Nothing Special   »   [go: up one dir, main page]

CN112966522B - 一种图像分类方法、装置、电子设备及存储介质 - Google Patents

一种图像分类方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112966522B
CN112966522B CN202110235776.1A CN202110235776A CN112966522B CN 112966522 B CN112966522 B CN 112966522B CN 202110235776 A CN202110235776 A CN 202110235776A CN 112966522 B CN112966522 B CN 112966522B
Authority
CN
China
Prior art keywords
text
classified
modal
text box
document image
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
Application number
CN202110235776.1A
Other languages
English (en)
Other versions
CN112966522A (zh
Inventor
庾悦晨
章成全
李煜林
张晓强
黄聚
钦夏孟
姚锟
刘经拓
韩钧宇
丁二锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110235776.1A priority Critical patent/CN112966522B/zh
Publication of CN112966522A publication Critical patent/CN112966522A/zh
Priority to US17/498,226 priority patent/US20220027611A1/en
Priority to EP21202754.4A priority patent/EP3923185A3/en
Application granted granted Critical
Publication of CN112966522B publication Critical patent/CN112966522B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开公开了一种图像分类方法，装置、电子设备及存储介质，涉及人工智能技术领域，尤其涉及计算机视觉和深度学习方面。具体实现方案为：将待分类的文档图像输入到预先训练好的神经网络模型中，通过神经网络模型得到待分类的文档图像的各个文本框的特征子图；将各个文本框的特征子图与各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至多模态特征融合模型中，通过多模态特征融合模型将三者融合为各个文本框对应的多模态特征；基于各个文本框对应的多模态特征对待分类的文档图像进行分类。本申请实施例能够很好地利用文档图像中存在的语义特征和位置特征，最终达到提升文档图像的分类精度的目的。

Description

一种图像分类方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习方面，尤其涉及一种图像分类方法、装置、电子设备及存储介质。
背景技术
光学字符识别(Optical Character Recognition，简称OCR)在教育、金融、医疗、交通和保险等各行各业都取到了广泛的关注和应用。随着办公电子化程度的提高，原本以纸质形式保存的文档资料逐渐通过扫描仪等电子化手段转为以图像形式保存。为了能查询或者调阅指定记录的图像，需要将影像和影像内容数据建立索引。为建立索引一般通过OCR技术将扫描得到的影像分类、然后再进行识别以得到其内容。
业界主流的基于卷积神经网络的分类方法，往往只能提取文档图像的图像特征以用于分类文档图像。然而，这种方法忽略了其中文本的语义特征和位置特征，这样就并不能很好地利用文档图像里面的语义特征和位置特征，而这些信息对文档图像分类问题十分重要。基于卷积神经网络的分类方法虽然可以利用文档图像里面的语义特征和位置特征，但是往往需要用复杂的后处理来提升分类精度。
发明内容
本公开提供了一种图像分类方法、装置、电子设备及存储介质。
第一方面，本申请提供了一种图像分类方法，所述方法包括：
将待分类的文档图像输入到预先训练好的神经网络模型中，通过所述神经网络模型得到所述待分类的文档图像的各个文本框的特征子图；
将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过所述多模态特征融合模型将所述各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征；
基于各个文本框对应的多模态特征对所述待分类的文档图像进行分类。
第二方面，本申请提供了一种图像分类装置，所述装置包括：特征图获取模块、特征融合模块和图像分类模块；其中，
