CN112712069B - 一种判题方法、装置、电子设备及存储介质 - Google Patents
一种判题方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112712069B CN112712069B CN202110316790.4A CN202110316790A CN112712069B CN 112712069 B CN112712069 B CN 112712069B CN 202110316790 A CN202110316790 A CN 202110316790A CN 112712069 B CN112712069 B CN 112712069B
- Authority
- CN
- China
- Prior art keywords
- question
- judged
- image
- code
- vae model
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种判题方法、装置、电子设备及存储介质,该方法包括:获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;确定所述第一图像的第一数字编码;确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及标准答案对应的第二图像的数字编码;基于所述参考编码确定所述待判答案的正确性。通过本发明实施例的技术方案,实现了对带有语义信息题型的智能判题,提高了判题效率以及判题准确度。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种判题方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术的发展和教育信息化的不断推进,人工智能技术已经逐步应用于日常的教育教学活动中。其中,拍照判题是人工智能技术在教育教学活动中的一项重要应用,其大致流程是,用手机或平板电脑等终端设备对答卷进行拍照,然后将照片上传至判题应用程序,接着判题应用程序将照片送入题型判断模型(也称为版面分析模型)和文本行检测模型;然后根据题型判断模型和文本行检测模型的检测结果进行版面分析,具体是根据每种题型的特点,将每道题的图像从原图上裁剪出来,得到针对每道题的局部图像,将该局部图像再送入识别模型,得到每个题目的内容,然后根据题目内容进行判题,最后将判断结果输出。
但是,上述判题方案只能处理一些常规的计算题,例如横式计算题、竖式计算题或者脱式计算题,无法处理常见的带有语义信息的题型,例如选择题、填空题、判断题或者应用题。
发明内容
本发明实施例提供一种判题方法、装置、电子设备及存储介质,实现了对带有语义信息题型的智能判题,提高了判题效率以及判题准确度。
第一方面,本发明实施例提供了一种判题方法,该方法包括:
获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;
确定所述第一图像的第一数字编码;
确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及标准答案对应的第二图像的数字编码;
基于所述参考编码确定所述待判答案的正确性。
第二方面,本发明实施例还提供了一种判题装置,该装置包括:
获取模块,用于获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;
第一确定模块,用于确定所述第一图像的第一数字编码;
第二确定模块,用于确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及其标准答案对应的第二图像的数字编码;
第三确定模块,用于基于所述参考编码确定所述待判答案的正确性。
第三方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
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本发明实施例任一所述的判题方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的判题方法。
本发明实施例的技术方案,通过获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;确定所述第一图像的第一数字编码;确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及其标准答案对应的第二图像的数字编码;基于所述参考编码确定所述待判答案的正确性的技术手段,实现了对带有语义信息题型的智能判题,提高了判题效率以及判题准确度。
附图说明
结合附图并参考以下具体实施方式,本发明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,原件和元素不一定按照比例绘制。
图1为本发明实施例一所提供的一种判题方法流程示意图;
图2为本发明实施例一所提供的一种VAE模型的结构示意图;
图3为本发明实施例二所提供的一种判题方法流程示意图;
图4为本发明实施例二所提供的另一种判题方法流程示意图;
图5为本发明实施例三所提供的一种判题装置结构示意图;
图6为本发明实施例四所提供的一种电子设备结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明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发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本发明中提及的“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,本发明中提及的“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”。
