KR20230008672A

KR20230008672A - 텍스트 인식 방법, 장치, 기기 및 저장 매체

Info

Publication number: KR20230008672A
Application number: KR1020220187280A
Authority: KR
Inventors: 펑유안 류; 리앙 우; 샨샨 리우; 메이나 치아오; 청추안 창; 쿤 야오; 준유 한
Original assignee: 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Priority date: 2022-01-06
Filing date: 2022-12-28
Publication date: 2023-01-16
Also published as: US20230206667A1; CN114359903A; JP2023037640A; CN114359903B

Abstract

본 발명은 텍스트 인식 방법, 장치, 기기 및 저장 매체를 제공하고, 인공지능 기술 분야에 관한 것으로, 구체적으로 딥러닝, 컴퓨터 비전 기술 분야에 관한 것이고, OCR 등 장면에 응용될 수 있다. 구체적인 구현 수단은, 인식할 텍스트 이미지의 제1 특징맵을 획득하는 단계; 각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 단계―타겟 특징 유닛은, 제1 특징맵에서 특징 증강 방향을 따른 특징 유닛임―; 및 증강 처리된 제1 특징맵을 기반으로, 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하는 단계; 를 포함한다. 본 발명의 실시예에서 제공되는 텍스트 인식 수단을 응용하여, 텍스트 인식을 구현할 수 있다.

Description

텍스트 인식 방법, 장치, 기기 및 저장 매체{METHOD AND APPARATUS FOR RECOGNIZING TEXT, DEVICE AND STORAGE MEDIUM}

본 발명은 인공지능 기술 분야에 관한 것으로, 구체적으로 딥러닝, 컴퓨터 비전 기술 분야에 관한 것이고, OCR(Optical Character Recognition, 광학적 문자 인식) 등 장면에 응용될 수 있다.

교육, 의료 및 금융 등 여려 분야에 관한 이미지에 텍스트가 존재하고, 상기 이미지를 기반으로 정확한 정보 처리를 하기 위해, 상기 이미지에 대해 텍스트 인식을 하고, 텍스트 인식 결과를 기반으로 정보 처리를 해야 한다.

본 발명은 텍스트 인식 방법, 장치, 기기 및 저장 매체를 제공한다.

본 발명의 일 측면에 따르면, 텍스트 인식 방법을 제공하고, 상기 방법은,

인식할 텍스트 이미지의 제1 특징맵을 획득하는 단계;

각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 단계―상기 타겟 특징 유닛은 상기 제1 특징맵에서 특징 증강 방향을 따른 특징 유닛임―; 및

증강 처리된 제1 특징맵을 기반으로, 상기 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하는 단계; 를 포함한다.

본 발명의 다른 측면에 따르면, 텍스트 인식 장치를 제공하고, 상기 장치는,

인식할 텍스트 이미지의 제1 특징맵을 획득하는 특징맵 획득 모듈;

각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 특징 증강 모듈―상기 타겟 특징 유닛은 상기 제1 특징맵에서 특징 증강 방향을 따른 특징 유닛임―; 및

증강 처리된 제1 특징맵을 기반으로, 상기 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하는 텍스트 인식 모듈; 을 포함한다.

본 발명의 다른 측면에 따르면, 전자 기기를 제공하고, 상기 전자 기기는,

적어도 하나의 프로세서; 및

상기 적어도 하나의 프로세서에 통신 가능하게 연결되는 메모리; 를 포함하고,

상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 상기 텍스트 인식 방법을 수행한다.

본 발명의 다른 측면에 따르면, 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체를 제공하고, 상기 컴퓨터 명령은 컴퓨터가 상기 텍스트 인식 방법을 수행하도록 한다.

본 발명의 다른 측면에 따르면, 비일시적 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 제공하고, 상기 컴퓨터 프로그램이 프로세서에 의해 수행될 경우 상기 텍스트 인식 방법이 구현된다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 수행할 경우, 인식할 텍스트 이미지의 제1 특징맵을 획득한 후, 각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하고, 증강 처리된 제1 특징맵을 기반으로, 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하므로, 인식할 텍스트 이미지에 대한 텍스트 인식을 구현한다.

이해해야 할 것은, 본 발명의 내용 부분에서 설명하는 내용은 본 발명의 실시예의 관건 또는 중요한 특징을 식별하기 위한 것이 아니고, 본 발명의 범위를 한정하기 위한 것도 아니다. 본 발명의 기타 특징은 이하의 명세서를 통해 용이하게 이해된다.

도면은 본 기술적 수단을 더 잘 이해하는데 사용되고, 본 발명을 한정하려는 것은 아니다.
도1a는 본 발명의 실시예에 따른 첫번째 텍스트 인식 방법의 개략적인 흐름도이다.
도1b는 본 발명의 실시예에 따른 첫번째 곡선 텍스트 이미지의 개략도이다.
도1c는 본 발명의 실시예에 따른 두번째 곡선 텍스트 이미지의 개략도이다.
도2a는 본 발명의 실시예에 따른 두번째 텍스트 인식 방법의 개략적인 흐름도이다.
도2b는 본 발명의 실시예에 따른 특징 증강 프로세스의 흐름 블록도이다.
도3은 본 발명의 실시예에 따른 세번째 텍스트 인식 방법의 개략적인 흐름도이다.
도4는 본 발명의 실시예에 따른 네번째 텍스트 인식 방법의 개략적인 흐름도이다.
도5는 본 발명의 실시예에 따른 다섯번째 텍스트 인식 방법의 개략적인 흐름도이다.
도6은 본 발명의 실시예에 따른 첫번째 텍스트 인식 장치의 개략적인 구조도이다.
도7은 본 발명의 실시예에 따른 두번째 텍스트 인식 장치의 개략적인 구조도이다.
도8은 본 발명의 실시예에 따른 세번째 텍스트 인식 장치의 개략적인 구조도이다.
도9는 본 발명의 실시예의 텍스트 인식 방법을 구현하는 전자 기기의 블록도이다.

이하, 도면과 결합하여 본 발명의 예시적인 실시예를 설명한다. 여기에는 이해를 돕기 위해 본 발명의 실시예의 다양한 세부 사항을 포함하고, 실시예들은 단지 예시적인 것으로 간주되어야 한다. 때문에 본 발명에 속하는 기술 분야의 통상의 기술자는 본 발명의 범위 및 사상을 벗어나지 않고 실시예에 여러가지 변경과 수정을 할 수 있다는 것을 인식해야 한다. 동시에 정확성과 간결성을 위해 하기의 설명에서 공지 기능과 구조에 대한 설명은 생략한다.

도1a를 참조하면, 도1a는 본 발명의 실시예에 따른 첫번째 텍스트 인식 방법의 개략적인 흐름도이고, 상기 방법은 단계 S101 내지 S103을 포함한다.

단계 S101에서, 인식할 텍스트 이미지의 제1 특징맵을 획득한다.

상기 인식할 텍스트 이미지는 텍스트를 포함하는 이미지이고, 여기서, 인식할 텍스트 이미지에 포함된 텍스트는 곡선 텍스트일 수 있고, 만곡되지 않은 텍스트일 수도 있다. 상기 곡선 텍스트에서 텍스트는 곡선에 따라 정렬된다.

예를 들면, 도1b는 곡선 텍스트의 이미지 개략도이고, 도1b에 도시된 이미지에서, 이미지의 텍스트는 픽셀의 행 방향에서 만곡된다. 즉, 모든 텍스트가 같은 픽셀 행에 위치하지 않는다.

또 예를 들면, 도1c는 다른 곡선 텍스트의 이미지 개략도이고, 도1c에 도시된 이미지에서, 이미지의 텍스트는 픽셀의 열 방향에서 만곡된다. 즉, 모든 텍스트가 같은 픽셀 열에 위치하지 않는다.

상기 제1 특징맵은 인식할 텍스트 이미지의 복수 차원의 특징값을 포함하는 이미지이다. 제1 특징맵의 차원은 구체적인 장면에 의해 결정된다.

예를 들면, 상기 제1 특징맵은 2차원의 특징맵일 수 있고, 당해 상황에서, 2개의 차원은 각각 너비 차원 및 높이 차원일 수 있다.

또 예를 들면, 상기 제1 특징맵은 3차원의 특징맵일 수 있고, 당해 상황에서, 3개의 차원은 각각 너비 차원, 높이 차원 및 깊이 차원일 수 있고, 여기서, 깊이 차원의 크기는 인식할 텍스트 이미지의 채널수에 의해 결정될 수 있다. 예를 들면, 인식할 텍스트 이미지가 RGB포맷의 이미지일 경우, 인식할 텍스트 이미지는 3개의 채널을 구비하고, 각각 R채널, G채널 및 B채널이고, 깊이 차원의 크기는 3이고, 깊이 차원에서 인식할 텍스트 이미지의 값은 각각 1, 2, 3이다. 당해 상황에서, 제1 특징맵에 3장의 2차원 특징맵이 포함되고, 각 2차원 특징맵에 대응되는 차원은, 너비 차원 및 높이 차원인 것으로 간주할 수 있다.

상기에 설명된 바와 같이, 제1 특징맵은 2차원 특징맵일 수 있고, 복수의 2차원 특징맵을 포함하는 다차원 특징맵일 수도 있다.