所述特征图获取模块，用于将待分类的文档图像输入到预先训练好的神经网络模型中，通过所述神经网络模型得到所述待分类的文档图像的各个文本框的特征子图；
所述特征融合模块，用于将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过所述多模态特征融合模型将所述各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征；
所述图像分类模块，用于基于各个文本框对应的多模态特征对所述待分类的文档图像进行分类。
第三方面，本申请实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器，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本申请任意实施例所述的图像分类方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的图像分类方法。
第五方面，提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的图像分类方法。
根据本申请的技术解决了现有技术中基于卷积神经网络的分类方法，只能提取文档图像的图像特征以用于分类文档图像，这种方法忽略了其中文本的语义特征和位置特征，这样就并不能很好地利用文档图像里面的语义特征和位置特征的技术问题，以及基于卷积神经网络的分类方法需要用复杂的后处理来提升分类精度的技术问题，本申请实施例能够很好地利用文档图像中存在的语义特征和位置特征，并有效地对文档图像的图像信息、语义信息、位置信息进行融合和对齐，最终达到提升文档图像的分类精度的目的。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本申请实施例提供的图像分类方法的第一流程示意图；
图2是本申请实施例提供的图像分类方法的第二流程示意图；
图3是本申请实施例提供的图像分类方法的第三流程示意图
图4是本申请实施例提供的图像分类装置的结构示意图；
图5是用来实现本申请实施例的图像分类方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例提供的图像分类方法的第一流程示意图，该方法可以由图像分类装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，图像分类方法可以包括以下步骤：
S101、将待分类的文档图像输入到预先训练好的神经网络模型中，通过神经网络模型得到待分类的文档图像的各个文本框的特征子图。
在本步骤中，电子设备可以将待分类的文档图像输入到预先训练好的神经网络模型中，通过神经网络模型得到待分类的文档图像的各个文本框的特征子图。具体地，电子设备可以将整张文档图像输入到经典的卷积神经网络结构去得到整张文档图像的特征图，该卷积神经网络结构可选择较为经典的卷积神经网络，如ResNet、VGG、MobileNet等；在得到整张文档图像的特征图之后，将整张文档图像的特征图输入到目标检测特殊层(ROIAlign层)，得到各个文本框的大小相同的特征子图。
S102、将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过多模态特征融合模型将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征。
在本步骤中，电子设备可以将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过多模态特征融合模型将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征。具体地，电子设备可以通过OCR识别技术预先得到各个文本框的文本信息和位置信息；其中，文本信息可以用中文表示，也可以用英文表示；另外，位置信息是一个四元组[x1、y1、x2、y2]；x1和y1分别表示各个文本框的左上角顶点的横坐标和纵坐标；x2和y2分别表示各个文本框的右下角顶点的横坐标和纵坐标。然后，电子设备可以将各个文本框中的文本信息通过词向量生成结构(Word2Vec层)，将自然语言的文本转化成对应的相同长度的向量，以便于接下来分批处理；最后，电子设备还可以将各个文本框中的位置信息同样输入到Word2Vec层，转化为固定长度的向量。上述三种输入向量(各个文本框的特征子图、各个文本框的文本信息对应的语义特征和各个文本框的位置信息对应的位置特征)确定并获得之后，将三者同时输入到一个预先训练好的多模态特征融合模型(Muti layer transformerencoder)中，该模型的作用主要是将不同模态的特征转化到同一个特征空间当中，然后对它们进行融合成一个同时具备多模态信息的特征；再对该特征进行池化(pooling)操作，即可得到文本框级别(token level)的特征。
S103、基于各个文本框对应的多模态特征对待分类的文档图像进行分类。
