CN116758572A - 一种文本获取方法及其相关设备 - Google Patents
一种文本获取方法及其相关设备 Download PDFInfo
- Publication number
- CN116758572A CN116758572A CN202310488188.8A CN202310488188A CN116758572A CN 116758572 A CN116758572 A CN 116758572A CN 202310488188 A CN202310488188 A CN 202310488188A CN 116758572 A CN116758572 A CN 116758572A
- Authority
- CN
- China
- Prior art keywords
- text
- target
- vector representation
- target image
- position information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 152
- 239000013598 vector Substances 0.000 claims description 358
- 238000012549 training Methods 0.000 claims description 81
- 230000015654 memory Effects 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 60
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 72
- 238000013528 artificial neural network Methods 0.000 description 40
- 238000010586 diagram Methods 0.000 description 35
- 238000000605 extraction Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 27
- 239000011159 matrix material Substances 0.000 description 26
- 230000000007 visual effect Effects 0.000 description 23
- 238000003062 neural network model Methods 0.000 description 19
- 238000006243 chemical reaction Methods 0.000 description 16
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 125000004122 cyclic group Chemical group 0.000 description 8
- 206010012601 diabetes mellitus Diseases 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 8
- 238000013500 data storage Methods 0.000 description 7
- MHABMANUFPZXEB-UHFFFAOYSA-N O-demethyl-aloesaponarin I Natural products O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=C(O)C(C(O)=O)=C2C MHABMANUFPZXEB-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
-
- 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
- G06V30/413—Classification of content, e.g. text, photographs or tables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种文本获取方法及其相关设备,可从目标图像中获取准确的目标文本。本申请的方法包括:当需要从目标图像中提取目标文本时,可先获取包含多个文本的目标图像,并将目标图像输入至目标模型。接着,目标模型可对目标图像进行编码,从而得到目标图像的特征。然后,目标模型可对目标图像的特征进行处理,从而得到多个文本中的目标文本在目标图像中的位置信息。最后,目标模型可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。至此,则成功从目标图像中提取出了目标文本。
Description
技术领域
本申请实施例涉及人工智能(artificial intelligence,AI)领域,尤其涉及一种文本获取方法及其相关设备。
背景技术
随着AI技术的快速发展,越来越多的用户使用预训练的神经网络模型(也可以称为预训练模型),来完成针对呈现有多个文本的图像的分析处理,也就是说,预训练的神经网络模型可以对图像进行充分理解,以从图像所呈现的多个文本中,提取出目标文本。
相关技术中,预训练的神经网络模型可以包含编码器和解码器。当需要从图像所呈现的多个文本中提取目标文本时时,可将图像输入至神经网络模型中。那么,编码器可对图像进行编码,从而得到图像的特征,并将图像的特征提供给解码器。然后,解码器可基于图像的特征进行解码,从而得到目标文本。
上述过程中,神经网络模型是基于图像的特征,来对图像的内容进行理解,以从图像所呈现的多个文本中提取出目标文本。但是,神经网络模型在对图像进行理解时,所考虑的因素较为单一,导致模型最终得到的目标文本可能不是准确的文本。
发明内容
本申请实施例提供了一种文本获取方法及其相关设备,可从目标图像中获取准确的目标文本。
本申请实施例的第一方面提供了一种文本获取方法,该方法通过目标模型实现,该方法包括:
当需要从包含目标图像中获取目标文本时,可先获取目标图像。需要说明的是,目标图像所呈现的内容包含多个文本,多个文本包含所需获取的目标文本。
得到目标图像后,可将目标图像输入至目标模型,故目标模型可先对目标图像进行编码,从而得到目标图像的特征。得到目标图像的特征后,目标模型可对目标图像的特征进行处理,从而得到目标文本在目标图像中的位置信息。得到目标文本在目标图像中的位置信息后,解码器可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。
需要说明的是,目标模型的输入不仅包含外部输入的目标图像,还包含自身得到的目标文本在目标图像中的位置信息,目标模型对外的输出不仅包含目标文本,还包含目标文本在目标图像中的位置信息,也就是说,目标文本和目标文本在目标图像中的位置信息为目标模型的两个输出。至此,则成功从目标图像中获取到了目标文本。
从上述方法可以看出:当需要从目标图像中提取目标文本时,可先获取包含多个文本的目标图像,并将目标图像输入至目标模型。接着,目标模型可对目标图像进行编码,从而得到目标图像的特征。然后,目标模型可对目标图像的特征进行处理,从而得到多个文本中的目标文本在目标图像中的位置信息。最后,目标模型可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。至此,则成功从目标图像中提取出了目标文本。前述过程中,目标模型在对目标图像的内容进行理解时,不仅考虑了目标图像的特征,还考虑了目标文本在目标图像中的位置信息,这样考虑的因素较为全面,可以对目标图像的内容进行充分且准确的理解,由此可见,目标模型按照这种方式从目标图像所呈现的多个文本中提取出的目标文本,通常是正确的文本。
在一种可能实现的方式中,基于特征,获取目标文本在目标图像中的位置信息包括:基于特征,对目标文本在目标图像中的位置信息的第1个向量表示至位置信息的第i个向量表示进行解码,得到位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到。前述实现方式中,若目标文本的数量为一个,在得到目标图像的特征后,目标模型可先基于目标图像的特征,对预置的向量表示进行解码,从而得到目标文本在目标图像中的位置信息的第1个向量表示。接着,目标模型可基于目标图像的特征,对目标文本在目标图像中的位置信息的第1个向量表示进行解码,从而得到目标文本在目标图像中的位置信息的第2个向量表示,...,最后,目标模型可基于目标图像的特征,对目标文本在目标图像中的位置信息的第1个向量表示至目标文本在目标图像中的位置信息的第X-1个向量表示进行解码,从而得到目标文本在目标图像中的位置信息的第X个向量表示。如此一来,目标模型可以准确得到以向量表示形式呈现的目标文本在目标图像中的位置信息。
在一种可能实现的方式中,基于特征以及位置信息,获取目标文本包括:基于特征,对位置信息,目标文本的第1个向量表示至目标文本的第j个向量表示进行解码,得到目标文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,目标文本的第1个向量表示基于特征对位置信息进行解码得到。前述实现方式中,若目标文本的数量为一个,在得到目标文本在目标图像中的位置信息后,目标模型可先基于目标图像的特征,对目标文本在目标图像中的位置信息进行解码,从而得到目标文本的第1个向量表示。接着,目标模型可基于目标图像的特征,对目标文本在目标图像中的位置信息以及目标文本的第1个向量表示进行解码,从而得到目标文本的第2个向量表示,...,最后,目标模型可基于目标图像的特征,对目标文本在目标图像中的位置信息,目标文本的第1个向量表示至目标文本的第Y-1个向量表示进行解码,从而得到目标文本的第Y个向量表示。如此一来,目标模型可以准确得到以向量表示形式呈现的目标文本。
在一种可能实现的方式中,目标文本包含第一文本以及第二文本,位置信息包含第一文本在目标图像中的第一位置信息以及第二文本在目标图像中的第二位置信息,基于特征,获取目标文本在目标图像中的位置信息包括:基于特征,对第一位置信息的第1个向量表示至第一位置信息的第i个向量表示进行解码,得到第一位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,第一位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息的第1个向量表示至第二位置信息的第k个向量表示进行解码,得到第一位置信息的第k+1个向量表示,k=1,...,Z-1,Z≥1,第二位置信息的第1个向量表示基于特征对第一位置信息以及第一文本进行解码得到。前述实现方式中,若目标文本的数量为两个,可将这两个目标文本分别称为第一文本以及第二文本。在得到目标图像的特征后,目标模型可先基于目标图像的特征,对预置的向量表示进行解码,从而得到第一文本在目标图像中的第一位置信息的第1个向量表示。接着,目标模型可基于目标图像的特征,对第一位置信息的第1个向量表示进行解码,从而得到第一位置信息的第2个向量表示,...,最后,目标模型可基于目标图像的特征,对第一位置信息的第1个向量表示至第一位置信息的第X-1个向量表示进行解码,从而得到第一位置信息的第X个向量表示。如此一来,目标模型可得到完整的以向量表示形式呈现的第一位置信息。得到第一位置信息后,目标模型可基于目标图像的特征,对第一位置信息进行处理,从而得到第一文本。得到第一文本后,目标模型可先基于目标图像的特征,对第一位置信息以及第一文本进行解码,从而得到第二文本在目标图像中的第二位置信息的第1个向量表示。接着,目标模型可基于目标图像的特征,对第一位置信息、第一文本以及第二位置信息的第1个向量表示进行解码,从而得到第二位置信息的第2个向量表示,...,最后,目标模型可基于目标图像的特征,对第一位置信息、第一文本、第二位置信息的第1个向量表示至第二位置信息的第Z-1个向量表示进行解码,从而得到第二位置信息的第Z个向量表示。如此一来,目标模型可以准确得到以向量表示形式呈现的第二位置信息。
