动数据标注过程。

在半自动数据标注过程中，利用结合图6所示的文本检测装置600或结合图7所示的文本检测装置700得到在图像中定位待标注文本的标注检测框，其中，用于对定位待标注文本进行提示的提示信息特征基于人工的指定而生成。

在全自动数据标注过程中，利用结合图8所示的文本检测模型优化装置800得到在图像中定位待标注文本的标注检测框，其中，用于对定位待标注文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成。

标注确定模块906被配置为将标注检测框确定为标注文本的数据标注结果。

图像获取模块902、标注执行模块904和标注确定模块906的操作可以分别对应于结合图5所示的步骤S502、S504和S506。因此，这里不再赘述其各个方面的细节。

根据本公开的实施例，还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，存储器存储有能够被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如上所述的方法。

根据本公开的实施例，还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如上所述的方法。

根据本公开的实施例，还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如上所述的方法。

参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000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10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备，输入单元1006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1007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1008可以包括但不限于磁盘、光盘。通信单元1009允许电子设备1000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1001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1001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1001执行上文所描述的各个方法和处理。例如，在一些实施例中，该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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM1003并由计算单元1001执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上文描述的方法。

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。

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。

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 (33)

1.一种文本检测方法，包括：

获取包含文本的图像的图像特征，以及用于对定位所述文本进行提示的提示信息特征；

对所述图像特征进行编码操作，以得到经编码的图像特征；

基于所述经编码的图像特征与所述提示信息特征之间的相关性，确定用于解码操作的锚定框，所述锚定框用于在所述解码操作中提供与所述文本的位置相关的位置参考信息；以及

基于所述经编码的图像特征与所述提示信息特征之间的注意力交互，以及所述锚定框提供的所述位置参考信息，执行所述解码操作以得到在所述图像中定位所述文本的检测框。

2.根据权利要求1所述的方法，其中，所述基于所述经编码的图像特征与所述提示信息特征之间的相关性，确定用于解码操作的锚定框，包括：

计算所述经编码的图像特征与所述提示信息特征之间的相似度；

按照所述相似度的大小，对经由所述编码操作输出的候选锚定框进行排序；以及

选取所述候选锚定框中所述相似度的大小满足预定条件的候选锚定框以用于所述解码操作。

3.根据权利要求1或2所述的方法，其中，所述提示信息特征指示所述文本的所述检测框的坐标和/或所述文本的内容。

4.根据权利要求3所述的方法，其中，所述获取用于对所述文本的检测进行提示的提示信息特征，包括：

将所述坐标相对于所述图像进行归一化，以得到归一化的坐标；

获取所述坐标对应的绝对位置编码信息；以及

将所述归一化的坐标与所述绝对位置编码信息相加，以生成所述提示信息特征。

5.根据权利要求3或4所述的方法，其中，所述坐标包括下列至少一者：所述检测框的中心点的坐标、所述检测框内的多个点对应的坐标、所述检测框的多个角点对应的坐标。

6.根据权利要求5所述的方法，其中，所述检测框包括多边形。

7.根据权利要求3所述的方法，其中，所述获取用于对所述文本的检测进行提示的提示信息特征，包括：

经由对比语言-图像预训练CLIP模型的文本分支对所述文本的内容进行编码，以生成所述提示信息特征。

8.根据权利要求1至7中任一项所述的方法，其中，所述解码操作基于自注意机制和交叉注意力机制二者，

在所述自注意机制中，所述经编码的图像特征或所述提示信息特征被用作查询向量、键向量和值向量，

在所述交叉注意力机制中，所述提示信息特征被用作所述查询向量，并且所述经编码的图像特征被用作所述键向量和所述值向量。

9.根据权利要求1至8中任一项所述的方法，其中，所述检测框对应于不同的文本粒度，每种文本粒度的所述检测框具有相应的置信度。

10.根据权利要求9所述的方法，其中，所述文本粒度包括完整文本行、紧凑文本行或键值文本对。

11.根据权利要求1至10中任一项所述的方法，其中，所述文本检测基于无监督自蒸馏-滑动窗口转换器DINO-SwinL大模型执行。

12.根据权利要求11所述的方法，其中，所述DINO-SwinL大模型基于结构化文本StrucText2.0方法被预训练。

13.一种文本检测模型优化方法，包括：

在当前的循环迭代中，基于当前的文本检测模型，执行根据权利要求1至12中任一项所述的文本检测方法，以得到在图像中定位文本的当前预测检测框，其中，用于对定位所述文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成；

确定所述当前预测检测框与所述前次预测检测框之间的差异；

响应于确定所述当前预测检测框与所述前次预测检测框之间的差异大于或等于预定阈值，对所述当前的文本检测模型进行优化，并执行下一次迭代循环；以及

响应于确定所述当前预测检测框与所述前次预测检测框之间的差异小于所述预定阈值，停止执行下一次迭代循环，并将所述当前的文本检测模型作为优化后的文本检测模型。

14.根据权利要求13所述的方法，还包括：响应于所述当前的循环迭代为第一次循环迭代，在执行所述当前的循环迭代之前，将所述图像输入所述文本检测模型以得到所述文本的初步预测检测框，

其中，在所述当前的循环迭代中，使用所述初步预测检测框作为所述前次预测检测框。

15.一种用于文本检测的数据标注方法，包括：

获取包含待标注文本的图像；

执行半自动数据标注过程或全自动数据标注过程，其中，

在所述半自动数据标注过程中，执行根据权利要求1至12中任一项所述的文本检测方法，以得到在所述图像中定位所述待标注文本的标注检测框，其中，用于对定位所述待标注文本进行提示的提示信息特征基于人工的指定而生成；