在本步骤中，电子设备可以基于各个文本框对应的多模态特征对待分类的文档图像进行分类。具体地，电子设备可以将各个文本框对应的多模态信息特征进行池化操作，得到待分类的文档图像对应的多模态特征；然后基于待分类的文档图像对应的多模态特征对待分类的文档图像进行分类。具体地，电子设备可以将整张文档图像对应的多模态特征输入到逻辑回归模型(softmax层)，即可获得该模型预测出的各类文档的预测置信度。
本申请实施例提出的图像分类方法，先将待分类的文档图像输入到预先训练好的神经网络模型中，通过神经网络模型得到待分类的文档图像的各个文本框的特征子图；然后将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过多模态特征融合模型将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征；再基于各个文本框对应的多模态特征对待分类的文档图像进行分类。也就是说，本申请可以将各个文本框的特征子图与各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为一个多模态特征，再基于各个文本框对应的多模态特征对待分类的文档图像进行分类。采用现有的图像分类方法，只能提取文档图像的图像特征以用于分类文档图像，这种方法忽略了其中文本的语义特征和位置特征，这样就并不能很好地利用文档图像里面的语义特征和位置特征；而基于卷积神经网络的分类方法需要用复杂的后处理来提升分类精度。因为本申请采用了将各个文本框的特征子图与各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为一个多模态特征的技术手段，克服了现有技术中基于卷积神经网络的分类方法，只能提取文档图像的图像特征以用于分类文档图像，这种方法忽略了其中文本的语义特征和位置特征，这样就并不能很好地利用文档图像里面的语义特征和位置特征的技术问题，以及基于卷积神经网络的分类方法需要用复杂的后处理来提升分类精度的技术问题，本申请提供的技术方案，能够很好地利用文档图像中存在的语义特征和位置特征，并有效地对文档图像的图像信息、语义信息、位置信息进行融合和对齐，最终达到提升文档图像的分类精度的目的；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例提供的图像分类方法的第二流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，图像分类方法可以包括以下步骤：
S201、将待分类的文档图像输入到预先训练好的神经网络模型中，通过神经网络模型得到待分类的文档图像的各个文本框的特征子图。
S202、将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过多模态特征融合模型将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征。
在本申请的具体实施例中，多模态特征融合模型由六层组成，每一层包括两个子层：第一子层和第二子层；其中，第一子层是一个多头自注意力层；第二子层是一个全连接前馈网络；第一子层和第二子层的输出向量的维度均为512维。具体地，多模态特征融合模型是将不同模态特征进行融合的关键，由六层组成，每一层包括两个子层：第一子层是多头自注意力层一个(multi-head self-attention层)，第二子层是一个简单的全连接前馈网络。在每个子层后，都接了一个残差连接以及归一化。为了方便残差连接，模型中的所有子层，包括初始词嵌入层(embedding层)，输出的向量维度均为512维。
S203、基于各个文本框对应的多模态特征，通过预先训练好的图卷积模型得到各个文本框与待分类的文档图像中的其他文本框的关联信息。
在本步骤中，电子设备可以基于各个文本框对应的多模态特征，通过预先训练好的图卷积模型得到各个文本框与待分类的文档图像中的其他文本框的关联信息。具体地，电子设备可以先将各个文本框对应的多模态特征进行池化操作，得到各个文本框对应的文本框级别的特征；然后将各个文本框对应的文本框级别的特征输入至预先训练好的图卷积模型中，通过图卷积模型得到各个文本框与待分类的文档图像中的其他文本框的关联信息。由于各个文本框的特征是各自独立得出的，为了将不同的文本框级别(token level)的特征进行传递和联通，我们将这些特征输入到一个图卷积模型(Graph ConvolutionalNetwork，简称GCN)当中，使每个文本框级别的特征能够获取到和自身相关的信息。
S204、基于各个文本框与待分类的文档图像中的其他文本框的关联信息，得到各个文本框对应的关联的多模态特征。
在本步骤中，电子设备可以基于各个文本框与待分类的文档图像中的其他文本框的关联信息，得到各个文本框对应的关联的多模态特征。普通的卷积神经网络使用的卷积核一般是固定大小的，它的应用一般面向的对象是序列或者是图像这种规则化的数据结构；然而，并不是所有的现实数据都是以二维或者三维信息的方式呈现的。图卷积网络可以解决非规则数据的提取问题。GCN的核心公式为：
Figure BDA0002960031770000071
其中，Xn是模型输入的数据(各个文本框级别的特征)；Xn+1是模型输出的数据；Lk是待分类的文档图像对应的拉普拉斯矩阵，W是权重参数。