实施例一
图1为本发明实施例一所提供的一种判题方法流程示意图,该方法可应用于教育教学场景,对考生作答的题目进行非人工的、自动判题。该方法可以由判题装置来执行,该装置可以通过软件和/或硬件的形式实现。
如图1所示,本实施例提供的判题方法包括如下步骤:
步骤110、获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案。
其中,待判题目可指考生作答的题目,包括题干和考生的作答内容,考生的作答内容即为所述待判答案。例如题干为:“5的平方等于()”,考生在()中填写的内容即为所述作答内容。
所述第一图像指仅包括一道待判题目的题干和该题干对应的待判答案的图像,而不包括除题干和待判答案之外的其它内容。即所述第一图像只包括一道题目的题干和待判答案。
所述第一图像的获取方式有很多种,本实施例不进行限定,例如可以通过手机或掌上电脑的摄像头仅针对所述待判题目所在区域进行拍照,获得所述第一图像。
可选的,还可以针对包括所述待判题目的试卷进行拍照,获得原始图像;
将所述原始图像输入至版面分析模型,获得所述待判题目所在区域的位置;
根据所述位置,从所述原始图像中裁剪出所述待判题目的所在区域,获得所述第一图像。
可以理解的是,所述原始图像可能包括除待判题目之外的其它内容,因此需要识别原始图像中待判题目所在区域的位置,然后根据该位置对原始图像进行裁剪,获得所述第一图像。如果所述原始图像包括至少两道待判题目,则通过所述版面分析模型,可以分别获得每道待判题目所在区域的位置,例如利用矩形框将每道待判题目所在区域框住,然后根据矩形框对原始图像进行裁剪,可以分别获得每道待判题目对应的所述第一图像。
其中,版面分析模型可基于预先标注的样本训练得到,所述预先标注的样本具体可以是将每道题目以及每道题目对应的标准答案所在区域利用矩形框圈起来的图像。
步骤120、确定所述第一图像的第一数字编码。
示例性的,所述确定所述第一图像的第一数字编码,包括:
将所述第一图像输入至训练好的第一VAE(Auto-encoding variational bayes,变分贝叶斯)模型的编码器,获得所述第一数字编码;
或者,将所述第一图像输入至与所述待判题目所属题型对应的训练好的第二变分贝叶斯VAE模型的编码器,获得所述第一数字编码。
其中,所述待判题目所属题型包括下述至少一种:
选择题、填空题、判断题以及应用题。
VAE模型是一种重要的生成式模型,它由编码器和解码器两部分组成,主要用于图像生成、特征提取等任务。具体的,可以参考如图2所示的一种VAE模型的结构示意图。VAE模型的编码器可以用来对输入图像进行压缩,具体是通过编码器将输入图像编码,然后将编码输入解码器,用于还原输入,在多数情况下,还原出的图像与输入的原图像极为相近,相比于其他的生成式模型,VAE模型的训练更稳定,而且速度更快。VAE模型的编码器基于输入图像转化成的编码可能是某种分布的参数,也可能是特征图等。VAE模型通常以对数似然的下确界作为优化目标,因此VAE模型的损失函数一般由重构损失和交叉熵损失两部分组成。
在本实施例的技术方案中,通过所述第一VAE模型或者所述第二VAE模型获得的所述第一图像的第一数字编码为所述第一图像的特征表征。由于针对带有语义信息的题型,现有的自然语言处理技术无法实现理解题目含义并自动给出正确答案的水平,因此,本实施例的技术方案规避自然语言理解问题,通过利用题目以及答案的图像特征实现自动判题的目的。
进一步的,为了较准确地提取所述第一图像的更多有效特征,将所述第一图像输入至训练好的第一变分贝叶斯VAE模型的编码器,或者输入至与所述待判题目所属题型对应的训练好的第二变分贝叶斯VAE模型的编码器之前,还包括:
确定所述第一图像的梯度图;
对应的,将所述第一图像输入至训练好的第一变分贝叶斯VAE模型的编码器,或者输入至与所述待判题目所属题型对应的训练好的第二变分贝叶斯VAE模型的编码器,包括:
将所述梯度图输入至训练好的第一变分贝叶斯VAE模型的编码器;或者,将所述梯度图输入至与所述待判题目所属题型对应的训练好的第二变分贝叶斯VAE模型的编码器。
可以把原图像看作是二维离散函数,梯度图的实质是对所述二维离散函数求导。梯度图相比原图,可以看作是去除了原图中一些背景信息的图。在本实施例的技术方案中,图像的背景信息并不重要,重要的是图像中文字所表示的信息,但是现有自然语言处理技术并无法处理这种强智能的任务,因此本实施例的技术方案通过图像的方式进行处理,更重要的是对图像中文字信息的特征进行提取,无关图像的背景特征,因此利用梯度图可降低一定的噪声,有助于提高特征提取的精度,进而提高判题精度。
步骤130、确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及标准答案对应的第二图像的数字编码。
预设题库中存储的具体是预先收集的题目图像与数字编码之间的映射关系,可以理解的是,预先收集的题目图像为包括题干和标准答案的图像。即预先收集的题目图像的特征利用数字编码进行表征。
如果同一题目以不同的样式出现,则可以看作是两道题,即分别建立不同样式的题目与数字编码之间的映射关系。如此,可增强预设题库中题目的丰富性,以及判题程序的鲁棒性。
所述相似度可基于所述第一数字编码与预设题库中各数字编码之间的欧式距离确定。所述阈值例如可以是0.95,相似度的取值范围为0-1。如果预设题库中存在与所述第一数字编码的相似度非常高的数字编码,则表示预设题库中存在与所述第一图像非常相似的第二图像,此时,可认为待判答案与标准答案一致,待判答案为正确答案。
步骤140、基于所述参考编码确定所述待判答案的正确性。
示例性的,所述基于所述参考编码确定所述待判答案的正确性,包括:
若所述预设题库中存在所述参考编码,则确定所述待判答案为正确答案,否则,确定所述待判答案为错误答案。如果预设题库中存在与所述第一数字编码的相似度非常高的数字编码,则表示预设题库中存在与所述第一图像非常相似的第二图像,此时,可认为待判答案与标准答案一致,待判答案为正确答案。对于包含语义的题型(例如填空题、选择题或者应用题)来说,通过基于待判题目的图像特征实现判题,规避了文本识别、语义理解等问题,减少了误差累积,提高了判题精度。
为了进一步提高判题精度,在搜索到与所述第一数字编码的相似度达到阈值的参考编码之后,进一步对该参考编码对应的题目图像进行内容识别,以获得题目信息,然后将识别出的题目信息与待判题目的信息进行比对,进而给出判题结果。
具体的,确定所述参考编码对应的参考题目内容与所述待判题目内容之间的编辑距离,其中,所述参考题目内容包括题干和标准答案;
若所述编辑距离小于设定值,则确定所述待判答案为正确答案,否则,确定所述待判答案为错误答案。
编辑距离(Edit Distance),又称Levenshtein距离,是指两个字串之间,由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符、***一个字符以及删除一个字符。一般来说,编辑距离越小,两个字串的相似度越大。
本发明实施例的技术方案,通过获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;确定所述第一图像的第一数字编码;确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及其标准答案对应的第二图像的数字编码;基于所述参考编码确定所述待判答案的正确性的技术手段,实现了对带有语义信息题型的智能判题,提高了判题效率以及判题准确度。
实施例二
图3为本发明实施例二所提供的一种判题方法的流程示意图。在上述实施例的基础上,本实施例增加了VAE模型的训练操作,旨在获得一个能够充分还原输入图像的VAE模型,以获得输入图像的较精准的数字编码,从而提高判题精度。其中,与上述实施例相同或相似的内容在本实施例不再赘述,相关解释可以参考上述实施例。
如图3所示,所述方法包括如下步骤:
步骤310、利用收集到的样本的梯度图对原始VAE模型进行第一阶段训练,获得第一VAE模型;利用所述第一VAE模型分别获得各所述样本对应的样本数字编码。
其中,对原始VAE模型进行第一阶段训练的目的是为了使VAE模型具备较好的输入还原能力,即通过编码器对输入图像编码,然后通过解码器进行解码,获得与输入图像相同的输出图像。
具体的,首先收集大量带有语义信息的题目(例如填空题、选择题或者应用题)的图像(包括题干和标准答案),如果同一道题目以不同的样式出现,则视为两道题目,以增强题库的丰富性以及判题程序的鲁棒性。然后通过人工对图像进行标注,只需将整个题目(包括题干和标准答案)框起来即可。接下来,可基于标注过的图像训练一个版面分析模型(具体可以使用CenterNet模型,也可以是其它模型)。版面分析模型的作用是将输入图像中的每道题目分别框出来,即识别输入图像中每道题目所在的区域位置。然后根据每道题目所在的区域位置把每道题目对应的图像裁剪出来,至此每道题目对应一张图像,并可进一步标注出每道题目所属的题目类型(例如填空题、判断题、选择题或者应用题等)。针对每种题目类型分别训练一个VAE模型(当然,所有题目类型也可对应一个VAE模型)。VAE模型的输入和输出一样,都是题目图像的梯度图。梯度图相比原图,可以看作是去除了原图中一些背景信息的图。在本实施例的技术方案中,图像的背景信息并不重要,重要的是图像中文字所表示的信息,但是现有自然语言处理技术并无法处理这种强智能的任务,因此本实施例的技术方案通过图像的方式进行处理,更重要的是对图像中文字信息的特征进行提取,无关图像的背景特征,因此利用梯度图可降低一定的噪声,有助于提高特征提取的精度,进而提高判题精度。
当VAE模型具备还原输入能力时,第一阶段训练完成,获得第一VAE模型。接着,利用所述第一VAE模型分别获得各所述样本对应的样本数字编码。
步骤320、基于聚类算法对所述样本数字编码进行聚类,获得设定数量的聚类中心编码;基于所述聚类中心编码对所述第一VAE模型进行第二阶段训练,获得训练好的第二变分贝叶斯VAE模型的编码器。
其中,所述聚类算法可以是K-Means算法,K-means聚类算法是一种无监督学习方法,主要是依据某种度量,将相互之间距离相近的样本聚为一类,将相互之间距离较远的样本分开。
聚类的类别可以根据业务实践确定,例如可以将应用题细分为40种类型,例如已知速度和时间,求路程的可以看作是一种应用题类型,如此得到40个聚类中心编码。可以将选择题细分为30种类型,得到30个聚类中心编码。
接下来,为了使同类型的编码之间的距离更接近,而异类型的编码距离更远,对所述第一VAE模型进行第二阶段训练。
示例性的,所述基于所述聚类中心编码对所述第一VAE模型进行第二阶段训练,获得所述训练好的第二变分贝叶斯VAE模型的编码器,包括:
将任一所述样本的梯度图作为当前样本梯度图输入至所述第一VAE模型的编码器,获得当前样本数字编码;
根据所述当前样本数字编码与各所述聚类中心编码之间的相似度,对所述当前样本数字编码进行归类融合,获得融合后的聚类中心编码;
将所述融合后的聚类中心编码输入至所述第一VAE模型的解码器,获得输出结果;
根据所述输出结果与所述当前样本梯度图之间的差值调整所述第一VAE模型的模型参数,以对所述第一VAE模型进行第二阶段训练,直到所述第一VAE模型的设定指标达到目标值,获得所述训练好的第二变分贝叶斯VAE模型的编码器。
进一步的,所述根据所述当前样本数字编码与各所述聚类中心编码之间的相似度,对所述当前样本数字编码进行归类融合,获得融合后的聚类中心编码,包括:
按照设定度量方式确定所述当前样本数字编码分别与各所述聚类中心编码之间的相似度;
将与所述当前样本数字编码的相似度最高的所述聚类中心编码与所述当前样本数字编码进行融合,获得融合后的聚类中心编码。