구체적으로, 아래의 두 가지 방식으로 제1 특징맵을 획득할 수 있다.

일 구현 방식에서, 인식할 텍스트 이미지를 먼저 획득한 후, 인식할 텍스트 이미지에 대해 특징 추출을 수행하여, 상기 제1 특징맵을 획득할 수 있다.

다른 구현 방식에서, 먼저 특징 추출 기능을 구비한 기타 기기를 통해 인식할 텍스트 이미지에 대해 특징 추출을 수행한 후, 상기 기기가 인식할 텍스트 이미지에 대해 특징 추출을 수행하여 획득된 특징맵을 제1 특징맵으로 사용할 수 있다.

인식할 텍스트 이미지에 대한 특징 추출은 종래 기술의 특징 추출 네트워크 모델 또는 특징 추출 알고리즘을 기반으로 구현될 수 있다. 예를 들면, 상기 특징 추출 네트워크 모델은 컨볼루션 신경망의 vgg 네트워크 모델, renset 네트워크 모델, 및 mobilenet 네트워크 모델 등과 같은 컨볼루션 신경망 모델일 수 있다. 상기 특징 추출 모델은 FPN(Feature Pyramid Networks, 특징 피라미드 네트워크), PAN(Pixel Aggregation Network, 픽셀 집합 네트워크) 등 네트워크 모델일 수도 있고, 상기 특징 추출 알고리즘은 deformconv, se, dilationconv, inception 등 연산자일 수 있다.

단계 S102에서, 각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행한다.

이미지 특징은 이미지에서 수용야가 존재하고, 상기 수용야는 이미지 특징의 내원으로 이해할 수 있고, 상기 수용야는 이미지의 일부 영역일 수 있고, 이미지 특징은 당해 일부 영역에 대해 특징성을 구비하고, 상이한 이미지 특징의 수용야는 상이할 수 있고, 이미지 특징의 수용야가 변화될 경우, 당해 이미지 특징도 변화된다. 상기 제1 특징맵에서 각 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행함으로써, 제1 특징맵에서 각 특징값의 수용야를 획대시켜, 상기 인식할 텍스트 이미지에 대한 제1 특징맵의 특징성을 향상시킬 수 있다.

상기 타겟 특징 유닛은, 제1 특징맵에서 특징 증강 방향을 따른 특징 유닛이다.

상기 특징 유닛은 1차원 특징 데이터이고, 당해 1차원 특징 데이터에 포함된 특징값의 수량은 제1 특징맵의 특징 증강 방향에 대응되는 차원의 크기와 같다.

상기 특징 증강 방향은 제1 특징맵의 픽셀 행 방향일 수 있고, 당해 방향에 대응되는 차원은 너비 차원이고; 상기 특징 증강 방향은 제1 특징맵의 픽셀 열 방향일 수도 있고, 당해 방향에 대응되는 차원은 높이 차원이다.

구체적으로, 상이한 방식을 통해 특징 증강 방향을 결정할 수 있다.

일 구현 방식에서, 특징 증강 방향을 인위적으로 미리 설정할 수 있다.

다른 구현 방식에서, 인식할 텍스트 이미지의 텍스트 정렬 방향을 검출함으로, 검출된 정렬 방향과 상이한 방향을 특징 증강 방향으로 결정할 수 있다.

예를 들면, 인식할 텍스트 이미지의 텍스트 정렬 방향이 픽셀 행 방향일 경우, 픽셀 행 방향과 상이한 방향, 즉, 픽셀 열 방향을, 특징 증강 방향으로 할 수 있다.

상기 특징 증강 방향이 다르면, 타겟 특징 유닛은 다르다. 구체적으로 후속 실시예에서 설명하고, 여기서 상세히 설명하지 않는다.

본 단계에서, 각 타겟 특징 유닛의 각 특징값에 대해 특징 증강을 수행할 경우, 당해 타겟 특징 유닛의 각 특징값을 모두 감안한다.

1개의 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 구체적인 구현 방식은, 후속 도2a에 도시된 실시예의 단계 S202 내지 S204 및 도4에 도시된 실시예의 단계 S402의 설명을 참조할 수 있으나, 여기서 설명하지 않는다.

단계 S103에서, 증강 처리된 제1 특징맵을 기반으로, 인식할 텍스트 이미지에 대해 텍스트 인식을 수행한다.

일 구현 방식에서, 증강 처리된 제1 특징맵을 획득한 후, 당해 특징맵을 기반으로 인식할 텍스트 이미지의 텍스트 박스를 예측하고, 텍스트 박스의 콘테츠에 대해 텍스트 인식을 수행하여, 인식할 텍스트 이미지에 포함된 텍스트를 획득할 수 있다.

구체적으로, 종래의 각 종 디코더 기술을 통해 텍스트 인식을 구현할 수 있고, 여기서 더는 상세히 설명하지 않는다.

또한, 종래의 텍스트 인식 수단에서 통상적으로 이미지의 특징을 기반으로 텍스트 인식을 하고, 본 발명의 실시예에서 제공되는 텍스트 인식 수단에서, 특징 증강 처리를 통해 특징성이 더 강한 이미지 특징을 획득할 수 있으므로, 본 발명의 실시예서 제공되는 텍스트 인식 수단은, 종래의 텍스트 인식 수단의 기반에서, 상기 특징 증강 처리 단계 후 획득된 텍스트 인식 수단을 도입한 것일 수 있어, 텍스트 인식의 정확성을 향상시킨다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 수행할 경우, 인식할 텍스트 이미지의 제1 특징맵을 획득한 후, 각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하고, 증강 처리된 제1 특징맵을 기반으로, 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하므로, 인식할 텍스트 이미지에 대한 텍스트 인식을 구현할 수 있다.

또한, 본 발명의 실시예에서 제공되는 수단에서 특징 증강 처리하는 대상이 제1 특징맵 전체도가 아니라 각 타겟 특징 유닛의 각 특징값이므로, 특징 증강 프로세스는 특징 증강 방향에서의 특징만 감안하면 되고, 인식할 텍스트 이미지의 텍스트에 포함된 문자 부호 사이의 상대 위치를 감안하지 않다도 된다. 따라서, 본 발명의 실시예에서 제공되는 수단을 응용함으로 규칙적으로 정렬된 텍스트의 이미지를 정확히 인식할 수 있고, 곡선 텍스트의 이미지를 인식할 수도 있으므로, 텍스트 인식의 응용 범위를 확장시킬 수 있다.

아래는 특징 증강 방향의 두 가지 상황에 대해 타겟 특징 유닛을 설명한다.

첫 번째 상황: 특징 증강 방향이 제1 특징맵의 픽셀 열 방향일 경우, 타겟 특징 유닛은 제1 특징맵의 열 특징 유닛이다.

1개의 열 특징 유닛은 제1 특징 맵의 1개의 픽셀 열의 각 특징값을 포함한다. 상기 설명에서 알 수 있는 바, 제1 특징맵은 복수의 2차원 특징맵을 포함하는 다차원 특징맵일 수 있다. 당해 상황에서 1개의 열 특징 유닛과 제1 특징맵의 1개의 2차원 특징맵의 1개의 픽셀 열은 서로 대응되고, 당해 열 특징 유닛은 당해 2차원 특징맵에서의 당해 픽셀 열의 각 특징값을 포함한다.

상기 도1b에 도시된 이미지에 있어서, 당해 텍스트는 픽셀 행 방향에서 만곡되고, 당해 유형의 이미지는 픽셀 열 방향에서의 특징이 특징성을 더 구비한다. 그러나 상기 상황에서, 제1 특징맵에 대해 특징 증강을 수행할 경우, 열 특징 유닛을 단위로 특징 증강을 수행하므로, 제1 특징맵에서 픽셀 열 방향의 특징값이 증강되도록 한다. 따라서, 상기 상황에 따라 제1 특징맵에 대해 특징 증강을 수행한 후, 도1b와 유사한 픽셀 행 방향에서 만곡된 텍스트가 나타난 이미지에 대해 텍스트 인식을 할 경우, 텍스트 인식의 정확성을 향상시킬 수 있다.

두번째 상황: 특징 증강 방향이 제1 특징맵의 픽셀 행 방향일 경우, 타겟 특징 유닛은 제1 특징맵의 행 특징 유닛이다.

상기 열 특징 유닛과 유사하게, 1개의 행 특징 유닛은 제1 특징 맵의 1개의 픽셀 행의 각 특징값을 포함한다. 상기 설명에서 알 수 있는 바, 제1 특징맵은 복수의 2차원 특징맵을 포함하는 다차원 특징맵일 수 있다. 당해 상황에서 1개의 행 특징 유닛과 제1 특징맵의 1개의 2차원 특징맵의 1개의 픽셀 행은 서로 대응되고, 당해 행 특징 유닛은 당해 2차원 특징맵에서의 당해 픽셀 행의 각 특징값을 포함한다.