S205、基于各个文本框对应的关联的多模态特征对待分类的文档图像进行分类。
本申请实施例提出的图像分类方法，先将待分类的文档图像输入到预先训练好的神经网络模型中，通过神经网络模型得到待分类的文档图像的各个文本框的特征子图；然后将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过多模态特征融合模型将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征；再基于各个文本框对应的多模态特征对待分类的文档图像进行分类。也就是说，本申请可以将各个文本框的特征子图与各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为一个多模态特征，再基于各个文本框对应的多模态特征对待分类的文档图像进行分类。采用现有的图像分类方法，只能提取文档图像的图像特征以用于分类文档图像，这种方法忽略了其中文本的语义特征和位置特征，这样就并不能很好地利用文档图像里面的语义特征和位置特征；而基于卷积神经网络的分类方法需要用复杂的后处理来提升分类精度。因为本申请采用了将各个文本框的特征子图与各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为一个多模态特征的技术手段，克服了现有技术中基于卷积神经网络的分类方法，只能提取文档图像的图像特征以用于分类文档图像，这种方法忽略了其中文本的语义特征和位置特征，这样就并不能很好地利用文档图像里面的语义特征和位置特征的技术问题，以及基于卷积神经网络的分类方法需要用复杂的后处理来提升分类精度的技术问题，本申请提供的技术方案，能够很好地利用文档图像中存在的语义特征和位置特征，并有效地对文档图像的图像信息、语义信息、位置信息进行融合和对齐，最终达到提升文档图像的分类精度的目的；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图3是本申请实施例提供的图像分类方法的第三流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图3所示，图像分类方法可以包括以下步骤：
S301、将待分类的文档图像输入到预先训练好的神经网络模型中，通过神经网络模型得到待分类的文档图像的各个文本框的特征子图。
S302、将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过多模态特征融合模型将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征。
S303、基于各个文本框对应的多模态特征，通过预先训练好的图卷积模型得到各个文本框与待分类的文档图像中的其他文本框的关联信息。
S304、基于各个文本框与待分类的文档图像中的其他文本框的关联信息，得到各个文本框对应的关联的多模态特征。
S305、将各个文本框与待分类的文档图像中的其他文本框的关联信息输入至预先训练好的图学习卷积模型中，通过图学习卷积模型得到各个文本框与待分类的文档图像中的其他文本框的更新后的关联信息。
在本步骤中，电子设备可以将各个文本框与待分类的文档图像中的其他文本框的关联信息输入至预先训练好的图学习卷积模型中，通过图学习卷积模型得到各个文本框与待分类的文档图像中的其他文本框的更新后的关联信息。具体地，电子设备可以将各个文本框与待分类的文档图像中的其他文本框的关联信息输入至预先训练好的图学习卷积模型中，通过图学习卷积模型得到各个文本框与待分类的文档图像中的其他文本框的更新后的关联信息；然后执行基于各个文本框与待分类的文档图像中的其他文本框的更新后的关联信息对待分类的文档图像进行分类的操作。由于各个文本框的特征是各自独立得出的，为了将不同的文本框级别(token level)的特征进行传递和联通，本申请将这些特征输入到GCN当中，使每个文本框级别的特征能够获取到和自身相关的信息。在这个过程中，还可以使用图学习卷积模型(Graph Learning-Convolutional Network，简称GLCN)对图卷积模型的结构进行更新。GLCN可以动态地改变网络结构；之前的图卷积模型使用时，图结构一经确定就无法再改变，这一特性很难对复杂的文档图像进行准确地建模，图学习卷积模型可以根据输入的数据，动态地改变网络结构。
S306、基于各个文本框与待分类的文档图像中的其他文本框的更新后的关联信息对待分类的文档图像进行分类。
本申请首次在文档图像分类任务上使用多模态特征，多模态信息的使用改变以往方案使用单一的图像特征的信息的弊端，有效地提升文档图像分类的准确率；另外，多模态信息的使用降低了对图像特征的依赖，因而可以使用更为轻量的卷积神经网络来对图像特征进行提取，大大提升模型的速度。最后要提及的一点是，本申请使用的图卷积神经网络对于文档图像这种非结构化的信息十分有效，可以保证不错的分类准确率。有了这项能力，通过上游的图像精准分类，减轻了下游任务的压力，可以更针对性地对子类文档场景进行优化，能够让OCR的技术应用推得更广，开发成本可以降低、精度更有保证。此外，还可以适用于更多的场景，包括：金融、教育、医疗、保险、办公、政务等场景，从而可以带来大规模的流量和营收。