在一种可能实现的方式中,基于特征以及位置信息,获取目标文本包括:基于特征,对第一位置信息,第一文本的第1个向量表示至第一文本的第j个向量表示进行解码,得到第一文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,第一文本的第1个向量表示基于特征对位置信息进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息,第二文本的第1个向量表示至第二文本的第t个向量表示进行解码,得到第二文本的第t+1个向量表示,t=1,...,U-1,U≥1,第二文本的第1个向量表示基于特征对第一位置信息,第一文本以及第二位置信息进行解码得到。前述实现方式中,若目标文本的数量为两个,可将这两个目标文本分别称为第一文本以及第二文本。在得到第一文本在目标图像中的第一位置信息后,目标模型可先基于目标图像的特征,对第一位置信息进行解码,从而得到第一文本的第1个向量表示。接着,目标模型可基于目标图像的特征,对第一位置信息以及第一文本的第1个向量表示进行解码,从而得到第一文本的第2个向量表示,...,最后,目标模型可基于目标图像的特征,对第一位置信息,第一文本的第1个向量表示至第一文本的第Y-1个向量表示进行解码,从而得到第一文本的第Y个向量表示。如此一来,目标模型可以得到以向量表示形式呈现的第一文本。得到第一文本后,目标模型可基于目标图像的特征,对第一位置信息以及第一文本进行处理,从而得到第二文本在目标图像中的第二位置信息。得到第二文本在目标图像中的第二位置信息后,目标模型可先基于目标图像的特征,对第一位置信息、第一文本以及第二位置信息进行解码,从而得到第二文本的第1个向量表示。接着,目标模型可基于目标图像的特征,对第一位置信息、第一文本、第二位置信息以及第二文本的第1个向量表示进行解码,从而得到第二文本的第2个向量表示,...,最后,目标模型可基于目标图像的特征,对第一位置信息、第一文本、第二位置信息、第二文本的第1个向量表示至第二文本的第U-1个向量表示进行解码,从而得到第二文本的第U个向量表示。如此一来,目标模型可以准确得到以向量表示形式呈现的第二文本。
在一种可能实现的方式中,该方法还包括:对位置信息的所有向量表示进行转换,得到目标文本在目标图像中所占据的区域的坐标。前述实现方式中,目标模型可将以向量表示形式呈现的目标文本(在目标图像中)的位置信息转换为以坐标形式呈现的目标文本的位置信息,以为用户提供目标文本在目标图像中的可视化效果。
在一种可能实现的方式中,该方法还包括:对目标文本的所有向量表示进行转换,得到目标文本的所有字符。前述实现方式中,目标模型还可将以向量表示形式呈现的目标文本转换为以字符(文字)形式呈现的目标文本,进一步为用户提供目标文本在目标图像中的可视化效果。
在一种可能实现的方式中,目标模型对目标文本以及位置信息所执行的转换可以为以下至少一种:基于循环神经网络的特征提取、基于多层感知机的特征提取以及基于时间卷积网络的特征提取。
在一种可能实现的方式中,区域的坐标为以下至少一种:区域的左上角的顶点坐标以及区域的右下角的顶点坐标;或,区域的右上角的顶点坐标以及区域的左下角的顶点坐标;或,区域的四个角的顶点坐标;或,区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的左上角的顶点坐标以及区域的中心点坐标;或,区域的右下角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标、区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标。
本申请实施例的第二方面提供了一种模型训练方法,该方法包括:获取目标图像,目标图像包含多个文本;通过待训练模型对目标图像进行处理,得到目标文本在目标图像中的位置信息以及目标文本,多个文本包含目标文本,待训练模型用于:对目标图像进行编码,得到目标图像的特征;基于特征,获取位置信息;基于特征以及位置信息,获取目标文本;基于目标文本,对待训练模型进行训练,得到目标模型。
上述方法训练得到的目标文本,具备文本获取功能。具体地,当需要从目标图像中提取目标文本时,可先获取包含多个文本的目标图像,并将目标图像输入至目标模型。接着,目标模型可对目标图像进行编码,从而得到目标图像的特征。然后,目标模型可对目标图像的特征进行处理,从而得到多个文本中的目标文本在目标图像中的位置信息。最后,目标模型可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。至此,则成功从目标图像中提取出了目标文本。前述过程中,目标模型在对目标图像的内容进行理解时,不仅考虑了目标图像的特征,还考虑了目标文本在目标图像中的位置信息,这样考虑的因素较为全面,可以对目标图像的内容进行充分且准确的理解,由此可见,目标模型按照这种方式从目标图像所呈现的多个文本中提取出的目标文本,通常是正确的文本。
在一种可能实现的方式中,待训练模型,用于基于特征,对目标文本在目标图像中的位置信息的第1个向量表示至位置信息的第i个向量表示进行解码,得到位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到。
在一种可能实现的方式中,待训练模型,用于基于特征,对位置信息,目标文本的第1个向量表示至目标文本的第j个向量表示进行解码,得到目标文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,目标文本的第1个向量表示基于特征对位置信息进行解码得到。
在一种可能实现的方式中,目标文本包含第一文本以及第二文本,位置信息包含第一文本在目标图像中的第一位置信息以及第二文本在目标图像中的第二位置信息,待训练模型,用于:基于特征,对第一位置信息的第1个向量表示至第一位置信息的第i个向量表示进行解码,得到第一位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,第一位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息的第1个向量表示至第二位置信息的第k个向量表示进行解码,得到第一位置信息的第k+1个向量表示,k=1,...,Z-1,Z≥1,第二位置信息的第1个向量表示基于特征对第一位置信息以及第一文本进行解码得到。
在一种可能实现的方式中,待训练模型,用于:基于特征,对第一位置信息,第一文本的第1个向量表示至第一文本的第j个向量表示进行解码,得到第一文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,第一文本的第1个向量表示基于特征对位置信息进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息,第二文本的第1个向量表示至第二文本的第t个向量表示进行解码,得到第二文本的第t+1个向量表示,t=1,...,U-1,U≥1,第二文本的第1个向量表示基于特征对第一位置信息,第一文本以及第二位置信息进行解码得到。
在一种可能实现的方式中,待训练模型,还用于对位置信息的所有向量表示进行转换,得到目标文本在目标图像中所占据的区域的坐标。
在一种可能实现的方式中,待训练模型,还用于对目标文本的所有向量表示进行转换,得到目标文本的所有字符。基于目标文本,对待训练模型进行训练,得到目标模型包括:基于字符以及坐标,对待训练模型进行训练,得到目标模型。
在一种可能实现的方式中,待训练模型对目标文本以及位置信息所执行的转换可以为以下至少一种:基于循环神经网络的特征提取、基于多层感知机的特征提取以及基于时间卷积网络的特征提取。
在一种可能实现的方式中,区域的坐标为以下至少一种:区域的左上角的顶点坐标以及区域的右下角的顶点坐标;或,区域的右上角的顶点坐标以及区域的左下角的顶点坐标;或,区域的四个角的顶点坐标;或,区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的左上角的顶点坐标以及区域的中心点坐标;或,区域的右下角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标、区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标。
本申请实施例的第三方面提供了一种文本获取装置,该装置包含目标模型,该装置包括:第一获取模块,用于获取目标图像,目标图像包含多个文本;编码模块,用于对目标图像进行编码,得到目标图像的特征;第二获取模块,用于基于特征,获取目标文本在目标图像中的位置信息,多个文本包含目标文本;第三获取模块,用于基于特征以及位置信息,获取目标文本。
从上述装置可以看出:当需要从目标图像中提取目标文本时,可先获取包含多个文本的目标图像,并将目标图像输入至目标模型。接着,目标模型可对目标图像进行编码,从而得到目标图像的特征。然后,目标模型可对目标图像的特征进行处理,从而得到多个文本中的目标文本在目标图像中的位置信息。最后,目标模型可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。至此,则成功从目标图像中提取出了目标文本。前述过程中,目标模型在对目标图像的内容进行理解时,不仅考虑了目标图像的特征,还考虑了目标文本在目标图像中的位置信息,这样考虑的因素较为全面,可以对目标图像的内容进行充分且准确的理解,由此可见,目标模型按照这种方式从目标图像所呈现的多个文本中提取出的目标文本,通常是正确的文本。
在一种可能实现的方式中,第二获取模块,用于基于特征,对目标文本在目标图像中的位置信息的第1个向量表示至位置信息的第i个向量表示进行解码,得到位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到。
在一种可能实现的方式中,第三获取模块,用于基于特征,对位置信息,目标文本的第1个向量表示至目标文本的第j个向量表示进行解码,得到目标文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,目标文本的第1个向量表示基于特征对位置信息进行解码得到。
在一种可能实现的方式中,目标文本包含第一文本以及第二文本,位置信息包含第一文本在目标图像中的第一位置信息以及第二文本在目标图像中的第二位置信息,第二获取模块,用于基于特征,对第一位置信息的第1个向量表示至第一位置信息的第i个向量表示进行解码,得到第一位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,第一位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息的第1个向量表示至第二位置信息的第k个向量表示进行解码,得到第一位置信息的第k+1个向量表示,k=1,...,Z-1,Z≥1,第二位置信息的第1个向量表示基于特征对第一位置信息以及第一文本进行解码得到。
在一种可能实现的方式中,第三获取模块,用于基于特征,对第一位置信息,第一文本的第1个向量表示至第一文本的第j个向量表示进行解码,得到第一文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,第一文本的第1个向量表示基于特征对位置信息进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息,第二文本的第1个向量表示至第二文本的第t个向量表示进行解码,得到第二文本的第t+1个向量表示,t=1,...,U-1,U≥1,第二文本的第1个向量表示基于特征对第一位置信息,第一文本以及第二位置信息进行解码得到。
在一种可能实现的方式中,该装置还包括:第一转换模块,用于对位置信息的所有向量表示进行转换,得到目标文本在目标图像中所占据的区域的坐标。
在一种可能实现的方式中,该装置还包括:第二转换模块,用于对目标文本的所有向量表示进行转换,得到目标文本的所有字符。
在一种可能实现的方式中,目标模型对目标文本以及位置信息所执行的转换可以为以下至少一种:基于循环神经网络的特征提取、基于多层感知机的特征提取以及基于时间卷积网络的特征提取。
在一种可能实现的方式中,区域的坐标为以下至少一种:区域的左上角的顶点坐标以及区域的右下角的顶点坐标;或,区域的右上角的顶点坐标以及区域的左下角的顶点坐标;或,区域的四个角的顶点坐标;或,区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的左上角的顶点坐标以及区域的中心点坐标;或,区域的右下角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标、区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标。
本申请实施例的第四方面提供了一种模型训练装置,该装置包括:获取模块,用于获取目标图像,目标图像包含多个文本;处理模块,用于通过待训练模型对目标图像进行处理,得到目标文本在目标图像中的位置信息以及目标文本,多个文本包含目标文本,待训练模型用于:对目标图像进行编码,得到目标图像的特征;基于特征,获取位置信息;基于特征以及位置信息,获取目标文本;训练模块,用于基于目标文本,对待训练模型进行训练,得到目标模型。
上述装置训练得到的目标文本,具备文本获取功能。具体地,当需要从目标图像中提取目标文本时,可先获取包含多个文本的目标图像,并将目标图像输入至目标模型。接着,目标模型可对目标图像进行编码,从而得到目标图像的特征。然后,目标模型可对目标图像的特征进行处理,从而得到多个文本中的目标文本在目标图像中的位置信息。最后,目标模型可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。至此,则成功从目标图像中提取出了目标文本。前述过程中,目标模型在对目标图像的内容进行理解时,不仅考虑了目标图像的特征,还考虑了目标文本在目标图像中的位置信息,这样考虑的因素较为全面,可以对目标图像的内容进行充分且准确的理解,由此可见,目标模型按照这种方式从目标图像所呈现的多个文本中提取出的目标文本,通常是正确的文本。