具体的,利用所述第一VAE模型的编码器对输入的样本图像的样本梯度图进行编码,得到编码之后按照指定的度量方式(例如欧式距离),与之前得到的聚类中心编码分别计算距离,将此次得到的编码归类到与其距离最近的聚类中心编码,并将此次得到的编码与其归类的聚类中心编码进行融合。融合方式可以是带权逐点相加或者逐点相乘,然后将融合后的编码输入至所述第一VAE模型的解码器,获得输出结果,根据所述输出结果与输入的样本梯度图之间的差值调整所述第一VAE模型的模型参数,实现对所述第一VAE模型的一次训练,按照上述方式对所述第一VAE模型进行多次训练,直到所述第一VAE模型的设定指标达到目标值,获得所述训练好的第二变分贝叶斯VAE模型的编码器。在本实施例中,只需要利用所述训练好的第二变分贝叶斯VAE模型的编码器。
在版面分析模型以及VAE模型训练的过程中,具体根据开发者使用的检测模型和VAE模型来决定损失函数,以及如何训练,这里以CenterNet模型和常规VAE模型为例,那么对于CenterNet模型可以采用Dice Loss和L1损失函数,对于VAE模型可以采用负对数似然损失函数。在VAE模型训练好之后,只用它的编码器部分,将所有样本图像先取梯度图,然后送入编码器,得到数字编码,即每个题目和一个数字编码之间建立映射关系,完成预设题库的建立。然后在拍照判题应用中,如果版面分析模型检测到带有语义信息的题目,那么首先根据检测结果,将这个题从输入图像中切出来,然后对切出来的图像求取梯度图,将此梯度图送入与该题目所属题型对应的编码器,得到数字编码,然后用这个数字编码去预设题库中进行搜索。这里的搜索过程最简单的操作就是拿这个数字编码与预设题库中的编码进行相似度计算(相似度值在0到1之间),例如可以设定阈值为0.95以上,表示搜到了。如果能搜到就表示这个题是对的,如果搜不到就表示这个题是错的,以此来判题。当然上述是一个简单的过程,还可以对搜索过程进行优化,以此实现更高的判题效率。同时还可以在训练一个识别模型,对检测到的带有语义信息的题目内容进行识别,然后再对从题库中搜索到的题目内容进行识别,计算这两个内容之间的编辑距离,同时设定阈值,当编辑距离大于阈值,认为这道题是对的,以此实现更精准的判题。相较于原始的判题方法,本实施例的技术方案首先从构思上来讲是一个全新的解决带有语义信息的题目的判题方法;其次,几乎规避掉了识别模型,减少了误差累积,同时通过图像的方式直接解决自然语言处理技术目前无法有效解决的问题。
对应的,可以参考如图4所示的另一种判题方法流程示意图,具体包括:收集大量带有应用题(此处的应用题泛指填空题、选择题、判断题以及应用题等带有语义信息的题目)的图像,人工对应用题进行检测标注,基于标注的样本训练一个版面分析模型,一个VAE模型,也可以训练一个识别模型,但是识别模型是非必要模型,也可以没有;使用训练好的VAE模型的编码器对每个应用题的图像进行编码,建立题库;拍照判题应用中,版面分析模型检测到应用题时,使用训练好的VAE模型的编码器对这个应用题进行编码,将这个编码与题库中的编码进行相似度计算,根据设定阈值,如果检索到相似度达到阈值的编码,则判断题目为对,否则判断题目为错,或者进一步利用识别模型对检索到的编码对应的题目图像进行识别,得到题目内容,将该题目内容与输入的题目内容进行比对,确定输入题目是对还是错。
步骤330、获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;并确定所述第一图像的梯度图。
步骤340、将所述梯度图输入至与所述待判题目所属题型对应的训练好的所述第二变分贝叶斯VAE模型的编码器,获得第一数字编码。
步骤350、确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及标准答案对应的第二图像的数字编码。
步骤360、基于所述参考编码确定所述待判答案的正确性。
本实施例的技术方案,在上述实施例的基础上,增加了VAE模型的训练操作,旨在获得一个能够充分还原输入图像的VAE模型,以获得输入图像的较精准的数字编码,从而提高判题精度。
实施例三
图5为本发明实施例三提供的一种判题装置,该装置包括:获取模块510、第一确定模块520、第二确定模块530和第三确定模块540。
其中, 获取模块510,用于获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;第一确定模块520,用于确定所述第一图像的第一数字编码;第二确定模块530,用于确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及标准答案对应的第二图像的数字编码;第三确定模块540,用于基于所述参考编码确定所述待判答案的正确性。
在上述技术方案的基础上,获取模块510包括:
拍摄单元,用于仅针对所述待判题目所在区域进行拍照,获得所述第一图像;或者,针对包括所述待判题目的试卷进行拍照,获得原始图像;
分析单元,用于将所述原始图像输入至版面分析模型,获得所述待判题目所在区域的位置;
裁剪单元,用于根据所述位置,从所述原始图像中裁剪出所述待判题目的所在区域,获得所述第一图像。
在上述各技术方案的基础上,第一确定模块520包括:
输入单元,用于将所述第一图像输入至训练好的第一变分贝叶斯VAE模型的编码器,获得所述第一数字编码;
或者,将所述第一图像输入至与所述待判题目所属题型对应的训练好的第二变分贝叶斯VAE模型的编码器,获得所述第一数字编码。
在上述各技术方案的基础上,第一确定模块520还包括
确定单元,用于确定所述第一图像的梯度图;
对应的,所述输入单元用于:将所述第一图像的梯度图输入至训练好的第一变分贝叶斯VAE模型的编码器,获得所述第一数字编码;
或者,将所述第一图像的梯度图输入至与所述待判题目所属题型对应的训练好的第二变分贝叶斯VAE模型的编码器,获得所述第一数字编码。
在上述各技术方案的基础上,所述装置还包括:
第一训练模块,用于利用收集到的样本的梯度图对原始VAE模型进行第一阶段训练,获得第一VAE模型;利用所述第一VAE模型分别获得各所述样本对应的样本数字编码;