本申请实施例提出的图像分类方法，先将待分类的文档图像输入到预先训练好的神经网络模型中，通过神经网络模型得到待分类的文档图像的各个文本框的特征子图；然后将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过多模态特征融合模型将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征；再基于各个文本框对应的多模态特征对待分类的文档图像进行分类。也就是说，本申请可以将各个文本框的特征子图与各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为一个多模态特征，再基于各个文本框对应的多模态特征对待分类的文档图像进行分类。采用现有的图像分类方法，只能提取文档图像的图像特征以用于分类文档图像，这种方法忽略了其中文本的语义特征和位置特征，这样就并不能很好地利用文档图像里面的语义特征和位置特征；而基于卷积神经网络的分类方法需要用复杂的后处理来提升分类精度。因为本申请采用了将各个文本框的特征子图与各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为一个多模态特征的技术手段，克服了现有技术中基于卷积神经网络的分类方法，只能提取文档图像的图像特征以用于分类文档图像，这种方法忽略了其中文本的语义特征和位置特征，这样就并不能很好地利用文档图像里面的语义特征和位置特征的技术问题，以及基于卷积神经网络的分类方法需要用复杂的后处理来提升分类精度的技术问题，本申请提供的技术方案，能够很好地利用文档图像中存在的语义特征和位置特征，并有效地对文档图像的图像信息、语义信息、位置信息进行融合和对齐，最终达到提升文档图像的分类精度的目的；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图4是本申请实施例提供的图像分类装置的结构示意图。如图4所示，所述装置400包括：特征图获取模块401、特征融合模块402和图像分类模块403；其中，
所述特征图获取模块401，用于将待分类的文档图像输入到预先训练好的神经网络模型中，通过所述神经网络模型得到所述待分类的文档图像的各个文本框的特征子图；
所述特征融合模块402，用于将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过所述多模态特征融合模型将所述各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征；
所述图像分类模块403，用于基于各个文本框对应的多模态特征对所述待分类的文档图像进行分类。
进一步的，所述图像分类模块403，具体用于将各个文本框对应的多模态信息特征进行池化操作，得到所述待分类的文档图像对应的多模态特征；基于所述待分类的文档图像对应的多模态特征对所述待分类的文档图像进行分类。
进一步的，所述图像分类模块403，还用于基于各个文本框对应的多模态特征，通过预先训练好的图卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的关联信息；基于各个文本框与所述待分类的文档图像中的其他文本框的关联信息，得到各个文本框对应的关联的多模态特征；执行基于各个文本框对应的关联的多模态特征对所述待分类的文档图像进行分类的操作。
进一步的，所述图像分类模块403，具体用于将各个文本框对应的多模态特征进行池化操作，得到各个文本框对应的文本框级别的特征；将各个文本框对应的文本框级别的特征输入至预先训练好的图卷积模型中，通过所述图卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的关联信息。
进一步的，所述图像分类模块403，还用于将各个文本框与所述待分类的文档图像中的其他文本框的关联信息输入至预先训练好的图学习卷积模型中，通过所述图学习卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的更新后的关联信息；执行基于各个文本框与所述待分类的文档图像中的其他文本框的更新后的关联信息对待分类的文档图像进行分类的操作。
进一步的，所述多模态特征融合模型由六层组成，每一层包括两个子层：第一子层和第二子层；其中，所述第一子层是一个多头自注意力层；所述第二子层是一个全连接前馈网络；所述第一子层和所述第二子层的输出向量的维度均为512维。
上述图像分类装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的图像分类方法。
实施例五
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如图像分类方法。例如，在一些实施例中，图像分类方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的图像分类方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像分类方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种图像分类方法，所述方法包括：