在一种可能实现的方式中,待训练模型,用于基于特征,对目标文本在目标图像中的位置信息的第1个向量表示至位置信息的第i个向量表示进行解码,得到位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到。
在一种可能实现的方式中,待训练模型,用于基于特征,对位置信息,目标文本的第1个向量表示至目标文本的第j个向量表示进行解码,得到目标文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,目标文本的第1个向量表示基于特征对位置信息进行解码得到。
在一种可能实现的方式中,目标文本包含第一文本以及第二文本,位置信息包含第一文本在目标图像中的第一位置信息以及第二文本在目标图像中的第二位置信息,待训练模型,用于:基于特征,对第一位置信息的第1个向量表示至第一位置信息的第i个向量表示进行解码,得到第一位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,第一位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息的第1个向量表示至第二位置信息的第k个向量表示进行解码,得到第一位置信息的第k+1个向量表示,k=1,...,Z-1,Z≥1,第二位置信息的第1个向量表示基于特征对第一位置信息以及第一文本进行解码得到。
在一种可能实现的方式中,待训练模型,用于:基于特征,对第一位置信息,第一文本的第1个向量表示至第一文本的第j个向量表示进行解码,得到第一文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,第一文本的第1个向量表示基于特征对位置信息进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息,第二文本的第1个向量表示至第二文本的第t个向量表示进行解码,得到第二文本的第t+1个向量表示,t=1,...,U-1,U≥1,第二文本的第1个向量表示基于特征对第一位置信息,第一文本以及第二位置信息进行解码得到。
在一种可能实现的方式中,待训练模型,还用于对位置信息的所有向量表示进行转换,得到目标文本在目标图像中所占据的区域的坐标。
在一种可能实现的方式中,待训练模型,还用于对目标文本的所有向量表示进行转换,得到目标文本的所有字符。训练模块,用于基于字符以及坐标,对待训练模型进行训练,得到目标模型。
在一种可能实现的方式中,待训练模型对目标文本以及位置信息所执行的转换可以为以下至少一种:基于循环神经网络的特征提取、基于多层感知机的特征提取以及基于时间卷积网络的特征提取。
在一种可能实现的方式中,区域的坐标为以下至少一种:区域的左上角的顶点坐标以及区域的右下角的顶点坐标;或,区域的右上角的顶点坐标以及区域的左下角的顶点坐标;或,区域的四个角的顶点坐标;或,区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的左上角的顶点坐标以及区域的中心点坐标;或,区域的右下角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标、区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标。
本申请实施例的第五方面提供了一种故障预测装置,该装置包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,故障预测装置执行如第一方面或第一方面中任意一种可能的实现方式所述的方法。
本申请实施例的第六方面提供了一种模型训练装置,该装置包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,模型训练装置执行如第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第七方面提供了一种电路***,该电路***包括处理电路,该处理电路配置为执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第八方面提供了一种芯片***,该芯片***包括处理器,用于调用存储器中存储的计算机程序或计算机指令,以使得该处理器执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
在一种可能的实现方式中,该处理器通过接口与存储器耦合。
在一种可能的实现方式中,该芯片***还包括存储器,该存储器中存储有计算机程序或计算机指令。
本申请实施例的第九方面提供了一种计算机存储介质,该计算机存储介质存储有计算机程序,该程序在由计算机执行时,使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第十方面提供了一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执行时,使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例中,当需要从目标图像中提取目标文本时,可先获取包含多个文本的目标图像,并将目标图像输入至目标模型。接着,目标模型可对目标图像进行编码,从而得到目标图像的特征。然后,目标模型可对目标图像的特征进行处理,从而得到多个文本中的目标文本在目标图像中的位置信息。最后,目标模型可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。至此,则成功从目标图像中提取出了目标文本。前述过程中,目标模型在对目标图像的内容进行理解时,不仅考虑了目标图像的特征,还考虑了目标文本在目标图像中的位置信息,这样考虑的因素较为全面,可以对目标图像的内容进行充分且准确的理解,由此可见,目标模型按照这种方式从目标图像所呈现的多个文本中提取出的目标文本,通常是正确的文本。
附图说明
图1为人工智能主体框架的一种结构示意图;
图2a为本申请实施例提供的文本获取***的一个结构示意图;
图2b为本申请实施例提供的文本获取***的另一结构示意图;
图2c为本申请实施例提供的文本获取的相关设备的一个示意图;
图3为本申请实施例提供的***100架构的一个示意图;
图4为本申请实施例提供的目标模型的一个结构示意图;
图5为本申请实施例提供的文本获取方法的一个流程示意图;
图6为本申请实施例提供的目标模型的另一结构示意图;
图7为本申请实施例提供的目标模型的另一结构示意图;
图8为本申请实施例提供的目标模型的另一结构示意图;
图9为本申请实施例提供的文档问答的一个示意图;
图10为本申请实施例提供的目标模型的另一结构示意图;
图11为本申请实施例提供的信息抽取的一个示意图;
图12为本申请实施例提供的模型训练方法的一个流程示意图;
图13为本申请实施例提供的文本获取装置的一个结构示意图;
图14为本申请实施例提供的模型训练装置的一个结构示意图;
图15为本申请实施例提供的执行设备的一个结构示意图;
图16为本申请实施例提供的训练设备的一个结构示意图;
图17为本申请实施例提供的芯片的一个结构示意图。
具体实施方式
本申请实施例提供了一种文本获取方法及其相关设备,可从目标图像中获取准确的目标文本。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
随着AI技术的快速发展,越来越多的用户使用预训练的神经网络模型(也可以称为预训练模型),来完成针对呈现有多个文本的图像的分析处理,也就是说,预训练的神经网络模型可以对图像进行充分理解,以从图像所呈现的多个文本中,提取出目标文本。
相关技术中,预训练的神经网络模型可以包含编码器和解码器。当用户需要从图像所呈现的多个文本中提取目标文本时时,可将图像输入至神经网络模型中。那么,编码器可对图像进行编码,从而得到图像的特征,并将图像的特征提供给解码器。然后,解码器可基于图像的特征进行解码,从而得到并给用户返回目标文本。例如,当用户需要从火车票的图像中提取出乘车人的姓名,可将该图像输入至预训练模型中,预训练模型可提取该图像的特征,并基于该图像的特征,从该图像所呈现的“乘车人的姓名”、“班次”、“时间”、“出发地”以及“目的地”等多个文本中,提取出“乘车人的姓名”这一文本,并返回给用户。
上述过程中,神经网络模型是基于图像的特征,来对图像的内容进行理解,以从图像所呈现的多个文本中提取出目标文本。但是,神经网络模型在对图像进行理解时,所考虑的因素较为单一,导致模型最终得到的目标文本可能不是准确的文本。
进一步地,上述过程中,神经网络模型通常仅输出纯文字的目标文本给用户,无法为用户提供合理的输出解释(也就是无法解释模型会提取出目标文本)和可视化交互(也就是无法额外提供除文字之外的一些跟目标文本相关的其余内容),降低了用户体验,
更进一步地,上述过程中,神经网络模型的输出长度是有限制的,而且在一些特殊场景中,用户往往需要获取较长的文本,而模型无法满足该需求,进一步降低了用户体验。
为了解决上述问题,本申请实施例提供一种文本获取方法,该方法该方法可结合人工智能(artificial intelligence,AI)技术实现。AI技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能的技术学科,AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说,人工智能技术是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。利用人工智能进行数据处理是人工智能常见的一个应用方式。
首先对人工智能***总体工作流程进行描述,请参见图1,图1为人工智能主体框架的一种结构示意图,下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中,“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到***的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能***提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算***中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有***的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能***中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用***,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能***在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
接下来介绍几种本申请的应用场景。
图2a为本申请实施例提供的文本获取***的一个结构示意图,该文本获取***包括用户设备以及数据处理设备。其中,用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为文本获取的发起端,作为文本获取请求的发起方,通常由用户通过用户设备发起请求。
上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的文本处理请求,再通过存储数据的存储器以及数据处理的处理器环节进行机器学习,深度学习,搜索,推理,决策等方式的文本处理。数据处理设备中的存储器可以是一个统称,包括本地存储以及存储历史数据的数据库,数据库可以在数据处理设备上,也可以在其它网络服务器上。
在图2a所示的文本获取***中,用户设备可以接收用户的指令,例如用户设备可以获取用户输入/选择的一个包含多个文本的目标图像,然后向数据处理设备发起请求,使得数据处理设备针对用户设备得到的目标图像执行图像处理应用,从而得到针对该图像的对应的处理结果。示例性的,用户设备可以获取用户输入的一个目标图像(目标图像所呈现的内容包含多个文本),然后向数据处理设备发起目标图像的处理请求,使得数据处理设备对目标图像进行一系列的处理,从而得到目标图像的处理结果,即目标图像所包含的多个文本中的目标文本以及目标文本在目标图像中的位置信息。
在图2a中,数据处理设备可以执行本申请实施例的文本获取方法。
图2b为本申请实施例提供的文本获取***的另一结构示意图,在图2b中,用户设备直接作为数据处理设备,该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理,具体过程与图2a相似,可参考上面的描述,在此不再赘述。
在图2b所示的文本获取***中,用户设备可以接收用户的指令,例如用户设备可以获取用户输入的一个目标图像(目标图像所呈现的内容包含多个文本),然后对目标图像进行一系列的处理,从而得到目标图像的处理结果,即目标图像所包含的多个文本中的目标文本以及目标文本在目标图像中的位置信息。
在图2b中,用户设备自身就可以执行本申请实施例的文本获取方法。
图2c为本申请实施例提供的文本获取的相关设备的一个示意图。