聚类模块,用于基于聚类算法对所述样本数字编码进行聚类,获得设定数量的聚类中心编码;
第二训练模块,用于基于所述聚类中心编码对所述第一VAE模型进行第二阶段训练,获得所述训练好的第二变分贝叶斯VAE模型的编码器。
在上述各技术方案的基础上,所述第二训练模块包括:
第一输入单元,用于将任一所述样本的梯度图作为当前样本梯度图输入至所述第一VAE模型的编码器,获得当前样本数字编码;
归类融合单元,用于根据所述当前样本数字编码与各所述聚类中心编码之间的相似度,对所述当前样本数字编码进行归类融合,获得融合后的聚类中心编码;
第二输入单元,用于将所述融合后的聚类中心编码输入至所述第一VAE模型的解码器,获得输出结果;
调整单元,用于根据所述输出结果与所述当前样本梯度图之间的差值调整所述第一VAE模型的模型参数,以对所述第一VAE模型进行第二阶段训练,直到所述第一VAE模型的设定指标达到目标值,获得所述训练好的第二变分贝叶斯VAE模型的编码器。
在上述各技术方案的基础上,所述归类融合单元包括:
确定子单元,用于按照设定度量方式确定所述当前样本数字编码分别与各所述聚类中心编码之间的相似度;
融合子单元,用于将与所述当前样本数字编码的相似度最高的所述聚类中心编码与所述当前样本数字编码进行融合,获得融合后的聚类中心编码。
在上述各技术方案的基础上,第三确定模块540具体用于:
若所述预设题库中存在所述参考编码,则确定所述待判答案为正确答案,否则,确定所述待判答案为错误答案;
或者,确定所述参考编码对应的参考题目内容与所述待判题目内容之间的编辑距离,其中,所述参考题目内容包括题干和标准答案;若所述编辑距离小于设定值,则确定所述待判答案为正确答案,否则,确定所述待判答案为错误答案。
本发明实施例的技术方案,通过获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;确定所述第一图像的第一数字编码;确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及其标准答案对应的第二图像的数字编码;基于所述参考编码确定所述待判答案的正确性的技术手段,实现了对带有语义信息题型的智能判题,提高了判题效率以及判题准确度。
本发明实施例所提供的判题装置可执行本发明任意实施例所提供的判题方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例四
下面参考图6,其示出了适于用来实现本发明实施例的电子设备(例如图6中的终端设备或服务器)400的结构示意图。本发明实施例中的终端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6示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405: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406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备400,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。
特别地,根据本发明的实施例,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,本发明的实施例包括一种计算机程序产品,其包括承载在非暂态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。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本发明实施例的方法中限定的上述功能。
本发明实施例提供的终端与上述实施例提供的判题方法属于同一发明构思,未在本发明实施例中详尽描述的技术细节可参见上述实施例,并且本发明实施例与上述实施例具有相同的有益效果。
实施例五
本发明实施例提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例所提供的判题方法。
需要说明的是,本发明上述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***、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。在本发明中,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***、装置或者器件使用或者与其结合使用。而在本发明中,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***、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:
获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;
确定所述第一图像的第一数字编码;
确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及标准答案对应的第二图像的数字编码;
基于所述参考编码确定所述待判答案的正确性。
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发明的操作的计算机程序代码,上述程序设计语言包括但不限于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,图示了按照本发明各种实施例的***、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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到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。其中,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,可编辑内容显示单元还可以被描述为“编辑单元”。