상기 도1c에 도시된 이미지에 있어서, 당해 텍스트는 픽셀 열 방향에서 만곡되고, 당해 유형의 이미지는 픽셀 행 방향에서의 특징이 특징성을 더 구비한다. 그러나 상기 상황에서, 제1 특징맵에 대해 특징 증강을 수행할 경우, 행 특징 유닛을 단위로 특징 증강을 수행하므로, 제1 특징맵에서 픽셀 행 방향의 특징값이 증강되도록 한다. 따라서, 상기 상황에 따라 제1 특징맵에 대해 특징 증강을 수행한 후, 도1c와 유사한 픽셀 열 방향에서 만곡된 텍스트가 나타난 이미지에 대해 텍스트 인식을 수행할 경우, 텍스트 인식의 정확성을 향상시킬 수 있다.

아래는 도2a와 결합하여, 상기 단계 S102에서 각 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 구체적인 구현 방식에 대해 설명한다.

본 발명의 일 실시예에서, 도2a를 참조하면, 두번째 텍스트 인식 방법의 개략적인 흐름도를 제공하고, 본 실시예에서, 상기 텍스트 인식 방법은 단계 S201 내지 S204를 포함한다.

단계 S201에서, 인식할 텍스트 이미지의 제1 특징맵을 획득한다.

상기 단계 S201은 상기 단계 S101과 같으므로, 여기서 더는 설명하지 않는다.

단계 S202에서, 각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값의 특징 증강 계수를 계산한다.

일 상황에서, 상기 특징값의 특징 증강 계수는 인식할 텍스트 이미지에 대한 당해 특징값의 특징성 강도로 이해할 수 있고, 특징 증강 계수가 클 수록, 인식할 텍스트 이미지에 대한 당해 특징값의 특징성이 더 강하다는 것을 설명하고, 특징 증강 계수가 작을 수록, 인식할 텍스트 이미지에 대한 당해 특징값의 특징성이 더 약하다는 것을 설명한다.

타겟 특징 유닛의 각 특징값에 대해, 당해 특징값의 특징 증강 계수를 계산하는 데는 복수의 구현 방식이 존재할 수 있다.

첫 번째 구현 방식에서, 후속 도3에 도시된 실시예의 단계 S302 내지 S303을 통해 특징 증강 계수를 계산할 수 있으나, 여기서 상세히 설명하지 않는다.

두 번째 구현 방식에서, 타겟 특징 유닛의 각 특징값을 이용하여, 당해 특징값의 가중 계수를 계산하고, 당해 가중 계수를 당해 특징값의 특징 증강 계수로 할 수 있다. 여기서, 각 특징값의 가중 계수는 관련 타겟 특징 유닛에서 당해 특징값이 차지하는 비중을 반영한다.

예를 들면, 수치가 비교적 큰 특징값의 특징성이 비교적 강하므로, 관련 타겟 특징 유닛의 각 특징값의 합에서 당해 특징값이 차지하는 비율을 계산할 수 있고, 차지하는 비율이 높을 수록, 가중 계수는 더 크고, 차지하는 비율이 낮을 수록, 가중 계수는 더 작다. 이 외에, 기타 방식으로 당해 특징값의 가중 계수를 계산할 수 있으나, 본 발명의 실시예에서 이에 대해 한정하지 않는다.

세 번째 구현 방식에서, 상기 특징 증강 방향이 픽셀 열 방향일 경우, 열 어텐션 메커니즘을 기반으로, 타겟 특징 유닛의 각 특징값의 어텐션 계수를 계산하고, 당해 특징값의 특징 증강 계수로 할 수 있다.

상기 특징 증강 방향이 픽셀 행 방향일 경우, 행 어텐션 메커니즘을 기반으로, 타겟 특징 유닛의 각 특징값의 어텐션 계수를 계산하고, 당해 특징값의 특징 증강 계수로 할 수 있다.

전술한 세 가지 구현 방식 외에, 기타 방식을 통해 타겟 특징 유닛의 각 특징값의 특징 증강 계수를 계산할 수도 있으나, 여기서 더는 일일이 설명하지 않는다.

단계 S203에서, 각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 계수 벡터와 당해 타겟 특징 유닛의 특징 벡터에 대한 벡터 계산을 통해, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행한다.

여기서, 계수 벡터는, 당해 타겟 특징 유닛의 각 특징값의 가중 계수가 특징 증강 방향을 따라 구성된 벡터이고, 특징 벡터는, 당해 특징 유닛의 각 특징값이 특징 증강 방향을 따라 구성된 벡터이다.

구체적으로, 각 타겟 특징 유닛에 대해, 먼저 당해 타겟 특징 유닛의 계수 벡터 및 특징 벡터를 획득한 후, 획득된 계수 벡터 및 특징 벡터에 대해 벡터 연산을 수행하여, 당해 타겟 특징 유닛의 연산 결과를 획득한다. 계수 벡터 및 특징 벡터가 모두 특징 증강 방향을 따른 벡터이므로, 당해 2개의 벡터는 모두 1차원 행 벡터일 수 있고, 1차원 열 벡터일 수도 있다. 이를 기반으로, 일 상황에서, 상기 2개의 벡터에 대해 벡터 연산을 수행하는 것은 벡터의 요소에 대해 선형 가중 연산을 수행하는 것일 수 있고, 당해 상황에서, 획득된 연산 결과는 1개의 요소를 포함한다.

1개의 타겟 특징 유닛에 대해 상기 처리를 수행하는 경우 1개의 연산 결과를 획득할 수 있고, 모든 타겟 특징 유닛에 대해 상기 처리를 수행하는 경우 타겟 특징 유닛과 같은 수량의 연산 결과를 획득할 수 있다. 당해 같은 수량의 연산 결과는 1개의 특징 데이터를 구성하여, 특징 증강 처리 후의 제1 특징맵으로 사용할 수 있다.

상기 제1 특징맵이 2차원 특징맵일 경우, 상기 특징 데이터는 1차원 특징데이터이고, 당해 1차원 특징 데이터의 차원은 상기 제1 특징맵에서 특징 증강 방향에 대응되는 차원을 제외한 다른 차원과 서로 대응되고, 당해 1차원 특징 데이터의 크기는 제1 특징맵의 당해 다른 차원의 크기와 같다.

상기 제1 특징맵이 3차원 특징맵일 경우, 상기 특징 데이터는 2차원 특징 데이터이고, 당해 2차원 특징 데이터는 2개의 차원을 구비하고, 당해 2개의 차원은 각각 상기 제1 특징맵에서 특징 증강 방향에 대응되는 차원을 제외한 2개의 차원과 대응되고, 당해 2차원 특징 데이터의 2개의 차원의 크기는 각각 대응되는 제1 특징맵의 차원의 크기와 같다.

상기 타겟 특징 유닛의 특징 벡터를 획득할 경우, 특징 증강 방향을 따라, 타겟 특징 유닛의 각 특징값을 순차대로 결정할 수 있고, 특징값의 결정 순서에 따라, 각 특징값을 벡터의 해당 위치의 요소로 함으로써, 특징 벡터를 획득한다.

예를 들면, 타겟 특징 유닛에 p1, p2 및 p3과 같은 3개의 특징값이 포함되고, 특징 증강 방향을 따라, 당해 타겟 특징 유닛의 첫 번째 특징값을 p1로 결정하고, 두 번째 특징값을 p2로 결정하고, 세 번째 특징값을 p3으로 결정할 경우, p1을 벡터에서 제1 위치의 요소로 하고, p2를 벡터에서 제2 위치의 요소로 하고, p3을 벡터에서 제3 위치의 요소로 할 수 있으므로, p1, p2 및 p3으로 구성된 특징 벡터를 획득한다.

상기 계수 벡터를 획득하는 방식과 상기 특징 벡터를 획득하는 방식은 유사하므로, 타겟 특징 유닛의 각 특징값의 특징 증강 계수를 순차대로 결정할 수 있고, 특징 증강 계수의 결정 순서에 따라, 각각의 특징 증강 계수를 벡터에서 해당 위치의 요소로 하므로, 계수 벡터를 획득하다.

본 발명의 일 실시예에서, 특징 벡터 및 계수 벡터를 획득한 후, 특징 벡터 및 계수 벡터에 대해 스칼라곱 연산을 수행하므로, 스칼라곱 연산 결과를 획득한다.

예를 들면, 도2b는 특징 증강 프로세스의 흐름 블록도이고, 도2b에서, 맨 왼쪽에 일렬로 쌓아 둔 4개의 블록은 4개의 특징값을 포함하는 타겟 특징 유닛을 나타내고, 각 블록은 1개의 특징값에 대응되고, 열 어텐션 모듈은 열 어텐션 메커니즘을 기반으로 구축된 모듈이고, 타겟 특징 유닛의 각 특징값의 특징 증강 계수를 계산하는데 사용되고, 상기 타겟 특징 유닛을 열 어텐션 모듈로 입력한 후, 당해 타겟 특징 유닛의 당해 4개의 특징값의 특징 증강 계수를 획득하고, 당해 타겟 특징 유닛의 당해 4개의 특징값으로 구성된 특징 벡터와 당해 4개의 특징값의 특징 증강 계수로 구성된 계수 벡터에 대해 스칼라곱 연산을 수행하여, 연산 결과를 획득한다. 즉, 맨 오른쪽의 블록을 획득하고, 당해 연산 결과는 스칼라곱 연산을 수행한 후 획득된 1개의 특징값을 포함한다.

단계 S204에서, 증강 처리된 제1 특징맵을 기반으로, 인식할 텍스트 이미지에 대해 텍스트 인식을 수행한다.