上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备302,图2a中的数据处理设备具体可以是图2c中的执行设备210,其中,数据存储***250可以存储执行设备210的待处理数据,数据存储***250可以集成在执行设备210上,也可以设置在云上或其它网络服务器上。
图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如,基于支持向量机的模型)进行数据训练/机器学习/深度学习,并利用数据最终训练或者学习得到的模型针对图像执行图像处理应用,从而得到相应的处理结果。
图3为本申请实施例提供的***100架构的一个示意图,在图3中,执行设备110配置输入/输出(input/output,I/O)接口112,用于与外部设备进行数据交互,用户可以通过客户设备140向I/O接口112输入数据,所述输入数据在本申请实施例中可以包括:各个待调度任务、可调用资源以及其他参数。
在执行设备110对输入数据进行预处理,或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中,执行设备110可以调用数据存储***150中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储***150中。
最后,I/O接口112将处理结果返回给客户设备140,从而提供给用户。
值得说明的是,训练设备120可以针对不同的目标或称不同的任务,基于不同的训练数据生成相应的目标模型/规则,该相应的目标模型/规则即可以用于实现上述目标或完成上述任务,从而为用户提供所需的结果。其中,训练数据可以存储在数据库130中,且来自于数据采集设备160采集的训练样本。
在图3中所示情况下,用户可以手动给定输入数据,该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下,客户设备140可以自动地向I/O接口112发送输入数据,如果要求客户设备140自动发送输入数据需要获得用户的授权,则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端,采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据,并存入数据库130。当然,也可以不经过客户设备140进行采集,而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果,作为新的样本数据存入数据库130。
值得注意的是,图3仅是本申请实施例提供的一种***架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图3中,数据存储***150相对执行设备110是外部存储器,在其它情况下,也可以将数据存储***150置于执行设备110中。如图3所示,可以根据训练设备120训练得到神经网络。
本申请实施例还提供的一种芯片,该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3所示的执行设备110中,用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中,用以完成训练设备120的训练工作并输出目标模型/规则。
神经网络处理器NPU,NPU作为协处理器挂载到主中央处理器(centralprocessing unit,CPU)(host CPU)上,由主CPU分配任务。NPU的核心部分为运算电路,控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。
在一些实现中,运算电路内部包括多个处理单元(process engine,PE)。在一些实现中,运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)中。
向量计算单元可以对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。例如,向量计算单元可以用于神经网络中非卷积/非FC层的网络计算,如池化(pooling),批归一化(batch normalization),局部响应归一化(localresponse normalization)等。
在一些实现种,向量计算单元能将经处理的输出的向量存储到统一缓存器。例如,向量计算单元可以将非线性函数应用到运算电路的输出,例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元生成归一化的值、合并值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路的激活输入,例如用于在神经网络中的后续层中的使用。
统一存储器用于存放输入数据以及输出数据。
权重数据直接通过存储单元访问控制器(direct memory access controller,DMAC)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器,以及将统一存储器中的数据存入外部存储器。
总线接口单元(bus interface unit,BIU),用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。
与控制器连接的取指存储器(instruction fetch buffer),用于存储控制器使用的指令;
控制器,用于调用指存储器中缓存的指令,实现控制该运算加速器的工作过程。
一般地,统一存储器,输入存储器,权重存储器以及取指存储器均为片上(On-Chip)存储器,外部存储器为该NPU外部的存储器,该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory,DDRSDRAM)、高带宽存储器(high bandwidth memory,HBM)或其他可读可写的存储器。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的,神经单元可以是指以xs和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
神经网络中的每一层的工作可以用数学表达式y=a(Wx+b)来描述:从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作,完成输入空间到输出空间的变换(即矩阵的行空间到列空间),这五种操作包括:1、升维/降维;2、放大/缩小;3、旋转;4、平移;5、“弯曲”。其中1、2、3的操作由Wx完成,4的操作由+b完成,5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物,而是一类事物,空间是指这类事物所有个体的集合。其中,W是权重向量,该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换,即每一层的权重W控制着如何变换空间。训练神经网络的目的,也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此,神经网络的训练过程本质上就是学习控制空间变换的方式,更具体的就是学习权重矩阵。
因为希望神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到神经网络能够预测出真正想要的目标值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objective function),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么神经网络的训练就变成了尽可能缩小这个loss的过程。
(2)反向传播算法
神经网络可以采用误差反向传播(back propagation,BP)算法在训练过程中修正初始的神经网络模型中参数的大小,使得神经网络模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的神经网络模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的神经网络模型的参数,例如权重矩阵。
下面从神经网络的训练侧和神经网络的应用侧对本申请提供的方法进行描述。
本申请实施例提供的模型训练方法,涉及数据序列的处理,具体可以应用于数据训练、机器学习、深度学习等方法,对训练数据(例如,本申请实施例的模型训练方法中的目标图像)进行符号化和形式化的智能信息建模、抽取、预处理、训练等,最终得到训练好的神经网络(如本申请中的目标模型);并且,本申请实施例提供的文本获取方法可以运用上述训练好的神经网络,将输入数据(例如,本申请实施例的文本获取方法中的目标图像)输入到所述训练好的神经网络中,得到输出数据(例如,本申请实施例的文本获取方法中的目标文本以及目标文本在目标图像中的位置信息)。需要说明的是,本申请实施例提供的模型训练方法和文本获取方法是基于同一个构思产生的发明,也可以理解为一个***中的两个部分,或一个整体流程的两个阶段:如模型训练阶段和模型应用阶段。
本申请实施例提供的文本获取方法可通过目标模型(也可以称为预训练的文本(文档)模型)实现,下文先对目标模型的结构进行简单的介绍。图4为本申请实施例提供的目标模型的一个结构示意图,如图4所示,目标模型的输入端可用于接收来自外部的目标图像以及来自自身的目标文本在目标图像中的位置信息,目标模型的输出端可对外输出目标文本以及目标文本在目标图像中的位置信息。为了了解图4所示的目标模型的工作流程,下文结合图5对该工作流程进行介绍,图5为本申请实施例提供的文本获取方法的一个流程示意图,如图5所示,该方法包括:
501、获取目标图像,目标图像包含多个文本。
本实施例中,当需要从包含目标图像中获取目标文本时,可先获取目标图像。需要说明的是,目标图像所呈现的内容包含多个文本,例如,当目标图像为收入申报单的图像时,该图像包含“申报人名称:张XX”、“申报时间:20XX年10月02日”、“收入金额:200XXX元”、“申报人的性别:男”以及“申报人的联系方式:130XXXXXXXX”等多个文本,又如,当目标图像为糖尿病统计报表的图像时,该图像包含“糖尿病的介绍:糖尿病是常见的一种疾病...”、“糖尿病的患病率:0.X”、“不同性别的患病率:男为4.X%且女为3.X%”、“糖尿病所造成的年经济损失:6X亿元”以及“糖尿病的可预防概率:6X%”等多个文本。
可以理解的是,所需获取的目标文本的数量可以为一个或多个,也就是说,需要获取目标图像所包含的多个文本中的一个文本或多个文本。依旧如上述例子,比如,当目标图像为收入申报单的图像时,所需获取的目标文本为“申报人名称:张XX”以及“申报时间:20XX年10月02日”这两个文本。又如,当目标图像为糖尿病统计报表的图像时,所需获取的目标文本为“糖尿病的可预防概率:6X%”这一个文本。
502、对目标图像进行编码,得到目标图像的特征。
得到目标图像后,可将目标图像输入至目标模型,目标模型可先对目标图像进行编码,从而得到目标图像的特征。
具体地,如图4所示,目标模型可包含编码器以及解码器。那么,目标模型可通过以下方式获取目标图像的特征:
在将目标图像输入至目标模型后,目标模型的编码器可对目标图像进行编码,从而得到目标图像的特征,并将目标图像的特征发送至目标模型的解码器。
例如,如图6所示(图6为本申请实施例提供的目标模型的另一结构示意图),设某个图像所呈现的内容包含文本1、文本2、文本3、...、文本n(n为大于或等于2的正整数),且目标模型包含编码器(encoder)以及解码器(decoder)。当需要获取该图像中的文本1、文本2、...文本m时(m小于或等于n,且m为大于或等于1的正整数),可将包含该图像输入至目标模型中。那么,目标模型的编码器在接收到该图像后,可对该图像进行编码,以得到该图像的视觉特征。其中,编码的过程如以下公式所示:
H=Encoder(image) (2)
上式中,image为该图像,H为该图像的视觉特征。那么,编码器得到该图像的视觉特征后,可将该图像的视觉特征提供给解码器。
503、基于特征,获取目标文本在目标图像中的位置信息,多个文本包含目标文本。
得到目标图像的特征后,目标模型可对目标图像的特征进行处理,从而得到目标文本在目标图像中的位置信息,并对外输出目标文本在目标图像中的位置信息,也就是说,目标文本在目标图像中的位置信息为目标模型的其中一个输出。
具体地,目标模型可通过以下多种方式获取目标文本在目标图像中的位置信息:
(1)若目标文本的数量为一个,在得到目标图像的特征后,解码器可先基于目标图像的特征,对预置的向量表示(也可以称为序列的起始向量表示,该向量表示的内容通常无意义)进行解码,从而得到目标文本在目标图像中的位置信息的第1个向量表示(token)。接着,解码器可基于目标图像的特征,对目标文本在目标图像中的位置信息的第1个向量表示进行解码,从而得到目标文本在目标图像中的位置信息的第2个向量表示。随后,解码器可基于目标图像的特征,对目标文本在目标图像中的位置信息的第1个向量表示以及目标文本在目标图像中的位置信息的第2个向量表示进行解码,从而得到目标文本在目标图像中的位置信息的第3个向量表示,...,最后,解码器可基于目标图像的特征,对目标文本在目标图像中的位置信息的第1个向量表示至目标文本在目标图像中的位置信息的第X-1个向量表示进行解码,从而得到目标文本在目标图像中的位置信息的第X个向量表示(X为大于或等于1的正整数)。如此一来,解码器可以得到以向量表示形式呈现的目标文本在目标图像中的位置信息。