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***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本发明的上下文中,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***、装置或设备使用或与指令执行***、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***、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。
以上描述仅为本发明的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,本发明中所涉及的公开范围,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公开构思的情况下,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。例如上述特征与本发明中公开的(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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (8)
1.一种判题方法,其特征在于,包括:
获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;
确定所述第一图像的第一数字编码;所述第一数字编码为所述第一图像的特征表征;确定所述第一图像的第一数字编码包括:将所述第一图像输入至训练好的第一变分贝叶斯VAE模型的编码器,获得所述第一数字编码;或者,将所述第一图像输入至与所述待判题目所属题型对应的训练好的第二变分贝叶斯VAE模型的编码器,获得所述第一数字编码;
确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及标准答案对应的第二图像的数字编码;
基于所述参考编码确定所述待判答案的正确性;
利用收集到的样本的梯度图对原始VAE模型进行第一阶段训练,获得第一VAE模型;
利用所述第一VAE模型分别获得各所述样本对应的样本数字编码;
基于聚类算法对所述样本数字编码进行聚类,获得设定数量的聚类中心编码;
基于所述聚类中心编码对所述第一VAE模型进行第二阶段训练,获得所述训练好的第二变分贝叶斯VAE模型的编码器;
所述基于所述聚类中心编码对所述第一VAE模型进行第二阶段训练,获得所述训练好的第二变分贝叶斯VAE模型的编码器,包括:
将任一所述样本的梯度图作为当前样本梯度图输入至所述第一VAE模型的编码器,获得当前样本数字编码;
根据所述当前样本数字编码与各所述聚类中心编码之间的相似度,对所述当前样本数字编码进行归类融合,获得融合后的聚类中心编码;
将所述融合后的聚类中心编码输入至所述第一VAE模型的解码器,获得输出结果;
根据所述输出结果与所述当前样本梯度图之间的差值调整所述第一VAE模型的模型参数,以对所述第一VAE模型进行第二阶段训练,直到所述第一VAE模型的设定指标达到目标值,获得所述训练好的第二变分贝叶斯VAE模型的编码器。
2.根据权利要求1所述的方法,其特征在于,所述获取待判题目对应的第一图像,包括:
仅针对所述待判题目所在区域进行拍照,获得所述第一图像;
或者,针对包括所述待判题目的试卷进行拍照,获得原始图像;
将所述原始图像输入至版面分析模型,获得所述待判题目所在区域的位置;
根据所述位置,从所述原始图像中裁剪出所述待判题目的所在区域,获得所述第一图像。
3.根据权利要求1所述的方法,其特征在于,将所述第一图像输入至训练好的第一变分贝叶斯VAE模型的编码器之前,还包括:
确定所述第一图像的梯度图;
对应的,将所述第一图像输入至训练好的第一变分贝叶斯VAE模型的编码器包括:
将所述梯度图输入至训练好的第一变分贝叶斯VAE模型的编码器。
4.根据权利要求1所述的方法,其特征在于,所述根据所述当前样本数字编码与各所述聚类中心编码之间的相似度,对所述当前样本数字编码进行归类融合,获得融合后的聚类中心编码,包括:
按照设定度量方式确定所述当前样本数字编码分别与各所述聚类中心编码之间的相似度;
将与所述当前样本数字编码的相似度最高的所述聚类中心编码与所述当前样本数字编码进行融合,获得融合后的聚类中心编码。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述基于所述参考编码确定所述待判答案的正确性,包括:
若所述预设题库中存在所述参考编码,则确定所述待判答案为正确答案,否则,确定所述待判答案为错误答案;
或者,确定所述参考编码对应的参考题目内容与所述待判题目内容之间的编辑距离,其中,所述参考题目内容包括题干和标准答案;
若所述编辑距离小于设定值,则确定所述待判答案为正确答案,否则,确定所述待判答案为错误答案。
6.一种判题装置,其特征在于,包括:
获取模块,用于获取待判题目对应的第一图像,其中,所述待判题目包括题干和待判答案;
第一确定模块,用于确定所述第一图像的第一数字编码,所述第一数字编码为所述第一图像的特征表征;
第二确定模块,用于确定预设题库中与所述第一数字编码的相似度达到阈值的参考编码,其中,所述参考编码为已收集题干及标准答案对应的第二图像的数字编码;
第三确定模块,用于基于所述参考编码确定所述待判答案的正确性;
所述第一确定模块包括:
输入单元,用于将所述第一图像输入至训练好的第一变分贝叶斯VAE模型的编码器,获得所述第一数字编码;
或者,将所述第一图像输入至与所述待判题目所属题型对应的训练好的第二变分贝叶斯VAE模型的编码器,获得所述第一数字编码;
第一训练模块,用于利用收集到的样本的梯度图对原始VAE模型进行第一阶段训练,获得第一VAE模型;利用所述第一VAE模型分别获得各所述样本对应的样本数字编码;
聚类模块,用于基于聚类算法对所述样本数字编码进行聚类,获得设定数量的聚类中心编码;
第二训练模块,用于基于所述聚类中心编码对所述第一VAE模型进行第二阶段训练,获得所述训练好的第二变分贝叶斯VAE模型的编码器;
所述第二训练模块包括:
第一输入单元,用于将任一所述样本的梯度图作为当前样本梯度图输入至所述第一VAE模型的编码器,获得当前样本数字编码;
归类融合单元,用于根据所述当前样本数字编码与各所述聚类中心编码之间的相似度,对所述当前样本数字编码进行归类融合,获得融合后的聚类中心编码;
第二输入单元,用于将所述融合后的聚类中心编码输入至所述第一VAE模型的解码器,获得输出结果;
调整单元,用于根据所述输出结果与所述当前样本梯度图之间的差值调整所述第一VAE模型的模型参数,以对所述第一VAE模型进行第二阶段训练,直到所述第一VAE模型的设定指标达到目标值,获得所述训练好的第二变分贝叶斯VAE模型的编码器。
7.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
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1-5中任一项所述的判题方法。
8.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5中任一项所述的判题方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316790.4A CN112712069B (zh) | 2021-03-25 | 2021-03-25 | 一种判题方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316790.4A CN112712069B (zh) | 2021-03-25 | 2021-03-25 | 一种判题方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712069A CN112712069A (zh) | 2021-04-27 |
CN112712069B true CN112712069B (zh) | 2021-07-23 |
Family
ID=75550207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110316790.4A Active CN112712069B (zh) | 2021-03-25 | 2021-03-25 | 一种判题方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712069B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990180B (zh) * | 2021-04-29 | 2021-08-06 | 北京世纪好未来教育科技有限公司 | 判题方法、装置、设备及存储介质 |
CN113111154B (zh) * | 2021-06-11 | 2021-10-29 | 北京世纪好未来教育科技有限公司 | 相似度评估方法、答案搜索方法、装置、设备及介质 |
CN113326815B (zh) * | 2021-07-12 | 2022-05-06 | 北京世纪好未来教育科技有限公司 | 一种文档处理方法、装置、电子设备及可读存储介质 |
CN113239909B (zh) * | 2021-07-12 | 2021-10-29 | 北京世纪好未来教育科技有限公司 | 一种题目处理方法、装置、设备及介质 |
CN113569025A (zh) * | 2021-07-23 | 2021-10-29 | 上海明略人工智能(集团)有限公司 | 数据处理的方法和装置、电子设备和存储介质 |
CN113420763B (zh) * | 2021-08-19 | 2021-11-05 | 北京世纪好未来教育科技有限公司 | 文本图像处理方法、装置、电子设备及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287296A (zh) * | 2019-05-21 | 2019-09-27 | 平安科技(深圳)有限公司 | 一种问题答案选取方法、装置、计算机设备及存储介质 |
CN112115736A (zh) * | 2019-06-19 | 2020-12-22 | 广东小天才科技有限公司 | 一种基于图像识别的作业批改方法、***和智能终端 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19719383A1 (de) * | 1997-05-07 | 1998-11-19 | Siemens Ag | Verfahren und Vorrichtung zur Codierung und Decodierung eines digitalisierten Bildes |
CN105740360B (zh) * | 2016-01-26 | 2020-12-01 | 上海师范大学 | 艺术品图像中古典母题的识别与检索方法 |
CN107682694B (zh) * | 2017-07-07 | 2020-02-04 | 西安万像电子科技有限公司 | 图像编解码方法、装置及*** |