상기 단계 S204는 상기 단계 S103과 같으므로, 여기서 더는 설명하지 않는다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 할 경우, 타겟 특징 유닛의 각 특징값의 특징 증강 계수에 대한 계산은, 타겟 특징 유닛의 각 특징값을 기반으로 계산 한 것이고, 당해 각 특징값의 특징 증강 계수를 계산할 경우 타겟 특징 유닛의 전체 정보를 감안하였으므로, 각 타겟 특징 유닛의 특징 벡터 및 계수 벡터에 대해 벡터 연산을 수행한 후, 각 타겟 특징 유닛의 특징값이 당해 타겟 특징 유닛의 전체 정보를 기반으로 증강되도록 함으로, 제1 특징맵의 특징값이 특징 증강 방향에서 증강되도록 하고, 증강 처리된 제1 특징맵을 기반으로 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하므로, 텍스트 인식의 정확성을 향상시킬 수 있다.

각 타겟 특징의 각 특징값의 특징 증강 계수를 계산할 경우, 상기 단계 S202에서 제공된 방식 이외에, 도3에 도시된 실시예의 단계 S302 내지 S303을 통해 특징 증강 처리를 구현할 수도 있다.

본 발명의 일 실시예에서, 도3을 참조하면, 세번째 텍스트 인식 방법의 개략적인 흐름도를 제공하고, 본 실시예에서, 상기 텍스트 인식 방법은 단계 S301 내지 S305를 포함하다.

단계 S301에서, 인식할 텍스트 이미지의 제1 특징맵을 획득한다.

상기 단계 S301는 상기 단계 S101과 같고, 여기서 더는 설명하지 않는다.

단계 S302에서, 각 타겟 특징 유닛에 대해, 미리 설정된 변환 계수에 따라, 미리 설정된 변환 관계에 의해, 당해 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 계산한다.

여기서, 상기 변환 계수는 인위적으로 미리 설정된 계수일 수 있다. 또한, 텍스트 인식은 텍스트 인식 네트워크 모델을 통해 구현될 수 있으므로, 상기 변환 계수는 훈련된 텍스트 인식 네트워크 모델의 모델 파라미터에 따라 계산하여 획득된 계수일 수도 있다.

상기 변환 관계는 인위적으로 규정된 특징값과 특징값의 초기 특징 증강 계수 사이의 관계일 수 있다.

본 발명의 일 실시예에서, 아래의 표현식에 따라 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 계산할 수 있다.

여기서, e는 초기 특징 증강 계수를 나타내고, h는 특징값을 나타내고,

은 제1 변환 파라미터를 나타내며,

는 제1 변환 파라미터의 전치 행렬을 나타내고,

는 제2 변환 파라미터를 나타내고, b는 제3 변환 파라미터를 나타낸다.

이리하여 상기 표현식을 통해 정확하고, 편리하게 특징값의 초기 특징 증강 계수를 계산할 수 있다.

물론, 기타 방식에 따라 당해 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 계산할 수도 있고, 여기서 더는 일일이 열거하지 않는다.

단계 S303에서, 각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 기반으로, 당해 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 업테이트하여, 각 특징값의 특징 증강 계수를 획득한다.

구체적으로, 1개의 타겟 특징 유닛은 복수의 특징값을 포함할 수 있고, 각 특징값에 대해, 모두 당해 특징값의 초기 특징 증강 계수를 계산해낼 수 있고, 당해 특징값의 초기 특징 증강 계수를 업데이트할 경우, 당해 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 기반으로, 당해 특징값의 초기 특징 증강 계수를 업데이트하여, 당해 특징값의 특징 증강 계수를 획득할 수 있다.

본 발명의 일 실시예에서, 아래의 표현식에 따라 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 업데이트하여, 당해 특징값의 특징 증강 계수를 획득할 수 있다.

여기서,

는 타겟 특징 유닛의 j 번째 특징값의 초기 특징 증강 계수를 나타내고,

는 타겟 특징 유닛의 j 번째 특징값의 특징 증강 계수를 나타내고, n은 타겟 특징 유닛의 특징값 수량을 나타낸다.

이리하여 상기 표현식을 통해 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 업데이트하므로, 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 정확하게 획득할 수 있다.

물론, 기타 방식에 따라 각 특징값의 특징 증강 계수를 업데이트할 수도 있고, 여기서 더는 일일이 열거하지 않는다.

단계 S304에서, 각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 계수 벡터와 당해 타겟 특징 유닛의 특징 벡터에 대한 벡터 계산을 통해, 당해 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행한다.

단계 S305에서, 증강 처리된 제1 특징맵을 기반으로, 인식할 텍스트 이미지에 대해 텍스트 인식을 수행한다.

상기 단계 S304는 상기 단계 S203과 같고, 상기 단계 S305는 단계 S103과 같고, 여기서 더는 설명하지 않는다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 할 경우, 먼저 미리 설정된 변환 계수 및 미리 설정된 변환 관계를 이용하여, 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 정확히 계산할 수 있고, 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 기반으로, 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 업데이트하므로, 각 특징값의 특징 증강 계수를 정확히 획득할 수 있고, 비교적 정확한 특징 증강 계수를 기반으로 제1 특징맵에 대해 특징 증강 처리를 수행하고, 증강 처리된 제1 특징맵을 기반으로 인식할 텍스트 이미지의 텍스트를 인식하므로, 텍스트 인식의 정확성을 향상시킬 수 있다.

각 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 할 경우, 상기 도2a에 도시된 실시예의 단계 S202 내지 S203에서 언급된 방식 이외에, 아래의 도4에 도시된 실시예의 단계 S402를 사용하여 특징 증강 처리를 구현할 수도 있다.

본 발명의 일 실시예에서, 도4를 참조하면, 네번째 텍스트 인식 방법의 개략적인 흐름도를 제공하고, 본 실시예에서, 상기 텍스트 인식 방법은 단계 S401 내지 S403을 포함한다.

단계 S401에서, 인식할 텍스트 이미지의 제1 특징맵을 획득한다.

상기 단계 S401은 상기 단계 S101과 같고, 여기서 더는 설명하지 않는다.

단계 S402에서, 각 타겟 특징 유닛에 대해, 글로벌 어텐션 메커니즘을 기반으로, 당해 타겟 특징 유닛의 각 특징값을 사용하여, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행한다.

본 실시예에서, 상기 글로벌 어텐션 메커니즘은 1개의 타겟 특징 유닛의 모든 특징값을 감안할 경우, 어텐션을 핵심 특징값에 집중하는 메커니즘이다. 구체적으로, 매번 글로벌 어텐션 메커니즘을 기반으로 특징값에 대해 특징 증강 처리를 수행하는 대상은1개의 타겟 특징 유닛이고, 글로벌 어텐션 메커니즘에서 감안하는 모든 데이터는 1개의 타겟 특징 유닛의 모든 특징값이다.

상기 핵심 특징값은, 이미지에 대한 특징성이 비교적 강한 특징값으로 이해할 수 있다.

상기 타겟 특징 유닛이 열 특징 유닛일 경우, 사용된 글로벌 어텐션 메커니즘을 열 어텐션 메커니즘으로 간주할 수 있고, 상기 타겟 특징 유닛이 행 특징 유닛일 경우, 사용된 글로벌 어텐션 메커니즘을 행 어텐션 메커니즘으로 간주할 수 있다.

글로벌 어텐션 메커니즘을 기반으로 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 데는 종래의 글로벌 어텐션 메커니즘 구현 방식을 통해 구현될 수 있고, 여기서 더는 설명하지 않는다.

단계 S403에서, 증강 처리된 제1 특징맵을 기반으로, 인식할 텍스트 이미지에 대해 텍스트 인식을 수행한다.

상기 단계 S403은 상기 단계 S103과 같고, 여기서 더는 설명하지 않는다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 용용하여 텍스트 인식을 할 경우, 글로벌 어텐션 메커니즘을 사용하는 대상은 각 타겟 특징 유닛이므로, 각 타겟 특징 유닛에 있어서, 당해 타겟 특징 유닛의 모든 특징값을 감안하는 상황에서, 어텐션을 핵심 특징값으로 집중할 수 있고, 나아가 특징 증강 프로세스에서 인식할 텍스트 이미지에 대한 특징성이 비교적 강한 특징값에 관심을 더 가지도록 할 수 있고, 또한 특징 증강 처리에 대한 특징성이 비교적 강한 특징값의 영향이 비교적 크므로, 글로벌 어텐션 메커니즘을 이용하여 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하므로, 특징 증강의 정확성을 향상시킬 수 있고, 나아가 특징 증강 처리 후 제1 특징맵의 특징성을 증강시키고, 특징성이 비교적 강한 특징맵을 기반으로 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하여, 텍스트 인식의 정확성을 향상시킬 수 있다.

인식할 텍스트 이미지의 제1 특징맵을 획득할 경우, 먼저 인식할 텍스트 이미지를 획득 한 후, 인식할 텍스트 이미지에 대해 특징 추출을 수행하여, 인식할 텍스트 이미지의 이미지 특징을 획득하고 제1 특징맵으로 사용할 수 있다. 구체적으로, 아래의 도5에 도시된 실시예의 단계 S501을 통해 인식할 텍스트 이미지의 제1 특징맵을 획득할 수 있다.