将待分类的文档图像输入到预先训练好的神经网络模型中，通过所述神经网络模型得到所述待分类的文档图像的各个文本框的特征子图；
将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过所述多模态特征融合模型将所述各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征；
基于各个文本框对应的多模态特征，通过预先训练好的图卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的关联信息；
基于各个文本框与所述待分类的文档图像中的其他文本框的关联信息，得到各个文本框对应的多模态特征；
基于各个文本框对应的多模态特征对所述待分类的文档图像进行分类。
2.根据权利要求1所述的方法，所述基于各个文本框对应的多模态信息特征对所述待分类的文档图像进行分类，包括：
将各个文本框对应的多模态信息特征进行池化操作，得到所述待分类的文档图像对应的多模态特征；
基于所述待分类的文档图像对应的多模态特征对所述待分类的文档图像进行分类。
3.根据权利要求1所述的方法，所述基于各个文本框对应的多模态特征，通过预先训练好的图卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的关联信息，包括：
将各个文本框对应的多模态特征进行池化操作，得到各个文本框对应的文本框级别的特征；
将各个文本框对应的文本框级别的特征输入至预先训练好的图卷积模型中，通过所述图卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的关联信息。
4.根据权利要求3所述的方法，在所述通过所述图卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的关联信息之后，所述方法还包括：
将各个文本框与所述待分类的文档图像中的其他文本框的关联信息输入至预先训练好的图学习卷积模型中，通过所述图学习卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的更新后的关联信息；执行基于各个文本框与所述待分类的文档图像中的其他文本框的更新后的关联信息对待分类的文档图像进行分类的操作。
5.根据权利要求1所述的方法，所述多模态特征融合模型由六层组成，每一层包括两个子层：第一子层和第二子层；其中，所述第一子层是一个多头自注意力层；所述第二子层是一个全连接前馈网络；所述第一子层和所述第二子层的输出向量的维度均为512维。
6.一种图像分类装置，所述装置包括：特征图获取模块、特征融合模块和图像分类模块；其中，
所述特征图获取模块，用于将待分类的文档图像输入到预先训练好的神经网络模型中，通过所述神经网络模型得到所述待分类的文档图像的各个文本框的特征子图；
所述特征融合模块，用于将各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征输入至预先训练好的多模态特征融合模型中，通过所述多模态特征融合模型将所述各个文本框的特征子图与预先得到的各个文本框的文本信息对应的语义特征和位置信息对应的位置特征融合为各个文本框对应的多模态特征；
所述图像分类模块，用于基于各个文本框对应的多模态特征对所述待分类的文档图像进行分类；
所述图像分类模块，还用于基于各个文本框对应的多模态特征，通过预先训练好的图卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的关联信息；基于各个文本框与所述待分类的文档图像中的其他文本框的关联信息，得到各个文本框对应的多模态特征。
7.根据权利要求6所述的装置，所述图像分类模块，具体用于将各个文本框对应的多模态信息特征进行池化操作，得到所述待分类的文档图像对应的多模态特征；基于所述待分类的文档图像对应的多模态特征对所述待分类的文档图像进行分类。
8.根据权利要求6所述的装置，所述图像分类模块，具体用于将各个文本框对应的多模态特征进行池化操作，得到各个文本框对应的文本框级别的特征；将各个文本框对应的文本框级别的特征输入至预先训练好的图卷积模型中，通过所述图卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的关联信息。
9.根据权利要求8所述的装置，所述图像分类模块，还用于将各个文本框与所述待分类的文档图像中的其他文本框的关联信息输入至预先训练好的图学习卷积模型中，通过所述图学习卷积模型得到各个文本框与所述待分类的文档图像中的其他文本框的更新后的关联信息；执行基于各个文本框与所述待分类的文档图像中的其他文本框的更新后的关联信息对待分类的文档图像进行分类的操作。
10.根据权利要求6所述的装置，所述多模态特征融合模型由六层组成，每一层包括两个子层：第一子层和第二子层；其中，所述第一子层是一个多头自注意力层；所述第二子层是一个全连接前馈网络；所述第一子层和所述第二子层的输出向量的维度均为512维。
11. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