KR101867475B1 (ko) * | 2017-11-03 | 2018-06-14 | 한국지질자원연구원 | 딥러닝을 이용한 저류층 불확실성 평가 방법 |
US11106868B2 (en) * | 2018-03-06 | 2021-08-31 | Samsung Electronics Co., Ltd. | System and method for language model personalization |
CN109284702B (zh) * | 2018-09-07 | 2021-06-25 | 江苏曲速教育科技有限公司 | 一种基于图像模式的答题卷给分及阅卷*** |
WO2020148689A1 (en) * | 2019-01-16 | 2020-07-23 | Hike Private Limited | System and method for recommending stickers in a social networking application |
US11615264B2 (en) * | 2019-03-05 | 2023-03-28 | Memorial Sloan Kettering Cancer Center | Systems and methods for image classification using visual dictionaries |
CN112116840B (zh) * | 2019-06-19 | 2022-07-01 | 广东小天才科技有限公司 | 一种基于图像识别的作业批改方法、***和智能终端 |
-
2021
- 2021-03-25 CN CN202110316790.4A patent/CN112712069B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287296A (zh) * | 2019-05-21 | 2019-09-27 | 平安科技(深圳)有限公司 | 一种问题答案选取方法、装置、计算机设备及存储介质 |
CN112115736A (zh) * | 2019-06-19 | 2020-12-22 | 广东小天才科技有限公司 | 一种基于图像识别的作业批改方法、***和智能终端 |
Non-Patent Citations (2)
Title |
---|
基于稀疏编码的图像检索技术及其应用研究;王瑞霞;《中国博士学位论文全文数据库(电子期刊) 信息科技辑》;20180515;图1-1、正文第3.3.3节及第3.4节 * |
王瑞霞.基于稀疏编码的图像检索技术及其应用研究.《中国博士学位论文全文数据库(电子期刊) 信息科技辑》.2018, * |
Also Published As
Publication number | Publication date |
---|---|
CN112712069A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712069B (zh) | 一种判题方法、装置、电子设备及存储介质 | |
CN112966712B (zh) | 语言模型训练方法、装置、电子设备和计算机可读介质 | |
CN110795543B (zh) | 基于深度学习的非结构化数据抽取方法、装置及存储介质 | |
CN111340131A (zh) | 图像的标注方法、装置、可读介质和电子设备 | |
CN112597999B (zh) | 一种题目识别方法、装置、电子设备及计算机存储介质 | |
CN111738041A (zh) | 一种视频分割方法、装置、设备及介质 | |
CN112364829B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
CN112598000A (zh) | 题目识别方法、装置、电子设备及计算机存储介质 | |
CN111241285A (zh) | 问题回答类型的识别方法、装置、设备及存储介质 | |
CN109816023B (zh) | 用于生成图片标签模型的方法和装置 | |
CN112883968A (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112434510A (zh) | 一种信息处理方法、装置、电子设备和存储介质 | |
CN113407814A (zh) | 文本搜索方法、装置、可读介质及电子设备 | |
CN114494709A (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN114519397B (zh) | 基于对比学习的实体链接模型的训练方法、装置、设备 | |
CN111402113A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111125550B (zh) | 兴趣点分类方法、装置、设备及存储介质 | |
CN110852103A (zh) | 一种命名实体识别方法及装置 | |
CN114444508A (zh) | 日期识别方法、装置、可读介质及电子设备 | |
CN110991183A (zh) | 问题的谓词确定方法、装置、设备及存储介质 | |
CN113140012A (zh) | 图像处理方法、装置、介质及电子设备 | |
CN111931875A (zh) | 数据处理方法、电子设备及计算机可读介质 | |
CN114925680A (zh) | 物流兴趣点信息生成方法、装置、设备和计算机可读介质 | |
CN115393867A (zh) | 文本识别模型生成方法、文本识别方法、设备及存储介质 | |
CN114463768A (zh) | 表格识别方法、装置、可读介质和电子设备 |
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 |