在所述全自动数据标注过程中，执行根据权利要求13或14所述的文本检测模型优化方法，以得到在所述图像中定位所述待标注文本的标注检测框，其中，用于对定位所述待标注文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成；以及

将所述标注检测框确定为所述标注文本的数据标注结果。

16.一种文本检测装置，包括：

特征获取模块，被配置为获取包含文本的图像的图像特征；

提示编码器模块，被配置为获取用于对定位所述文本进行提示的提示信息特征；

编码器模块，被配置为对所述图像特征进行编码操作，以得到经编码的图像特征；

查询选择模块，被配置为基于所述经编码的图像特征与所述提示信息特征之间的相关性，确定用于解码操作的锚定框，所述锚定框用于在所述解码操作中提供与所述文本的位置相关的位置参考信息；以及

解码器模块，被配置为基于所述经编码的图像特征与所述提示信息特征之间的注意力交互，以及所述锚定框提供的所述位置参考信息，执行所述解码操作以得到在所述图像中定位所述文本的检测框。

17.根据权利要求16所述的装置，其中，所述查询选择模块包括：

相似度计算模块，被配置为计算所述经编码的图像特征与所述提示信息特征之间的相似度；

排序模块，被配置为按照所述相似度的大小，对经由所述编码操作输出的候选锚定框进行排序；以及

筛选模块，被配置为选取所述候选锚定框中所述相似度的大小满足预定条件的候选锚定框以用于所述解码操作。

18.根据权利要求16或17所述的装置，其中，所述提示信息特征指示所述文本的所述检测框的坐标和/或所述文本的内容。

19.根据权利要求18所述的装置，其中，所述提示编码器模块包括：

坐标归一化模块，被配置为将所述坐标相对于所述图像进行归一化，以得到归一化的坐标；

位置编码模块，被配置为获取所述坐标对应的绝对位置编码信息；以及

第一提示信息生成模块，被配置为将所述归一化的坐标与所述绝对位置编码信息相加，以生成所述提示信息特征。

20.根据权利要求18或19所述的装置，其中，所述坐标包括下列至少一者：所述检测框的中心点的坐标、所述检测框内的多个点对应的坐标、所述检测框的多个角点对应的坐标。

21.根据权利要求20所述的装置，其中，所述检测框包括多边形。

22.根据权利要求18所述的装置，其中，所述提示编码器模块包括：

第二提示信息生成模块，被配置为经由对比语言-图像预训练CLIP模型的文本分支对所述文本的内容进行编码，以生成所述提示信息特征。

23.根据权利要求16至22中任一项所述的装置，其中，所述解码操作基于自注意机制和交叉注意力机制二者，

在所述自注意机制中，所述经编码的图像特征或所述提示信息特征被用作查询向量、键向量和值向量，

在所述交叉注意力机制中，所述提示信息特征被用作所述查询向量，并且所述经编码的图像特征被用作所述键向量和所述值向量。

24.根据权利要求16至23中任一项所述的装置，其中，所述检测框对应于不同的文本粒度，每种文本粒度的所述检测框具有相应的置信度。

25.根据权利要求24所述的装置，其中，所述文本粒度包括完整文本行、紧凑文本行或键值文本对。

26.根据权利要求16至25中任一项所述的装置，其中，所述文本检测基于无监督自蒸馏-滑动窗口转换器DINO-SwinL大模型执行。

27.根据权利要求26所述的装置，其中，所述DINO-SwinL大模型基于结构化文本StrucText2.0方法被预训练。

28.一种文本检测模型优化装置，包括：

根据权利要求16至27中任一项所述的文本检测装置，被配置为在当前的循环迭代中，基于当前的文本检测模型，得到在图像中定位文本的当前预测检测框，其中，用于对定位所述文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成；

差异确定模块，被配置为确定所述当前预测检测框与所述前次预测检测框之间的差异；

循环执行模块，被配置为响应于确定所述当前预测检测框与所述前次预测检测框之间的差异大于或等于预定阈值，对所述当前的文本检测模型进行优化，并执行下一次迭代循环；以及

循环停止模块，被配置为响应于确定所述当前预测检测框与所述前次预测检测框之间的差异小于所述预定阈值，停止执行下一次迭代循环，并将所述当前的文本检测模型作为优化后的文本检测模型。

29.根据权利要求28所述的装置，还包括：

初步预测模块，被配置为响应于所述当前的循环迭代为第一次循环迭代，在执行所述当前的循环迭代之前，将所述图像输入所述文本检测模型以得到所述文本的初步预测检测框，

其中，在所述当前的循环迭代中，使用所述初步预测检测框作为所述前次预测检测框。

30.一种用于文本检测的数据标注装置，包括：

图像获取模块，被配置为获取包含待标注文本的图像；

标注执行模块，被配置为执行半自动数据标注过程或全自动数据标注过程，其中，

在所述半自动数据标注过程中，利用根据权利要求16至27中任一项所述的文本检测装置得到在所述图像中定位所述待标注文本的标注检测框，其中，用于对定位所述待标注文本进行提示的提示信息特征基于人工的指定而生成；

在所述全自动数据标注过程中，利用根据权利要求28或29所述的文本检测模型优化装置得到在所述图像中定位所述待标注文本的标注检测框，其中，用于对定位所述待标注文本进行提示的提示信息特征基于前一次循环迭代得到的前次预测检测框生成；以及

标注确定模块，被配置为将所述标注检测框确定为所述标注文本的数据标注结果。

31.一种电子设备，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1-15中任一项所述的方法。

32.一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1-15中任一项所述的方法。

33.一种计算机程序产品，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1-15中任一项所述的方法。