본 발명의 일 실시예에서, 도5를 참조하면, 다섯번째 텍스트 인식 방법의 개략적인 흐름도를 제공하고, 본 실시예에서, 상기 텍스트 인식 방법은 단계 S501 내지 S503을 포함한다.

단계 S501에서, 인식할 텍스트 이미지에 대해 특징 추출을 수행하여, 픽셀 행 수량이 미리 설정된 행 수이고, 픽셀 열 수량이 타겟 열 수인 제1 특징맵을 획득한다.

여기서, 미리 설정된 행 수는1보다 크다. 예를 들면, 상기 미리 설정된 행 수는 4, 5 또는 기타 인위적으로 미리 설정된 행 수일 수 있다. 상기 미리 설정된 행 수가 1보다 크므로, 제1 특징맵에서, 각 픽셀 열에 있어서, 복수의 픽셀 포인트를 포함한다. 즉, 복수의 특징값을 포함한다. 당해 기반에서, 제1 특징맵에서 각 픽셀 열에 대응되는 특징값은, 픽셀 행 방향에서 인식할 텍스트 이미지의 특징을 특징화할 경우, 복수의 특징값을 적용하여 특징화할 수 있어, 특징 특징화하는 데이터가 더 풍부하고, 특징성이 더 강하도록 한다.

타겟 열 수는 인식할 텍스트 이미지의 픽셀 열 수 및 미리 설정된 행 수에 따라 계산하여 획득된다.

예를 들면, 인식할 텍스트 이미지의 픽셀 열 수와 미리 설정된 행 수를 나누어, 획득된 결과를 상기 타겟 열 수로 할 수 있다.

구체적으로, 아래의 세 가지 구현 방식을 통해, 인식할 텍스트 이미지에 대해 특징 추출을 수행하여, 미리 설정된 행 수 및 타겟 열 수를 구비한 제1 특징맵을 획득할 수 있다.

첫번째 구현 방식에서, 특징 추출 네트워크 모델을 통해 이미지의 특징을 추출하려면 특징 추출 네트워크 모델에 대해 사전 훈련을 해야 한다. 특징 추출 네트워크 모델의 훈련 단계에서, 샘플 이미지 및 샘플 이미지의 샘플 특징맵을 사용하여 특징 추출 네트워크 모델을 훈련하고, 여기서, 샘플 특징맵의 픽셀 행 수량은 상기 미리 설정된 행 수이고, 샘플 특징맵의 픽셀 열 수량은 샘플 이미지의 픽셀 열 수 및 미리 설정된 행 수에 따라 계산된 열 수이다. 이리하여 특징 추출 네트워크 모델을 훈련한 후, 특징 추출 네트워크 모델은 이미지 크기와 특징맵 크기 사이의 변환 규칙을 학습할 수 있다. 상기 기반에서, 인식할 텍스트 이미지를 특징 추출 네트워크 모델로 입력한 후, 미리 설정된 행 수 및 타겟 열 수를 구비한 제1 특징맵을 출력할 수 있다.

두번째 구현 방식에서, 상기 인식할 텍스트 이미지를 획득한 후, 먼저 인식할 텍스트 이미지의 픽셀 열 수 및 미리 설정된 행 수에 따라 상기 타겟 열 수를 계산한다. 이리하여 타겟 열 수 및 미리 설정된 행 수가 결정될 경우, 제1 특징맵의 크기도 결정되고, 제1 특징맵의 크기에 따라 특징 추출할 이미지의 타겟 크기를 결정하고, 인식할 텍스트 이미지의 크기를 타겟 크기로 변환하여, 크기 변환된 인식할 텍스트 이미지에 대해 특징 추출을 수행하므로, 미리 설정된 행 수 및 타겟 열 수를 구비한 제1 특징맵을 획득할 수 있다.

일 경우에서, 특징맵의 크기와 이미지 특징 추출을 수행하는 이미지의 크기 사이의 대응 관계 및 제1 특징맵의 크기에 따라, 상기 타겟 크기를 결정할 수 있다.

세번째 구현 방식에서, 상기 인식할 텍스트 이미지를 획득한 후, 인식할 텍스트 이미지의 픽셀 열 수 및 미리 설정된 행 수에 따라 상기 타겟 열 수를 계산할 수 있으므로, 제1 특징맵의 타겟 크기를 결정하고, 인식할 텍스트 이미지에 대해 특징 추출을 수행한 후, 획득된 특징맵의 크기와 상기 타겟 크기가 일치하지 않을 경우, 상기 특징맵에 대해 크기 변환을 하여, 타겟 크기의 특징맵을 획득할 수 있다. 즉, 제1 특징맵을 획득할 수 있다.

단계 S502에서, 각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하고, 타겟 특징 유닛은, 제1 특징맵에서 특징 증강 방향을 따른 특징 유닛이다.

단계 S503에서, 증강 처리된 제1 특징맵을 기반으로, 인식할 텍스트 이미지에 대해 텍스트 인식을 수행한다.

상기 단계 S502 내지 S503은 상기 단계 S102 내지 S103과 각각 같고, 여기서 더는 설명하지 않는다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 할 경우, 상이한 크기의 인식할 텍스트 이미지에 있어서, 인식할 텍스트 이미지에 대해 특징 추출을 수행하여 모두 같은 기준의 제1 특징맵을 획득할 수 있어, 상기 특징 증강 방향이 픽셀 열 방향일 경우, 상이한 인식할 텍스트 이미지에 대응되는 타겟 특징 유닛은 모두 같은 수량의 특징값을 포함하므로, 각 타겟 특징 유닛의 각 특징값에 대한 특징 증강 처리의 통일성을 향상시켜, 텍스트 인식의 효율을 향상시킬 수 있다.

또한, 본 실시예에서 제공되는 수단은 상기 제1 특징맵의 픽셀 열 수량을 미리 설정된 열 수로 한정하고, 픽셀 행 수량은 인식할 텍스트 이미지의 픽셀 행 수 및 미리 설정된 열 수에 따라 계산된 행 수이므로, 상기 특징 증강 방향이 픽셀 행 방향일 경우에도, 각 타겟 특징 유닛의 각 특징값에 대한 특징 증강 처리의 통일성을 향상시킬 수 있다.

상기 텍스트 인식 방법에 대응되게, 본 발명의 실시예는 텍스트 인식 장치를 더 제공한다.

도6은 본 발명의 실시예에 따른 첫번째 텍스트 인식 장치의 개략적인 구조도이고, 상기 장치는,

인식할 텍스트 이미지의 제1 특징맵을 획득하는 특징맵 획득 모듈(601);

각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 특징 증강 모듈(602)―상기 타겟 특징 유닛은 상기 제1 특징맵에서 특징 증강 방향을 따른 특징 유닛임―; 및

증강 처리된 제1 특징맵을 기반으로, 상기 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하는 텍스트 인식 모듈(603); 을 포함한다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 할 경우, 인식할 텍스트 이미지의 제1 특징맵을 획득한 후, 각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하고, 증강 처리된 제1 특징맵을 기반으로, 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하므로, 인식할 텍스트 이미지에 대한 텍스트 인식을 구현할 수 있다.

또한, 본 발명의 실시예에서 특징 증강 처리를 수행하는 대상이 제1 특징맵 전체도가 아니라 각 타겟 특징 유닛의 각 특징값이므로, 특징 증강 프로세스는 특징 증강 방향에서의 특징만 감안하면 되고, 인식할 텍스트 이미지의 텍스트에 포함된 문자 부호 사이의 상대 위치를 감안하지 않다도 된다. 따라서, 본 발명의 실시예에서 제공되는 수단을 응용하여, 규칙적으로 정렬된 텍스트의 이미지를 정확히 인식할 수 있고, 곡선 텍스트의 이미지를 인식할 수도 있으므로, 텍스트 인식의 응용 범위를 확장시킬 수 있다.

본 발명의 일 실시예에서, 도7을 참조하면, 두번째 텍스트 인식 장치의 개략적인 구조도이고, 상기 장치는,

인식할 텍스트 이미지의 제1 특징맵을 획득하는 특징맵 획득 모듈(701);

각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 각 특징값을 기반으로, 당해 타겟 특징 유닛의 각 특징값의 특징 증강 계수를 계산하는 계수 계산 서브 모듈(702);

각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 계수 벡터와 당해 타겟 특징 유닛의 특징 벡터에 대한 벡터 계산을 통해, 당해 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 벡터 계산 서브 모듈(703)―상기 계수 벡터는, 당해 타겟 특징 유닛의 각 특징값의 가중 계수가 상기 특징 증강 방향을 따라 구성된 벡터이고, 상기 특징 벡터는, 당해 특징 유닛의 각 특징값이 상기 특징 증강 방향을 따라 구성된 벡터임―; 및

증강 처리된 제1 특징맵을 기반으로, 상기 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하는 텍스트 인식 모듈(704); 을 포함한다.

본 발명의 일 실시예에서, 도8을 참조하면, 세번째 텍스트 인식 장치의 개략적인 구조도이고, 상기 장치는,

인식할 텍스트 이미지의 제1 특징맵을 획득하는 특징맵 획득 모듈(801);

미리 설정된 변환 계수에 따라, 미리 설정된 변환 관계에 의해, 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 계산하는 계수 계산 유닛(802); 및

타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 기반으로, 당해 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 업테이트하여, 각 특징값의 특징 증강 계수를 획득하는 계수 업데이트 유닛(803); 을 포함한다.