依旧如上述例子,设仅需从该图像中获取文本1。那么,在得到该图像的视觉特征后,解码器可基于该图像的视觉特征,对序列的起始向量表示(beginning of sequence,BOS)进行解码,从而得到文本1(在该图像中)的位置信息1的向量表示1,也就相当于得到了以向量表示形式呈现的位置信息1。
(2)若目标文本的数量为两个,可将这两个目标文本分别称为第一文本以及第二文本。在得到目标图像的特征后,解码器可先基于目标图像的特征,对预置的向量表示进行解码,从而得到第一文本在目标图像中的第一位置信息的第1个向量表示。接着,解码器可基于目标图像的特征,对第一位置信息的第1个向量表示进行解码,从而得到第一位置信息的第2个向量表示。随后,解码器可基于目标图像的特征,对第一位置信息的第1个向量表示以及第一位置信息的第2个向量表示进行解码,从而得到第一位置信息的第3个向量表示,...,最后,解码器可基于目标图像的特征,对第一位置信息的第1个向量表示至第一位置信息的第X-1个向量表示进行解码,从而得到第一位置信息的第X个向量表示。如此一来,解码器可得到完整的以向量表示形式呈现的第一位置信息。
得到第一位置信息后,解码器可基于目标图像的特征,对第一位置信息进行处理,从而得到第一文本,该过程先不展开。
得到第一文本后,解码器可先基于目标图像的特征,对第一位置信息以及第一文本进行解码,从而得到第二文本在目标图像中的第二位置信息的第1个向量表示。接着,解码器可基于目标图像的特征,对第一位置信息、第一文本以及第二位置信息的第1个向量表示进行解码,从而得到第二位置信息的第2个向量表示。随后,解码器可基于目标图像的特征,对第一位置信息、第一文本、第二位置信息的第1个向量表示以及第二位置信息的第2个向量表示进行解码,从而得到第二位置信息的第3个向量表示,...,最后,解码器可基于目标图像的特征,对第一位置信息、第一文本、第二位置信息的第1个向量表示至第二位置信息的第Z-1个向量表示进行解码,从而得到第二位置信息的第Z个向量表示(Z为大于或等于1的正整数)。如此一来,解码器可以得到以向量表示形式呈现的第二位置信息。
依旧如上述例子,设仅需从该图像中获取文本1和文本2。那么,在得到该图像的视觉特征后,解码器可基于该图像的视觉特征,对序列的起始向量表示进行解码,从而得到文本1(在该图像中)的位置信息1的向量表示1,也就相当于得到了以向量表示形式呈现的位置信息1。
接着,解码器还可基于该图像的视觉特征,对位置信息1进行处理,从而得到文本1,此处先不展开。
然后,解码器还可基于该图像的视觉特征,对位置信息1的向量表示1、文本1的向量表示2、文本1的向量表示3以及文本1的向量表示4进行解码,从而得到文本2(在该图像中)的位置信息2的向量表示5,也就相当于得到了以向量表示形式呈现的位置信息2。
(3)若目标文本的数量为三个或者更多,也就是存在第一文本、第二文本以及第三文本等等,在这种情况下,解码器获取第一文本在目标图像中的第一位置信息、第二文本在目标图像中的第二位置信息以及第三文本在目标图像中的第三位置信息等等的过程,与上述(2)所描述的过程是类似的,此处不做赘述。
504、基于特征以及位置信息,获取目标文本。
得到目标文本在目标图像中的位置信息后,解码器可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本,并对外输出目标文本,也就是说,目标文本为目标模型的另一个输出。
具体地,目标模型可通过以下多种方式来获取目标文本:
(1)若目标文本的数量为一个,在得到目标文本在目标图像中的位置信息后,解码器可先基于目标图像的特征,对目标文本在目标图像中的位置信息进行解码,从而得到目标文本的第1个向量表示。接着,解码器可基于目标图像的特征,对目标文本在目标图像中的位置信息以及目标文本的第1个向量表示进行解码,从而得到目标文本的第2个向量表示。随后,解码器可基于目标图像的特征,对目标文本在目标图像中的位置信息,目标文本的第1个向量表示至目标文本的第2个向量表示进行解码,从而得到目标文本的第3个向量表示,...,最后,解码器可基于目标图像的特征,对目标文本在目标图像中的位置信息,目标文本的第1个向量表示至目标文本的第Y-1个向量表示进行解码,从而得到目标文本的第Y个向量表示(Y为大于或等于1的正整数)。如此一来,解码器可以得到以向量表示形式呈现的目标文本。
依旧如上述例子,设仅需从该图像中获取文本1。在得到文本1的位置信息1后,解码器可基于该图像的视觉特征,对位置信息1进行解码,从而文本1的向量表示2。接着,解码器还可基于该图像的视觉特征,对位置信息1以及文本1的向量表示2进行解码,从而文本1的向量表示3。然后,解码器还可基于该图像的视觉特征,对位置信息1、文本1的向量表示2以及文本1的向量表示3进行解码,从而文本1的向量表示4。至此,也就相当于得到了以向量表示形式呈现的文本1。
(2)若目标文本的数量为两个,可将这两个目标文本分别称为第一文本以及第二文本。在得到第一文本在目标图像中的第一位置信息后,解码器可先基于目标图像的特征,对第一位置信息进行解码,从而得到第一文本的第1个向量表示。接着,解码器可基于目标图像的特征,对第一位置信息以及第一文本的第1个向量表示进行解码,从而得到第一文本的第2个向量表示。随后,解码器可基于目标图像的特征,对第一位置信息,第一文本的第1个向量表示至第一文本的第2个向量表示进行解码,从而得到第一文本的第3个向量表示,...,最后,解码器可基于目标图像的特征,对第一位置信息,第一文本的第1个向量表示至第一文本的第Y-1个向量表示进行解码,从而得到第一文本的第Y个向量表示。如此一来,解码器可以得到以向量表示形式呈现的第一文本。
得到第一文本后,解码器可基于目标图像的特征,对第一位置信息以及第一文本进行处理,从而得到第二文本在目标图像中的第二位置信息,该过程可参考前述相关说明部分,此处不再赘述。
得到第二文本在目标图像中的第二位置信息后,解码器可先基于目标图像的特征,对第一位置信息、第一文本以及第二位置信息进行解码,从而得到第二文本的第1个向量表示。接着,解码器可基于目标图像的特征,对第一位置信息、第一文本、第二位置信息以及第二文本的第1个向量表示进行解码,从而得到第二文本的第2个向量表示。随后,解码器可基于目标图像的特征,对第一位置信息、第一文本、第二位置信息、第二文本的第1个向量表示以及第二文本的第2个向量表示进行解码,从而得到第二文本的第3个向量表示,...,最后,解码器可基于目标图像的特征,对第一位置信息、第一文本、第二位置信息、第二文本的第1个向量表示至第二文本的第U-1个向量表示进行解码,从而得到第二文本的第U个向量表示(U为大于或等于1的正整数)。如此一来,解码器可以得到以向量表示形式呈现的第二文本。
依旧如上述例子,设仅需从该图像中获取文本1。在得到文本1的位置信息1后,解码器可基于该图像的视觉特征,对位置信息1进行解码,从而文本1的向量表示2。接着,解码器还可基于该图像的视觉特征,对位置信息1以及文本1的向量表示2进行解码,从而文本1的向量表示3。然后,解码器还可基于该图像的视觉特征,对位置信息1、文本1的向量表示2以及文本1的向量表示3进行解码,从而文本1的向量表示4。至此,也就相当于得到了以向量表示形式呈现的文本1。
接着,解码器还可基于该图像的视觉特征,对位置信息1以及文本1进行处理,从而得到文本2的位置信息2,该过程可参考前述相关说明部分,此处不再赘述。
然后,解码器还可基于该图像的视觉特征,对位置信息1的向量表示1、文本1的向量表示2、文本1的向量表示3、文本1的向量表示4以及位置信息2的向量表示5进行解码,从而文本2的向量表示6。接着,解码器还可基于该图像的视觉特征,对位置信息1的向量表示1、文本1的向量表示2、文本1的向量表示3、文本1的向量表示4、位置信息2的向量表示5以及文本2的向量表示6进行解码,从而文本2的向量表示7。至此,也就相当于得到了以向量表示形式呈现的文本2。
(3)若目标文本的数量为三个或者更多,也就是存在第一文本、第二文本以及第三文本等等,在这种情况下,解码器获取第一文本、第二文本以及第三文本等等的过程,与上述(2)所描述的过程是类似的,此处不做赘述。
更具体地,如图7所示(图7为本申请实施例提供的目标模型的另一结构示意图),目标模型在包含编码器以及解码器的基础上,还可包含转换器。需要说明的是,在图4所示的目标模型中,目标模型(的解码器)对外输出的是以向量表示形式呈现的目标文本以及目标文本在目标图像中的位置信息,而在图7所示的目标模型中,解码器可将以向量表示形式呈现的目标文本发送至转换器,转换器可对目标文本的所有向量表示进行转换,得到目标文本的所有字符,故转换器可对外输出以字符(文字)形式呈现的目标文本。同样地,解码器还可将以向量表示形式呈现的目标文本在目标图像中的位置信息,发送至转换模型,转换模型可对目标文本在目标图像中的位置信息的所有向量表示进行转换,得到目标文本在目标图像中所占据的区域的坐标,故转换器可对外输出以坐标形式呈现的目标文本在目标图像中的位置信息。
更具体地,在图7所示的目标模型中,转换器可以为以下至少一种:循环神经网络、多层感知机以及时间卷积网络。相应地,转换器对目标文本以及位置信息所执行的转换则可以为以下至少一种:基于循环神经网络的特征提取、基于多层感知机的特征提取以及基于时间卷积网络的特征提取。
更具体地,目标文本在图像图像中所占据的区域的坐标通常包含该区域的左上角的顶点坐标以及该区域的右下角的顶点坐标。需要说明的是,转换模块可通过以下公式来获取该区域的顶点坐标:
上式中,转换模块可对目标文本在目标图像中的位置信息中的所有向量表示进行计算,从而得到该区域的左上角的顶点横坐标的特征再对/>进行计算,从而得到左上角的顶点横坐标Z1。接着,转换模块可/>以及Z1进行计算,从而得到该区域的左上角的顶点纵坐标的特征/>再对/>进行计算,从而得到左上角的顶点纵坐标Z2。以此类推,直至得到该区域的左上角的顶点横坐标Z1、左上角的顶点纵坐标Z2、右下角的顶点横坐标Z3以及右下角的顶点纵坐标Z4。
应理解,本实施例中,仅以该区域的坐标包含该区域的左上角的顶点坐标以及该区域的右下角的顶点坐标进行示意性介绍。在实际应用中,该区域的坐标还可以是以下多种情况中的任意一种:(1)该区域的右上角的顶点坐标以及该区域的左下角的顶点坐标;(2)该区域的四个角的顶点坐标;(3)该区域的左上角的顶点坐标、该区域的左下角的顶点坐标以及该区域的中心点坐标;(4)该区域的右上角的顶点坐标、该区域的右下角的顶点坐标以及该区域的中心点坐标;(5)该区域的右上角的顶点坐标、该区域的左上角的顶点坐标以及该区域的中心点坐标;(6)该区域的右下角的顶点坐标、该区域的左下角的顶点坐标以及该区域的中心点坐标;(7)该区域的右上角的顶点坐标、该区域的右下角的顶点坐标、该区域的左上角的顶点坐标、该区域的左下角的顶点坐标以及该区域的中心点坐标等等。
进一步地,在图4或图7所示的目标模型中,解码器的总输出长度不受限制。一般地,当所需要(位置信息以及文本)的向量表示的总数量小于或等于预置的阈值(例如,1024个)时,解码器可一次性输出所有的向量表示,当所需要的向量表示的总数量大于预置的阈值,解码器可以分批输出这些向量表示。例如,当所需要的向量表示为2000个,解码器可先输出第1个向量表示至第1024个向量表示作为第一批输出,然后,解码器可将第一批输出中末端的25%的向量表示作为输入,继续进行解码,从而输出第1025个向量表示至第2000个向量表示作为第二批输出。由此可见,本申请实施例提供的目标模型,可最终输出数量足够多的文本以及长度足够长的文本。
更进一步地,本申请实施例提供的目标模型为预训练模型,为了适应下游任务,可根据不同下游任务的需求对目标模型(的结构和参数)进行微调。下文结合若干个下游任务对该过程进行介绍:
设下游任务为文档问答任务,如图8所示(图8为本申请实施例提供的目标模型的另一结构示意图),目标模型中的解码器依旧连接着坐标转换器和文字转换器(图8所示的目标模型的结构和图7所示的目标模型的结构可以是相同的),此时,输入至解码器的BOS为用户输入的提示(问题),解码器会基于用户输入的图像的特征,输出向量表示形式的回答的位置信息以及向量表示形式的回答。经过坐标转换器转换后,可得到回答的坐标,且经过文字转换器转换后,可得到文字形式的回答。那么,可将回答的坐标和文字形式的回答附加在用户输入的图像上,返回给用户。
例如,如图9所示(图9为本申请实施例提供的文档问答的一个示意图),用户输入一张高铁票的图像,并提问“X海鹏去哪里了?”,目标模型可对该图像进行处理后,可得到文字形式的回答“扎兰平站”以及回答“扎兰平站”在图像中的坐标,那么,可在图像中框选出“扎兰平站”,并附上相应的高亮文字显示,以返回给用户浏览。
设下游任务为信息抽取任务,如图10所示(图10为本申请实施例提供的目标模型的另一结构示意图),目标模型中的解码器则连接着信息抽取器(也就是说,图7所示的目标模型中的转换器被替换为信息抽取器),此时,输入至解码器的BOS依旧为一个无意义的向量表示,解码器会基于用户输入的图像的特征,输出向量表示形式的目标信息的位置信息以及向量表示形式的目标信息。经过信息抽取器综合处理后,可得到文字形式的目标信息。
例如,如图11所示(图11为本申请实施例提供的信息抽取的一个示意图),用户输入一张高铁票的图像。目标模型可对该图像进行处理后,可得到文字形式的时间、目的地、名字、出发地以及班次等等信息,并将这些信息返回给用户浏览。
更进一步地,还可将本申请实施例提供的目标模型与某个相关技术提供的模型进行比较,比较结果如表1所示:
表1
模型 | 解码输出 | 长文档解码长度 | 计算复杂度 |
相关技术 | 文本 | 无限制 | 更高 |
本申请实施例 | 文本+位置信息 | 无限制 | 更低 |
基于表1可知,本申请实施例提供的目标模型,不仅可解码更多类型的输出,还具备更低的计算复杂度,有效降低模型中解码器的功耗并加快解码速度。
更进一步地,还可将本申请实施例提供的目标模型(例如,表2中的ours)与另一部分相关技术提供的模型(例如,除表2中的ours之外的其余模型,比如,BERT等等)进行比较,比较结果如表2所示:
表2
基于表2可知,本申请实施例提供的目标模型具备更优的性能。
本申请实施例中,当需要从目标图像中提取目标文本时,可先获取包含多个文本的目标图像,并将目标图像输入至目标模型。接着,目标模型可对目标图像进行编码,从而得到目标图像的特征。然后,目标模型可对目标图像的特征进行处理,从而得到多个文本中的目标文本在目标图像中的位置信息。最后,目标模型可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。至此,则成功从目标图像中提取出了目标文本。前述过程中,目标模型在对目标图像的内容进行理解时,不仅考虑了目标图像的特征,还考虑了目标文本在目标图像中的位置信息,这样考虑的因素较为全面,可以对目标图像的内容进行充分且准确的理解,由此可见,目标模型按照这种方式从目标图像所呈现的多个文本中提取出的目标文本,通常是正确的文本。
进一步地,目标模型最终输出的不仅包含字符形式(文字)的目标文本,还包含目标文本在目标图像中所占据的区域的坐标,可将这两类信息叠加在目标图像上,并返回给用户浏览,这样可以通过可视化交互界面的方式,为用户提供其所需的目标文本,还可向用户解释目标模型提取出目标文本的依据。
进一步地,目标模型的输出长度是不受限制的,这样一来,即使用户需要获取较长的文本或者数量较多的文本,目标模型均可以满足用户的需求,从而提高用户体验。
以上是对本申请实施例提供的文本获取方法所进行的详细说明,以下将对本申请实施例提供的模型训练方法进行介绍。图12为本申请实施例提供的模型训练方法的一个流程示意图,如图12所示,该方法包括:
1201、获取目标图像,目标图像包含多个文本。
本实施例中,当需要对待训练模型进行训练时,可先获取一批训练数据,该批训练数据包含目标图像,其中,目标图像所呈现的内容包含多个文本,且对于目标图像所包含的多个文本而言,多个文本中目标文本的所有真实字符是已知的,且目标文本在目标图像所占据的区域的真实坐标也是已知的
1202、通过待训练模型对目标图像进行处理,得到目标文本在目标图像中的位置信息以及目标文本,多个文本包含目标文本,待训练模型用于:对目标图像进行编码,得到目标图像的特征;基于特征,获取位置信息;基于特征以及位置信息,获取目标文本。
得到目标图像后,可将目标图像输入至待训练模型。那么,待训练模型可对目标图像进行编码,得到目标图像的特征。接着,待训练模型可基于目标图像的特征,获取目标文本在目标图像中的位置信息。最后,目标模型可基于目标图像的特征以及目标文本在目标图像中的位置信息,获取目标文本。
在一种可能实现的方式中,待训练模型,用于基于特征,对目标文本在目标图像中的位置信息的第1个向量表示至位置信息的第i个向量表示进行解码,得到位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到。
在一种可能实现的方式中,待训练模型,用于基于特征,对位置信息,目标文本的第1个向量表示至目标文本的第j个向量表示进行解码,得到目标文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,目标文本的第1个向量表示基于特征对位置信息进行解码得到。
在一种可能实现的方式中,目标文本包含第一文本以及第二文本,位置信息包含第一文本在目标图像中的第一位置信息以及第二文本在目标图像中的第二位置信息,待训练模型,用于:基于特征,对第一位置信息的第1个向量表示至第一位置信息的第i个向量表示进行解码,得到第一位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,第一位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息的第1个向量表示至第二位置信息的第k个向量表示进行解码,得到第一位置信息的第k+1个向量表示,k=1,...,Z-1,Z≥1,第二位置信息的第1个向量表示基于特征对第一位置信息以及第一文本进行解码得到。
在一种可能实现的方式中,待训练模型,用于:基于特征,对第一位置信息,第一文本的第1个向量表示至第一文本的第j个向量表示进行解码,得到第一文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,第一文本的第1个向量表示基于特征对位置信息进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息,第二文本的第1个向量表示至第二文本的第t个向量表示进行解码,得到第二文本的第t+1个向量表示,t=1,...,U-1,U≥1,第二文本的第1个向量表示基于特征对第一位置信息,第一文本以及第二位置信息进行解码得到。
在一种可能实现的方式中,待训练模型,还用于对位置信息的所有向量表示进行转换,得到目标文本在目标图像中所占据的区域的(预测)坐标。
在一种可能实现的方式中,待训练模型,还用于对目标文本的所有向量表示进行转换,得到目标文本的所有(预测)字符。
在一种可能实现的方式中,待训练模型对目标文本以及位置信息所执行的转换可以为以下至少一种:基于循环神经网络的特征提取、基于多层感知机的特征提取以及基于时间卷积网络的特征提取。
在一种可能实现的方式中,区域的坐标为以下至少一种:区域的左上角的顶点坐标以及区域的右下角的顶点坐标;或,区域的右上角的顶点坐标以及区域的左下角的顶点坐标;或,区域的四个角的顶点坐标;或,区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的左上角的顶点坐标以及区域的中心点坐标;或,区域的右下角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标、区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标。
关于步骤1202的介绍,可参考图5所示实施例中步骤502至步骤504的相关说明部分,此处不再赘述。
1203、基于目标文本,对待训练模型进行训练,得到目标模型。
得到目标文本后,可基于目标文本来对待训练模型进行训练,从而得到图5所示实施例中的目标模型。
具体地,可通过以下方式来完成目标模型的训练:
在得到目标文本的所有字符以及目标文本在目标图像中所占据的区域的坐标后,可通过预置的第一损失函数对目标文本的字符以及目标文本的真实字符进行计算,从而得到第一损失。其中,第一损失可通过以下公式获取:
上式中,LRead为第一损失,X为目标图像的特征,yr-1为目标文本的第r-1个字符,yr为目标文本的第r个字符,y′r为目标文本的第r个真实字符。由此可见,第一损失可用于指示目标文本的字符以及目标文本的真实字符之间的差异。
接着,还可通过预置的第二损失函数对目标文本在目标图像中所占据的区域的坐标,以及目标文本在目标图像中所占据的区域的真实坐标进行计算,从而得到第二损失。其中,第二损失可通过以下公式获取:
上式中,LLocate为第二损失,为第s个目标文本在目标图像中所占据的区域的第u-1个坐标,/>为第s个目标文本在目标图像中所占据的区域的第u个坐标,/>为第s个目标文本在目标图像中所占据的区域的第u个真实坐标。由此可见,第二损失可用于指示目标文本在目标图像中所占据的区域的坐标,以及目标文本在目标图像中所占据的区域的真实坐标之间的差异。
然后,可将第一损失以及第二损失进行叠加,从而得到目标损失。那么,可利用目标损失对待训练模型的参数进行更新,从而得到更新后的待训练模型,并利用下一批训练数据对更新参数后的待训练模型继续进行训练,直至满足模型训练条件(例如,目标损失收敛等等),从而得到目标模型。
本申请实施例训练得到的目标文本,具备文本获取功能。具体地,当需要从目标图像中提取目标文本时,可先获取包含多个文本的目标图像,并将目标图像输入至目标模型。接着,目标模型可对目标图像进行编码,从而得到目标图像的特征。然后,目标模型可对目标图像的特征进行处理,从而得到多个文本中的目标文本在目标图像中的位置信息。最后,目标模型可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。至此,则成功从目标图像中提取出了目标文本。前述过程中,目标模型在对目标图像的内容进行理解时,不仅考虑了目标图像的特征,还考虑了目标文本在目标图像中的位置信息,这样考虑的因素较为全面,可以对目标图像的内容进行充分且准确的理解,由此可见,目标模型按照这种方式从目标图像所呈现的多个文本中提取出的目标文本,通常是正确的文本。
以上是对本申请实施例提供的文本获取方法以及模型训练方法所进行的详细说明,以下将对本申请实施例提供的文本获取装置以及模型训练装置进行介绍。图13为本申请实施例提供的文本获取装置的一个结构示意图,如图13所示,该装置包括:
第一获取模块1301,用于获取目标图像,目标图像包含多个文本;
编码模块1302,用于对目标图像进行编码,得到目标图像的特征;
第二获取模块1303,用于基于特征,获取目标文本在目标图像中的位置信息,多个文本包含目标文本;
第三获取模块1304,用于基于特征以及位置信息,获取目标文本。
本申请实施例中,当需要从目标图像中提取目标文本时,可先获取包含多个文本的目标图像,并将目标图像输入至目标模型。接着,目标模型可对目标图像进行编码,从而得到目标图像的特征。然后,目标模型可对目标图像的特征进行处理,从而得到多个文本中的目标文本在目标图像中的位置信息。最后,目标模型可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。至此,则成功从目标图像中提取出了目标文本。前述过程中,目标模型在对目标图像的内容进行理解时,不仅考虑了目标图像的特征,还考虑了目标文本在目标图像中的位置信息,这样考虑的因素较为全面,可以对目标图像的内容进行充分且准确的理解,由此可见,目标模型按照这种方式从目标图像所呈现的多个文本中提取出的目标文本,通常是正确的文本。
在一种可能实现的方式中,第二获取模块1303,用于基于特征,对目标文本在目标图像中的位置信息的第1个向量表示至位置信息的第i个向量表示进行解码,得到位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到。
在一种可能实现的方式中,第三获取模块1304,用于基于特征,对位置信息,目标文本的第1个向量表示至目标文本的第j个向量表示进行解码,得到目标文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,目标文本的第1个向量表示基于特征对位置信息进行解码得到。
在一种可能实现的方式中,目标文本包含第一文本以及第二文本,位置信息包含第一文本在目标图像中的第一位置信息以及第二文本在目标图像中的第二位置信息,第二获取模块1303,用于基于特征,对第一位置信息的第1个向量表示至第一位置信息的第i个向量表示进行解码,得到第一位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,第一位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息的第1个向量表示至第二位置信息的第k个向量表示进行解码,得到第一位置信息的第k+1个向量表示,k=1,...,Z-1,Z≥1,第二位置信息的第1个向量表示基于特征对第一位置信息以及第一文本进行解码得到。
在一种可能实现的方式中,第三获取模块1304,用于基于特征,对第一位置信息,第一文本的第1个向量表示至第一文本的第j个向量表示进行解码,得到第一文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,第一文本的第1个向量表示基于特征对位置信息进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息,第二文本的第1个向量表示至第二文本的第t个向量表示进行解码,得到第二文本的第t+1个向量表示,t=1,...,U-1,U≥1,第二文本的第1个向量表示基于特征对第一位置信息,第一文本以及第二位置信息进行解码得到。
在一种可能实现的方式中,该装置还包括:第一转换模块,用于对位置信息的所有向量表示进行转换,得到目标文本在目标图像中所占据的区域的坐标。