각 타겟 특징 유닛에 대해, 당해 타겟 특징 유닛의 계수 벡터와 당해 타겟 특징 유닛의 특징 벡터에 대한 벡터 계산을 통해, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 벡터 계산 서브 모듈(804)―상기 계수 벡터는, 당해 타겟 특징 유닛의 각 특징값의 가중 계수가 상기 특징 증강 방향을 따라 구성된 벡터이고, 상기 특징 벡터는, 당해 특징 유닛의 각 특징값이 상기 특징 증강 방향을 따라 구성된 벡터임―; 및

증강 처리된 제1 특징맵을 기반으로, 상기 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하는 텍스트 인식 모듈(805); 을 포함한다.

본 발명의 일 실시예에서, 상기 계수 계산 유닛(802)은, 구체적으로,

아래의 표현식에 따라 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 계산한다.

여기서, e는 상기 초기 특징 증강 계수를 나타내고, h는 상기 특징값을 나타내고,

은 제2 변환 파라미터를 나타내며,

는 상기 제1 변환 파라미터의 전치 행렬을 나타내고,

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 할 경우, 상기 표현식을 통해 정확하고, 편리하게 특징값의 초기 특징 증강 계수를 계산할 수 있다.

본 발명의 일 실시예에서, 상기 계수 업데이트 유닛(803)은, 구체적으로,

아래의 표현식에 따라 각 특징값의 특징 증강 계수를 계산한다.

여기서,

는 상기 타겟 특징 유닛의 j 번째 특징값의 초기 특징 증강 계수를 나타내고,

는 상기 타겟 특징 유닛의 j 번째 특징값의 특징 증강 계수를 나타내고, n은 상기 타겟 특징 유닛의 특징값 수량을 나타낸다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 할 경우, 상기 표현식을 통해 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 업데이트하므로, 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 정확하게 획득할 수 있다.

본 발명의 일 실시예에서, 상기 특징 증강 모듈(602)은, 구체적으로,

각 타겟 특징 유닛에 대해, 글로벌 어텐션 메커니즘을 기반으로, 당해 타겟 특징 유닛의 각 특징값을 사용하여, 당해 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는데 사용된다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 할 경우, 글로벌 어텐션 메커니즘을 사용하는 대상은 각 타겟 특징 유닛이므로, 각 타겟 특징 유닛에 있어서, 당해 타겟 특징 유닛의 모든 특징값을 감안하는 상황에서, 어텐션을 핵심 특징값으로 집중할 수 있고, 나아가 특징 증강 프로세스에서 인식할 텍스트 이미지에 대한 특징성이 비교적 강한 특징값에 관심을 더 가지도록 할 수 있고, 또한 특징 증강 처리에 대한 특징성이 비교적 강한 특징값의 영향이 비교적 크므로, 글로벌 어텐션 메커니즘을 이용하여 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하므로, 특징 증강의 정확성을 향상시킬 수 있고, 나아가 특징 증강 처리 후 제1 특징맵의 특징성을 증강시키고, 특징성이 비교적 강한 특징맵을 기반으로 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하여, 텍스트 인식의 정확성을 향상시킬 수 있다.

본 발명의 일 실시예에서, 상기 특징 증강 방향이 상기 제1 특징맵의 픽셀 열 방향일 경우, 상기 타겟 특징 유닛은 상기 제1 특징맵의 열 특징 유닛이다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 하고, 인식할 텍스트 이미지의 텍스트가 픽셀 행 방향에서 만곡될 경우, 픽셀열 방향에서 당해 유형의 이미지의 특징은 특징성을 더 구비한다. 제1 특징맵에 대해 특징 증강을 할 경우, 열 특징 유닛을 단위로 특징 증강을 하였음으로, 제1 특징맵에서 픽셀 열 방향의 특징값이 증강되도록 한다. 따라서, 상기 상황에 따라 제1 특징맵에 대해 특징 증강을 한 후, 픽셀 행 방향에서 만곡된 텍스트가 나타난 이미지에 대해 텍스트 인식을 할 경우, 텍스트 인식의 정확성을 향상시킬 수 있다.

본 발명의 일 실시예에서, 상기 특징 증강 방향이 상기 제1 특징맵의 픽셀 행 방향일 경우, 상기 타겟 특징 유닛은 상기 제1 특징맵의 행 특징 유닛이다.

이리하여, 본 발명의 실시예에서 제공되는 수단을 응용하여 텍스트 인식을 하고, 인식할 텍스트 이미지의 텍스트가 픽셀 열 방향에서 만곡될 경우, 픽셀 열 방향에서 당해 유형의 이미지의 특징은 특징성을 더 구비한다. 제1 특징맵에 대해 특징 증강을 수행할 경우, 행 특징 유닛을 단위로 특징 증강을 수행하므로, 제1 특징맵에서 픽셀 행 방향의 특징값이 증강되도록 한다. 따라서, 상기 상황에 따라 제1 특징맵에 대해 특징 증강을 한 후, 픽셀 열 방향에서 만곡된 텍스트가 나타난 이미지에 대해 텍스트 인식을 수행할 경우, 텍스트 인식의 정확성을 향상시킬 수 있다.

본 발명의 일 실시예에서, 상기 특징맵 획득 모듈(601)은, 구체적으로,

상기 인식할 텍스트 이미지에 대해 특징 추출을 수행하여, 픽셀 행 수량이 미리 설정된 행 수이고, 픽셀 열 수량이 타겟 열 수인 제1 특징맵을 획득하는데 사용되고, 여기서, 상기 미리 설정된 행 수는 1보다 크고, 상기 타겟 열 수는 상기 인식할 텍스트 이미지의 픽셀 열 수 및 상기 미리 설정된 행 수에 따라 계산하여 획득된다.

본 발명의 실시예, 본 발명은 전자 기기, 판독 가능 저장 매체 및 컴퓨터 프로그램을 제공한다.

본 발명의 일 실시예에서, 전자 기기를 제공하고, 상기 전자 기기는,

적어도 하나의 프로세서; 및

상기 적어도 하나의 프로세서에 통신 가능하게 연결되는 메모리; 여기서,

상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 상기 방법 실시예 중의 임의의 텍스트 인식 방법을 수행한다.

본 발명의 일 실시예에서, 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체를 제공하고, 상기 컴퓨터 명령은 컴퓨터가 상기 방법 실시예 중의 임의의 텍스트 인식 방법을 수행하도록 한다.

본 발명의 일 실시예에서, 비일시적 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 제공하고, 상기 컴퓨터 프로그램이 프로세서에 의해 수행될 경우 상기 방법 실시예 중의 임의의 텍스트 인식 방법이 구현된다.

도9에 도시된 바와 같이, 도9은 본 발명의 실시예를 구현하는 전자 기기(900)의 개략적인 블록도이다. 전자 기기는 다양한 형식의 디지털 컴퓨터를 표시한다. 예를 들면, 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크스테이션, 퍼스널 정보 단말(PAD), 서버, 블레이드 서버, 메인 프레임 및 기타 적합한 컴퓨터일 수 있다. 전자 기기는 다양한 형식의 모바일 장치를 표시한다. 예를 들면 퍼스널 정보 단말(PAD), 셀룰러 폰, 스마트 폰, 웨어러블 기기 및 기타 유사한 컴퓨팅 장치일 수 있다. 본 발명에 개시된 컴포넌트, 이들의 연결과 관계, 및 기능은 단지 예시적인 것 뿐이며, 본 발명에서 설명 및/또는 요구한 본 발명의 구현을 한정하려는 것은 아니다.

도9에 도시된 바와 같이, 전자 기기(900)는 컴퓨팅 유닛(901)을 포함하고, 읽기 전용 메모리(ROM)(902)에 저장된 컴퓨터 프로그램 또는 저장 유닛(908)에서 랜덤 액세스 메모리(RAM)(903)에 로딩된 컴퓨터 프로그램에 따라, 각 적당한 조작 및 처리를 수행한다. RAM(903)에서, 전자 기기(900)의 조작에 수요되는 각 프로그램 및 데이터를 저장할 수도 있다. 컴퓨팅 유닛(901), ROM(902) 및 RAM(903)은 버스(904)를 통해 서로 연결된다. 입력/출력I/O 인터페이스(905)도 버스(904)에 연결된다.

전자 기기(900)의 복수의 컴포넌트는 I/O인터페이스(905)에 연결되고, 복수의 컴포넌트는, 키보드, 마우스 등과 같은 입력 유닛(906); 다양한 유형의 모니터, 스피커 등과 같은 출력 유닛(907); 자기 디스크, 광 디스크 등과 같은 저장 유닛(908); 및 네트워크 카드, 모뎀 또는 무선 통신 송수신기 등과 같은 통신 유닛(909)을 포함한다. 통신 유닛(909)은 전자 기기(900)가 인터넷과 같은 컴퓨터 네트워크 및/또는 각 전신 네트워크를 통해 기타 기기와 정보/데이터를 교환할 수 있도록 허용한다.