在一种可能实现的方式中,该装置还包括:第二转换模块,用于对目标文本的所有向量表示进行转换,得到目标文本的所有字符。
在一种可能实现的方式中,目标模型对目标文本以及位置信息所执行的转换可以为以下至少一种:基于循环神经网络的特征提取、基于多层感知机的特征提取以及基于时间卷积网络的特征提取。
在一种可能实现的方式中,区域的坐标为以下至少一种:区域的左上角的顶点坐标以及区域的右下角的顶点坐标;或,区域的右上角的顶点坐标以及区域的左下角的顶点坐标;或,区域的四个角的顶点坐标;或,区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的左上角的顶点坐标以及区域的中心点坐标;或,区域的右下角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标、区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标。
图14为本申请实施例提供的模型训练装置的一个结构示意图,如图14所示,该装置包括:
获取模块1401,用于获取目标图像,目标图像包含多个文本;
处理模块1402,用于通过待训练模型对目标图像进行处理,得到目标文本在目标图像中的位置信息以及目标文本,多个文本包含目标文本,待训练模型用于:对目标图像进行编码,得到目标图像的特征;基于特征,获取位置信息;基于特征以及位置信息,获取目标文本;
训练模块1403,用于基于目标文本,对待训练模型进行训练,得到目标模型。
本申请实施例训练得到的目标文本,具备文本获取功能。具体地,当需要从目标图像中提取目标文本时,可先获取包含多个文本的目标图像,并将目标图像输入至目标模型。接着,目标模型可对目标图像进行编码,从而得到目标图像的特征。然后,目标模型可对目标图像的特征进行处理,从而得到多个文本中的目标文本在目标图像中的位置信息。最后,目标模型可对目标图像的特征以及目标文本在目标图像中的位置信息做进一步的处理,从而得到目标文本。至此,则成功从目标图像中提取出了目标文本。前述过程中,目标模型在对目标图像的内容进行理解时,不仅考虑了目标图像的特征,还考虑了目标文本在目标图像中的位置信息,这样考虑的因素较为全面,可以对目标图像的内容进行充分且准确的理解,由此可见,目标模型按照这种方式从目标图像所呈现的多个文本中提取出的目标文本,通常是正确的文本。
在一种可能实现的方式中,待训练模型,用于基于特征,对目标文本在目标图像中的位置信息的第1个向量表示至位置信息的第i个向量表示进行解码,得到位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到。
在一种可能实现的方式中,待训练模型,用于基于特征,对位置信息,目标文本的第1个向量表示至目标文本的第j个向量表示进行解码,得到目标文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,目标文本的第1个向量表示基于特征对位置信息进行解码得到。
在一种可能实现的方式中,目标文本包含第一文本以及第二文本,位置信息包含第一文本在目标图像中的第一位置信息以及第二文本在目标图像中的第二位置信息,待训练模型,用于:基于特征,对第一位置信息的第1个向量表示至第一位置信息的第i个向量表示进行解码,得到第一位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,第一位置信息的第1个向量表示基于特征对预置的向量表示进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息的第1个向量表示至第二位置信息的第k个向量表示进行解码,得到第一位置信息的第k+1个向量表示,k=1,...,Z-1,Z≥1,第二位置信息的第1个向量表示基于特征对第一位置信息以及第一文本进行解码得到。
在一种可能实现的方式中,待训练模型,用于:基于特征,对第一位置信息,第一文本的第1个向量表示至第一文本的第j个向量表示进行解码,得到第一文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,第一文本的第1个向量表示基于特征对位置信息进行解码得到;基于特征,对第一位置信息,第一文本,第二位置信息,第二文本的第1个向量表示至第二文本的第t个向量表示进行解码,得到第二文本的第t+1个向量表示,t=1,...,U-1,U≥1,第二文本的第1个向量表示基于特征对第一位置信息,第一文本以及第二位置信息进行解码得到。
在一种可能实现的方式中,待训练模型,还用于对位置信息的所有向量表示进行转换,得到目标文本在目标图像中所占据的区域的坐标。
在一种可能实现的方式中,待训练模型,还用于对目标文本的所有向量表示进行转换,得到目标文本的所有字符。训练模块1403,用于基于字符以及坐标,对待训练模型进行训练,得到目标模型。
在一种可能实现的方式中,待训练模型对目标文本以及位置信息所执行的转换可以为以下至少一种:基于循环神经网络的特征提取、基于多层感知机的特征提取以及基于时间卷积网络的特征提取。
在一种可能实现的方式中,区域的坐标为以下至少一种:区域的左上角的顶点坐标以及区域的右下角的顶点坐标;或,区域的右上角的顶点坐标以及区域的左下角的顶点坐标;或,区域的四个角的顶点坐标;或,区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的左上角的顶点坐标以及区域的中心点坐标;或,区域的右下角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标;或,区域的右上角的顶点坐标、区域的右下角的顶点坐标、区域的左上角的顶点坐标、区域的左下角的顶点坐标以及区域的中心点坐标。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参考本申请实施例前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例还涉及一种执行设备,图15为本申请实施例提供的执行设备的一个结构示意图。如图15所示,执行设备1500具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等,此处不做限定。其中,执行设备1500上可部署有图13对应实施例中所描述的文本获取装置,用于实现图5对应实施例中文本获取的功能。具体的,执行设备1500包括:接收器1501、发射器1502、处理器1503和存储器1504(其中执行设备1500中的处理器1503的数量可以一个或多个,图15中以一个处理器为例),其中,处理器1503可以包括应用处理器15031和通信处理器15032。在本申请的一些实施例中,接收器1501、发射器1502、处理器1503和存储器1504可通过总线或其它方式连接。
存储器1504可以包括只读存储器和随机存取存储器,并向处理器1503提供指令和数据。存储器1504的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1504存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1503控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线***耦合在一起,其中总线***除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线***。
上述本申请实施例揭示的方法可以应用于处理器1503中,或者由处理器1503实现。处理器1503可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1503中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1503可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1503可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1504,处理器1503读取存储器1504中的信息,结合其硬件完成上述方法的步骤。
接收器1501可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1502可用于通过第一接口输出数字或字符信息;发射器1502还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据;发射器1502还可以包括显示屏等显示设备。
本申请实施例中,在一种情况下,处理器1503,用于通过图5对应实施例中的目标模型,从目标图像中获取目标文本。
本申请实施例还涉及一种训练设备,图16为本申请实施例提供的训练设备的一个结构示意图。如图16所示,训练设备1600由一个或多个服务器实现,训练设备1600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(centralprocessing units,CPU)1616(例如,一个或一个以上处理器)和存储器1632,一个或一个以上存储应用程序1642或数据1644的存储介质1630(例如一个或一个以上海量存储设备)。其中,存储器1632和存储介质1630可以是短暂存储或持久存储。存储在存储介质1630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器1616可以设置为与存储介质1630通信,在训练设备1600上执行存储介质1630中的一系列指令操作。
训练设备1600还可以包括一个或一个以上电源1626,一个或一个以上有线或无线网络接口1650,一个或一个以上输入输出接口1658;或,一个或一个以上操作***1641,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
具体的,训练设备可以执行图12对应实施例中的模型训练方法,从而得到目标模型。
本申请实施例还涉及一种计算机存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例还涉及一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执行时使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图17,图17为本申请实施例提供的芯片的一个结构示意图,所述芯片可以表现为神经网络处理器NPU 1700,NPU 1700作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1703,通过控制器1704控制运算电路1703提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1703内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1703是二维脉动阵列。运算电路1703还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1703是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1702中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1701中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1708中。
统一存储器1706用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1705,DMAC被搬运到权重存储器1702中。输入数据也通过DMAC被搬运到统一存储器1706中。
BIU为Bus Interface Unit即,总线接口单元1717,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1709的交互。
总线接口单元1717(Bus Interface Unit,简称BIU),用于取指存储器1709从外部存储器获取指令,还用于存储单元访问控制器1705从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1706或将权重数据搬运到权重存储器1702中或将输入数据数据搬运到输入存储器1701中。
向量计算单元1707包括多个运算处理单元,在需要的情况下,对运算电路1703的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对预测标签平面进行上采样等。
在一些实现中,向量计算单元1707能将经处理的输出的向量存储到统一存储器1706。例如,向量计算单元1707可以将线性函数;或,非线性函数应用到运算电路1703的输出,例如对卷积层提取的预测标签平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1707生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1703的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1704连接的取指存储器(instruction fetch buffer)1709,用于存储控制器1704使用的指令;