컴퓨팅 유닛(901)은 각 처리 및 계산 기능을 구비한 범용/전용 처리 컴포넌트일 수 있다. 컴퓨팅 유닛(901)의 일부 예시는 중앙 처리 장치(CPU), 그래프 처리 장치(GPU), 각 전용 인공지능 계산 칩, 각 기계 학습 모델 알고리즘을 운행하는 컴퓨팅 유닛, 디지털 신호 처리 장치(DSP), 임의의 적합한 프로세서, 제어기 및 마이크로 제어기 등을 포함하나 이에 한정되지 않는다. 컴퓨팅 유닛(901)은 상기 설명한 각 방법 및 처리를 수행한다. 예를 들면 텍스트 인식 방법을 수행한다. 예를 들면, 일 실시예에서, 텍스트 인식 방법은 컴퓨터 소프트웨어 프로그램으로 구현될 수 있고, 유형적으로 저장 유닛(905)과 같은 기계 판독 가능 매체에 포함된다. 일 실시예에서, 컴퓨터 프로그램의 일부 또는 전부는 ROM(902) 및/또는 통신 유닛(909)에 의해 전자 기기(900)에 로딩 및/또는 설치될 수 있다. 컴퓨터 프로그램이 RAM(903)에 로딩되고 컴퓨팅 유닛(901)에 의해 수행될 경우, 상기 설명한 텍스트 인식 방법의 하나 또는 복수의 단계를 수행할 수 있다. 대안적으로, 기타 실시예에서, 컴퓨팅 유닛(901)은 기타 임의의 적합한 방식(예를 들면, 펌웨어)으로 본 발명의 실시예에 따른 텍스트 인식 방법을 수행할 수 있도록 구성된다.

여기서 설명하는 시스템과 기술의 여러 가지 실시형태는 디지털 전자회로 시스템, 집적회로 시스템, 프로그래밍 가능 게이트 어레이(FPGA), 주문형 직접 회로(ASIC), 전용 표준 제품(ASSP), 칩상 시스템(SOC), 복합 프로그래머블 논리 소자(CPLD), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합에서 실현될 수 있다. 이러한 여러 가지 실시형태는 하나 또는 복수의 컴퓨터 프로그램에서 실시되는 것을 포함할 수 있고, 당해 하나 또는 복수의 컴퓨터 프로그램은 적어도 하나의 프로그래밍 가능 프로세서를 포함하는 프로그래밍 가능 시스템에서 실행 및/또는 해석되며, 당해 프로그래밍 가능 프로세서는 전용 또는 일반 프로그래밍 가능 프로세서일 수 있으며, 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치에서 데이터와 명령을 수신할 수 있고, 데이터와 명령을 당해 저장 시스템, 당해 적어도 하나의 입력 장치 및 당해 적어도 하나의 출력 장치에 전송할 수 있다.

본 발명의 방법을 수행하는 프로그램 코드는 하나 또는 복수의 프로그래밍 언어의 임의의 조합으로 작성될 수 있다. 당해 프로그램 코드는 범용 컴퓨터, 전용 컴퓨터 또는 기타 프로그래밍 가능한 데이터 처리 장치의 프로세서 또는 제어기에 제공하여, 프로그램 코드가 프로세서 또는 제어기에 의해 수행될 경우 흐름도 및/또는 블록도에서 규정한 기능/조작을 실시하게 된다. 프로그램 코드는 완전히 또는 부분적으로 기계에서 수행되고, 독립 소프트웨어 패키지로서 부분적으로 기계에서 수행하고 부분적으로 또는 완전히 원거리 기계 또는 서버에서 수행된다.

본 발명의 콘텍스트에서, 기계 판독 가능 매체는 유형적인 매체일 수 있고, 명령 수행 시스템, 장치 또는 기기가 사용하거나 명령 수행 시스템, 장치 또는 기기와 결합하여 사용하도록 제공하는 프로그램을 포함 또는 저장할 수 있다. 기계 판독 가능 매체는 기계 판독 가능 신호 매체 또는 기계 판독 가능 저장 매체일 수 있다. 기계 판독 가능 매체는 전자, 자기, 광학, 전자기, 적외선 또는 반도체 시스템, 장치 및 기기, 또는 상기 내용의 임의의 적합한 조합을 포함하나 이에 한정되지 않는다. 기계 판독 가능 저장 매체의 더 구체적인 예시는 하나 또는 복수의 선을 기반으로 하는 전기 연결, 휴대용 컴퓨터 디스크, 하드 디스크, 랜덤 엑세스 메모리(RAM), 읽기 전용 메모리(ROM), 지울 수 있는 프로그래밍 가능한 읽기 전용 메모리(EPROM또는 플래시 메모리), 광섬유, 시디롬(CD-ROM), 광학 저장 기기, 자기 저장 기기, 또는 상기 내용의 임의의 적합한 조합을 포함할 수 있다.

사용자와의 인터랙션을 제공하기 위해, 여기서 설명된 시스템 및 기술은 컴퓨터에서 구현할 수 있으며, 당해 컴퓨터는 사용자에게 정보를 디스플레이하는 디스플레이 장치(예를 들면, CRT음극선관) 또는 LCD(액정 디스플레이)모니터); 및 키보드와 지향 장치(예를 들면, 마우스 또는 트랙볼)를 구비하고, 사용자는 당해 키보드와 당해 지향 장치를 통해 컴퓨터에 입력을 제공할 수 있다. 기타 유형의 장치도 사용자와의 인터랙션에 사용될 수 있는 바, 예를 들면 사용자에게 제공된 피드백은 임의의 형식의 감각 피드백(예를 들면, 시각적 피드백, 청각적 피드백 또는 촉각적 피드백)일 수 있고, 임의의 형식(음향 입력, 음성 입력 또는 촉각 입력)에 의해 사용자로부터의 입력을 수신할 수 있다.

여기서 설명한 시스템과 기술을, 백그라운드 컴포넌트를 포함하는 컴퓨팅 시스템(예를 들면 데이터 서버), 또는 미들웨어 컴포넌트를 포함하는 컴퓨팅 시스템(예를 들면, 애플리케이션 서버), 또는 프론트 엔드 컴포넌트를 포함하는 컴퓨팅 시스템(예를 들면, 그래픽 사용자 인터페이스 또는 네트워크 브라우저를 구비한 사용자 컴퓨터에서 실시될 수 있고, 사용자는 당해 그래픽 사용자 인터페이스 또는 당해 네트워크 브라우저를 통해 여기서 설명한 시스템과 기술의 실시형태와 인터랙션할 수 있다), 또는 이러한 백그라운드 컴포넌트, 미들웨어 컴포넌트 또는 프론트 엔드 컴포넌트의 임의의 조합을 포함하는 컴퓨팅 시스템에서 실시될 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들면, 통신 네트워크)을 통해 시스템의 컴포넌트를 서로 연결할 수 있다. 통신 네트워크의 예시는 근거리 통신망 (LAN), 광역 통신망 (WAN) 및 네트워크를 포함한다.

컴퓨터 시스템은 클라이언트와 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 떨어져 있으며, 통신 네트워크를 통해 서로 인터랙션한다. 대응하는 컴퓨터에서 운행되고 서로 클라이언트-서버 관계를 가지는 컴퓨터 프로그램에 의해 클라이언트와 서버의 관계를 생성한다. 서버는 클라우드 서버일 수 있고,분산식 시스템의 서버 또는 블록 체인을 결합한 서버일 수도 있다.

이해해야 할 것은, 상기 복수 형식의 흐름에 의해, 단계를 재정열, 추가 또는 삭제할 수 있다. 예를 들면, 본 발명에 기재한 각 단계는 병행하여 또는 순차적으로 실행할 수도 있고, 서로 다른 순서로 실행할 수도 있다. 본 발명에서 개시한 기술적 수단이 원하는 결과만 구현할 수 있으면 본 발명에서는 이에 대해 한정하지 않는다.

상기 구체적인 실시 방식은 본 발명의 보호 범위를 한정하지 않는다. 본 발명이 속하는 기술 분야의 통상의 기술자는 설계 요구 및 기타 요소에 의해 여러가지 수정, 조합, 서브 조합 및 대체가 이루어질 수 있음을 이해해야 한다. 본 발명의 정신과 원칙 내에서 이루어진 모든 수정, 동등한 대체 및 개선은 모두 본 발명 보호 범위에 포함된다.

Claims

텍스트 인식 방법에 있어서,
인식할 텍스트 이미지의 제1 특징맵을 획득하는 단계;
각 타겟 특징 유닛에 대해, 상기 타겟 특징 유닛의 각 특징값을 기반으로, 상기 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 단계―상기 타겟 특징 유닛은 상기 제1 특징맵에서 특징 증강 방향을 따른 특징 유닛임―; 및
증강 처리된 제1 특징맵을 기반으로, 상기 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하는 단계; 를 포함하는,
것을 특징으로 하는 텍스트 인식 방법.
제1항에 있어서,
상기 각 타겟 특징 유닛에 대해, 상기 타겟 특징 유닛의 각 특징값을 기반으로, 상기 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 단계는,
각 타겟 특징 유닛에 대해, 상기 타겟 특징 유닛의 각 특징값을 기반으로, 상기 타겟 특징 유닛의 각 특징값의 특징 증강 계수를 계산하는 단계; 및
각 타겟 특징 유닛에 대해, 상기 타겟 특징 유닛의 계수 벡터와 상기 타겟 특징 유닛의 특징 벡터에 대한 벡터 계산을 통해, 상기 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 단계―상기 계수 벡터는, 상기 타겟 특징 유닛의 각 특징값의 가중 계수가 상기 특징 증강 방향을 따라 구성된 벡터이고, 상기 특징 벡터는, 특징 유닛의 각 특징값이 상기 특징 증강 방향을 따라 구성된 벡터임―; 를 포함하는,
것을 특징으로 하는 텍스트 인식 방법.
제2항에 있어서,
상기 타겟 특징 유닛의 각 특징값을 기반으로, 상기 타겟 특징 유닛의 각 특징값의 특징 증강 계수를 계산하는 단계는,
미리 설정된 변환 계수에 따라, 미리 설정된 변환 관계에 의해, 상기 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 계산하는 단계; 및
상기 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 기반으로, 상기 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 업테이트하여, 각 특징값의 특징 증강 계수를 획득하는 단계; 를 포함하는,
것을 특징으로 하는 텍스트 인식 방법.
제3항에 있어서,
상기 미리 설정된 변환 계수에 따라, 미리 설정된 변환 관계에 의해, 상기 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 계산하는 단계는,
아래의 표현식에 따라 상기 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 계산하는 바,

e는 상기 초기 특징 증강 계수를 나타내고, h는 상기 특징값을 나타내고,
은 제1 변환 파라미터를 나타내며,
는 상기 제1 변환 파라미터의 전치 행렬을 나타내고,
는 제2 변환 파라미터를 나타내고, b는 제3 변환 파라미터를 나타내는,
것을 특징으로 하는 텍스트 인식 방법.
제3항에 있어서,
상기 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 기반으로, 상기 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 업테이트하여, 각 특징값의 특징 증강 계수를 획득하는 단계는,
아래의 표현식에 따라 상기 타겟 특징 유닛의 각 특징값의 특징 증강 계수를 계산하는 바,

는 상기 타겟 특징 유닛의 j 번째 특징값의 초기 특징 증강 계수를 나타내고,
는 상기 타겟 특징 유닛의 j 번째 특징값의 특징 증강 계수를 나타내고, n은 상기 타겟 특징 유닛의 특징값 수량을 나타내는,
것을 특징으로 하는 텍스트 인식 방법.
제1항에 있어서,
상기 각 타겟 특징 유닛에 대해, 상기 타겟 특징 유닛의 각 특징값을 기반으로, 상기 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 단계는,
각 타겟 특징 유닛에 대해, 글로벌 어텐션 메커니즘을 기반으로, 상기 타겟 특징 유닛의 각 특징값을 사용하여, 상기 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 단계를 포함하는,
것을 특징으로 하는 텍스트 인식 방법.
제1항에 있어서,
상기 특징 증강 방향이 상기 제1 특징맵의 픽셀 열 방향일 경우, 상기 타겟 특징 유닛은 상기 제1 특징맵의 열 특징 유닛이고;
상기 특징 증강 방향이 상기 제1 특징맵의 픽셀 행 방향일 경우, 상기 타겟 특징 유닛은 상기 제1 특징맵의 행 특징 유닛인,
것을 특징으로 하는 텍스트 인식 방법.
제1항에 있어서,
상기 인식할 텍스트 이미지의 제1 특징맵을 획득하는 단계는,
상기 인식할 텍스트 이미지에 대해 특징 추출을 수행하여, 픽셀 행 수량이 미리 설정된 행 수이고, 픽셀 열 수량이 타겟 열 수인 제1 특징맵을 획득하는 단계를 포함하며,
상기 미리 설정된 행 수는 1보다 크고, 상기 타겟 열 수는 상기 인식할 텍스트 이미지의 픽셀 열 수 및 상기 미리 설정된 행 수에 따라 계산하여 획득되는,
것을 특징으로 하는 텍스트 인식 방법.
텍스트 인식 장치에 있어서,
인식할 텍스트 이미지의 제1 특징맵을 획득하는 특징맵 획득 모듈;
각 타겟 특징 유닛에 대해, 상기 타겟 특징 유닛의 각 특징값을 기반으로, 상기 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 특징 증강 모듈―상기 타겟 특징 유닛은 상기 제1 특징맵에서 특징 증강 방향을 따른 특징 유닛임―; 및
증강 처리된 제1 특징맵을 기반으로, 상기 인식할 텍스트 이미지에 대해 텍스트 인식을 수행하는 텍스트 인식 모듈; 을 포함하는,
것을 특징으로 하는 텍스트 인식 장치.
제9항에 있어서, 상기 특징 증강 모듈은,
각 타겟 특징 유닛에 대해, 상기 타겟 특징 유닛의 각 특징값을 기반으로, 상기 타겟 특징 유닛의 각 특징값의 특징 증강 계수를 계산하는 계수 계산 서브 모듈; 및
각 타겟 특징 유닛에 대해, 상기 타겟 특징 유닛의 계수 벡터와 상기 타겟 특징 유닛의 특징 벡터에 대한 벡터 계산을 통해, 상기 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는 벡터 계산 서브 모듈―상기 계수 벡터는, 상기 타겟 특징 유닛의 각 특징값의 가중 계수가 상기 특징 증강 방향을 따라 구성된 벡터이고, 상기 특징 벡터는, 특징 유닛의 각 특징값이 상기 특징 증강 방향을 따라 구성된 벡터임―; 을 포함하는,
것을 특징으로 하는 텍스트 인식 장치.
제10항에 있어서, 상기 계수 계산 서브 모듈은,
미리 설정된 변환 계수에 따라, 미리 설정된 변환 관계에 의해, 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 계산하는 계수 계산 유닛; 및
타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 기반으로, 상기 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 업테이트하여, 각 특징값의 특징 증강 계수를 획득하는 계수 업데이트 유닛; 을 포함하는,
것을 특징으로 하는 텍스트 인식 장치.
제11항에 있어서, 상기 계수 계산 유닛은,
아래의 표현식에 따라 타겟 특징 유닛의 각 특징값의 초기 특징 증강 계수를 계산하는 바,

e는 상기 초기 특징 증강 계수를 나타내고, h는 상기 특징값을 나타내고,
은 제1 변환 파라미터를 나타내며,
는 상기 제1 변환 파라미터의 전치 행렬을 나타내고,
는 제2 변환 파라미터를 나타내고, b는 제3 변환 파라미터를 나타내는,
것을 특징으로 하는 텍스트 인식 장치.
제11항에 있어서, 상기 계수 업데이트 유닛은,
아래의 표현식에 따라 각 특징값의 특징 증강 계수를 계산하는 바,

는 상기 타겟 특징 유닛의 j 번째 특징값의 초기 특징 증강 계수를 나타내고,
는 상기 타겟 특징 유닛의 j 번째 특징값의 특징 증강 계수를 나타내고, n은 상기 타겟 특징 유닛의 특징값 수량을 나타내는,
것을 특징으로 하는 텍스트 인식 장치.
제9항에 있어서, 상기 특징 증강 모듈은,
각 타겟 특징 유닛에 대해, 글로벌 어텐션 메커니즘을 기반으로, 상기 타겟 특징 유닛의 각 특징값을 사용하여, 상기 타겟 특징 유닛의 각 특징값에 대해 특징 증강 처리를 수행하는,
것을 특징으로 하는 텍스트 인식 장치.
제9항 내지 제14항 중 어느 한 항에 있어서,
상기 특징 증강 방향이 상기 제1 특징맵의 픽셀 열 방향일 경우, 상기 타겟 특징 유닛은 상기 제1 특징맵의 열 특징 유닛이고;
상기 특징 증강 방향이 상기 제1 특징맵의 픽셀 행 방향일 경우, 상기 타겟 특징 유닛은 상기 제1 특징맵의 행 특징 유닛인,
것을 특징으로 하는 텍스트 인식 장치.
제9항 내지 제14항 중 어느 한 항에 있어서,
상기 특징맵 획득 모듈은, 인식할 텍스트 이미지에 대해 특징 추출을 수행하여, 픽셀 행 수량이 미리 설정된 행 수이고, 픽셀 열 수량이 타겟 열 수인 제1 특징맵을 획득하며, 상기 미리 설정된 행 수는 1보다 크고, 상기 타겟 열 수는 상기 인식할 텍스트 이미지의 픽셀 열 수 및 상기 미리 설정된 행 수에 따라 계산하여 획득되는,
것을 특징으로 하는 텍스트 인식 장치.
전자 기기에 있어서,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서에 통신 가능하게 연결되는 메모리; 를 포함하고,
상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 제1항 내지 제8항 중 어느 한 항의 텍스트 인식 방법을 수행하는,
것을 특징으로 하는 전자 기기.
컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체에 있어서,
상기 컴퓨터 명령은 컴퓨터가 제1항 내지 제8항 중 어느 한 항의 텍스트 인식 방법을 수행하도록 하는,
것을 특징으로 하는 비일시적 컴퓨터 판독 가능 저장 매체.
비일시적 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서,
상기 컴퓨터 프로그램이 프로세서에 의해 수행될 경우, 제1항 내지 제8항 중 어느 한 항의 텍스트 인식 방법이 구현되는,
것을 특징으로 하는 컴퓨터 프로그램.