统一存储器1706,输入存储器1701,权重存储器1702以及取指存储器1709均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (19)
1.一种文本获取方法,其特征在于,所述方法通过目标模型实现,所述方法包括:
获取目标图像,所述目标图像包含多个文本;
对所述目标图像进行编码,得到所述目标图像的特征;
基于所述特征,获取目标文本在所述目标图像中的位置信息,所述多个文本包含所述目标文本;
基于所述特征以及所述位置信息,获取所述目标文本。
2.根据权利要求1所述的方法,其特征在于,所述基于所述特征,获取目标文本在所述目标图像中的位置信息包括:
基于所述特征,对目标文本在所述目标图像中的位置信息的第1个向量表示至所述位置信息的第i个向量表示进行解码,得到所述位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,所述位置信息的第1个向量表示基于所述特征对预置的向量表示进行解码得到。
3.根据权利要求2所述的方法,其特征在于,所述基于所述特征以及所述位置信息,获取所述目标文本包括:
基于所述特征,对所述位置信息,所述目标文本的第1个向量表示至所述目标文本的第j个向量表示进行解码,得到所述目标文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,所述目标文本的第1个向量表示基于所述特征对所述位置信息进行解码得到。
4.根据权利要求1所述的方法,其特征在于,所述目标文本包含第一文本以及第二文本,所述位置信息包含所述第一文本在所述目标图像中的第一位置信息以及所述第二文本在所述目标图像中的第二位置信息,所述基于所述特征,获取目标文本在所述目标图像中的位置信息包括:
基于所述特征,对所述第一位置信息的第1个向量表示至所述第一位置信息的第i个向量表示进行解码,得到所述第一位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,所述第一位置信息的第1个向量表示基于所述特征对预置的向量表示进行解码得到;
基于所述特征,对所述第一位置信息,所述第一文本,所述第二位置信息的第1个向量表示至所述第二位置信息的第k个向量表示进行解码,得到所述第一位置信息的第k+1个向量表示,k=1,...,Z-1,Z≥1,所述第二位置信息的第1个向量表示基于所述特征对所述第一位置信息以及所述第一文本进行解码得到。
5.根据权利要求4所述的方法,其特征在于,所述基于所述特征以及所述位置信息,获取所述目标文本包括:
基于所述特征,对所述第一位置信息,所述第一文本的第1个向量表示至所述第一文本的第j个向量表示进行解码,得到所述第一文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,所述第一文本的第1个向量表示基于所述特征对所述位置信息进行解码得到;
基于所述特征,对所述第一位置信息,所述第一文本,所述第二位置信息,所述第二文本的第1个向量表示至所述第二文本的第t个向量表示进行解码,得到所述第二文本的第t+1个向量表示,t=1,...,U-1,U≥1,所述第二文本的第1个向量表示基于所述特征对所述第一位置信息,所述第一文本以及所述第二位置信息进行解码得到。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述方法还包括:
对所述位置信息的所有向量表示进行转换,得到所述目标文本在所述目标图像中所占据的区域的坐标。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述方法还包括:
对所述目标文本的所有向量表示进行转换,得到所述目标文本的所有字符。
8.一种模型训练方法,其特征在于,所述方法包括:
获取目标图像,所述目标图像包含多个文本;
通过待训练模型对所述目标图像进行处理,得到所述目标文本在所述目标图像中的位置信息以及所述目标文本,所述多个文本包含所述目标文本,所述待训练模型用于:对所述目标图像进行编码,得到所述目标图像的特征;基于所述特征,获取所述位置信息;基于所述特征以及所述位置信息,获取所述目标文本;
基于所述目标文本,对所述待训练模型进行训练,得到目标模型。
9.根据权利要求8所述的方法,其特征在于,所述待训练模型,用于基于所述特征,对目标文本在所述目标图像中的位置信息的第1个向量表示至所述位置信息的第i个向量表示进行解码,得到所述位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,所述位置信息的第1个向量表示基于所述特征对预置的向量表示进行解码得到。
10.根据权利要求9所述的方法,其特征在于,所述待训练模型,用于基于所述特征,对所述位置信息,所述目标文本的第1个向量表示至所述目标文本的第j个向量表示进行解码,得到所述目标文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,所述目标文本的第1个向量表示基于所述特征对所述位置信息进行解码得到。
11.根据权利要求8所述的方法,其特征在于,所述目标文本包含第一文本以及第二文本,所述位置信息包含所述第一文本在所述目标图像中的第一位置信息以及所述第二文本在所述目标图像中的第二位置信息,所述待训练模型,用于:
基于所述特征,对所述第一位置信息的第1个向量表示至所述第一位置信息的第i个向量表示进行解码,得到所述第一位置信息的第i+1个向量表示,i=1,...,X-1,X≥1,所述第一位置信息的第1个向量表示基于所述特征对预置的向量表示进行解码得到;
基于所述特征,对所述第一位置信息,所述第一文本,所述第二位置信息的第1个向量表示至所述第二位置信息的第k个向量表示进行解码,得到所述第一位置信息的第k+1个向量表示,k=1,...,Z-1,Z≥1,所述第二位置信息的第1个向量表示基于所述特征对所述第一位置信息以及所述第一文本进行解码得到。
12.根据权利要求11所述的方法,其特征在于,所述待训练模型,用于:
基于所述特征,对所述第一位置信息,所述第一文本的第1个向量表示至所述第一文本的第j个向量表示进行解码,得到所述第一文本的第j+1个向量表示,j=1,...,Y-1,Y≥1,所述第一文本的第1个向量表示基于所述特征对所述位置信息进行解码得到;
基于所述特征,对所述第一位置信息,所述第一文本,所述第二位置信息,所述第二文本的第1个向量表示至所述第二文本的第t个向量表示进行解码,得到所述第二文本的第t+1个向量表示,t=1,...,U-1,U≥1,所述第二文本的第1个向量表示基于所述特征对所述第一位置信息,所述第一文本以及所述第二位置信息进行解码得到。
13.根据权利要求8至12任意一项所述的方法,其特征在于,所述待训练模型,还用于对所述位置信息的所有向量表示进行转换,得到所述目标文本在所述目标图像中所占据的区域的坐标。
14.根据权利要求13所述的方法,其特征在于,所述待训练模型,还用于对所述目标文本的所有向量表示进行转换,得到所述目标文本的所有字符;
所述基于所述目标文本,对所述待训练模型进行训练,得到目标模型包括:
基于所述字符以及所述坐标,对所述待训练模型进行训练,得到目标模型。
15.一种文本获取装置,其特征在于,所述装置包含目标模型,所述装置包括:
第一获取模块,用于获取目标图像,所述目标图像包含多个文本;
编码模块,用于对所述目标图像进行编码,得到所述目标图像的特征;
第二获取模块,用于基于所述特征,获取目标文本在所述目标图像中的位置信息,所述多个文本包含所述目标文本;
第三获取模块,用于基于所述特征以及所述位置信息,获取所述目标文本。
16.一种模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取目标图像,所述目标图像包含多个文本;
处理模块,用于通过待训练模型对所述目标图像进行处理,得到所述目标文本在所述目标图像中的位置信息以及所述目标文本,所述多个文本包含所述目标文本,所述待训练模型用于:对所述目标图像进行编码,得到所述目标图像的特征;基于所述特征,获取所述位置信息;基于所述特征以及所述位置信息,获取所述目标文本;
训练模块,用于基于所述目标文本,对所述待训练模型进行训练,得到目标模型。
17.一种文本获取装置,其特征在于,所述装置包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为执行所述代码,当所述代码被执行时,所述文本获取装置执行如权利要求1至14任意一项所述的方法。
18.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一个或多个指令,所述指令在由一个或多个计算机执行时使得所述一个或多个计算机实施权利要求1至14任一所述的方法。
19.一种计算机程序产品,其特征在于,所述计算机程序产品存储有指令,所述指令在由计算机执行时,使得所述计算机实施权利要求1至14任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310488188.8A CN116758572A (zh) | 2023-04-28 | 2023-04-28 | 一种文本获取方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310488188.8A CN116758572A (zh) | 2023-04-28 | 2023-04-28 | 一种文本获取方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116758572A true CN116758572A (zh) | 2023-09-15 |
Family
ID=87946698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310488188.8A Pending CN116758572A (zh) | 2023-04-28 | 2023-04-28 | 一种文本获取方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758572A (zh) |
-
2023
- 2023-04-28 CN CN202310488188.8A patent/CN116758572A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065633B (zh) | 一种模型训练方法及其相关联设备 | |
CN111414915B (zh) | 一种文字识别方法以及相关设备 | |
CN113627163A (zh) | 一种注意力模型、特征提取方法及相关装置 | |
CN113627422A (zh) | 一种图像分类方法及其相关设备 | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN116486422A (zh) | 数据处理的方法和相关设备 | |
CN114241597A (zh) | 一种姿态识别方法及其相关设备 | |
CN111652349A (zh) | 一种神经网络的处理方法及相关设备 | |
CN114169393A (zh) | 一种图像分类方法及其相关设备 | |
CN113627421A (zh) | 一种图像处理方法、模型的训练方法以及相关设备 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
CN117056589A (zh) | 一种物品推荐方法及其相关设备 | |
CN116312489A (zh) | 一种模型训练方法及其相关设备 | |
CN116910201A (zh) | 一种对话数据生成方法及其相关设备 | |
CN115795025A (zh) | 一种摘要生成方法及其相关设备 | |
CN115623242A (zh) | 一种视频处理方法及其相关设备 | |
CN114841361A (zh) | 一种模型训练方法及其相关设备 | |
CN115292583A (zh) | 一种项目推荐方法及其相关设备 | |
CN115879524A (zh) | 一种模型训练方法及其相关设备 | |
CN114707643A (zh) | 一种模型切分方法及其相关设备 | |
CN113065638A (zh) | 一种神经网络压缩方法及其相关设备 | |
CN116758572A (zh) | 一种文本获取方法及其相关设备 | |
CN116542308A (zh) | 一种任务处理方法及其相关设备 | |
CN117422122A (zh) | 一种模型训练方法及其相关设备 | |
CN116343004A (zh) | 一种图像处理方法及其相关设备 |
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 |