CN202110235776.1A 2021-03-03 2021-03-03 一种图像分类方法、装置、电子设备及存储介质 Active CN112966522B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110235776.1A CN112966522B (zh) 2021-03-03 2021-03-03 一种图像分类方法、装置、电子设备及存储介质
US17/498,226 US20220027611A1 (en) 2021-03-03 2021-10-11 Image classification method, electronic device and storage medium
EP21202754.4A EP3923185A3 (en) 2021-03-03 2021-10-14 Image classification method and apparatus, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110235776.1A CN112966522B (zh) 2021-03-03 2021-03-03 一种图像分类方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112966522A CN112966522A (zh) 2021-06-15
CN112966522B true CN112966522B (zh) 2022-10-14

Family

ID=76276332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110235776.1A Active CN112966522B (zh) 2021-03-03 2021-03-03 一种图像分类方法、装置、电子设备及存储介质

Country Status (3)

Country Link
US (1) US20220027611A1 (zh)
EP (1) EP3923185A3 (zh)
CN (1) CN112966522B (zh)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378580B (zh) * 2021-06-23 2022-11-01 北京百度网讯科技有限公司 文档版面分析方法、模型训练方法、装置和设备
CN113469067B (zh) * 2021-07-05 2024-04-16 北京市商汤科技开发有限公司 一种文档解析方法、装置、计算机设备和存储介质
CN113537368B (zh) * 2021-07-21 2023-06-30 泰康保险集团股份有限公司 样本处理方法、装置、计算机可读介质及电子设备
CN113688872A (zh) * 2021-07-28 2021-11-23 达观数据(苏州)有限公司 一种基于多模态融合的文档版面分类方法
CN113779934B (zh) * 2021-08-13 2024-04-26 远光软件股份有限公司 多模态信息提取方法、装置、设备及计算机可读存储介质
CN113657274B (zh) * 2021-08-17 2022-09-20 北京百度网讯科技有限公司 表格生成方法、装置、电子设备及存储介质
CN113742483A (zh) * 2021-08-27 2021-12-03 北京百度网讯科技有限公司 文档分类的方法、装置、电子设备和存储介质
CN113887332B (zh) * 2021-09-13 2024-04-05 华南理工大学 一种基于多模态融合的肌肤作业安全监测方法
CN113971750A (zh) * 2021-10-19 2022-01-25 浙江诺诺网络科技有限公司 银行回单的关键信息提取方法、装置、设备及存储介质
CN114429637B (zh) * 2022-01-14 2023-04-07 北京百度网讯科技有限公司 一种文档分类方法、装置、设备及存储介质
CN114241481A (zh) * 2022-01-19 2022-03-25 湖南四方天箭信息科技有限公司 基于文本骨架的文本检测方法、装置和计算机设备
CN114519858B (zh) * 2022-02-16 2023-09-05 北京百度网讯科技有限公司 文档图像的识别方法、装置、存储介质以及电子设备
CN114550156B (zh) * 2022-02-18 2024-09-10 支付宝(杭州)信息技术有限公司 图像处理方法及装置
CN114780773B (zh) * 2022-03-15 2024-07-02 支付宝(杭州)信息技术有限公司 文档图片分类方法、装置、存储介质及电子设备
CN114626476A (zh) * 2022-03-21 2022-06-14 北京信息科技大学 基于Transformer与部件特征融合的鸟类细粒度图像识别方法及装置
CN114842482B (zh) * 2022-05-20 2023-03-17 北京百度网讯科技有限公司 一种图像分类方法、装置、设备和存储介质
CN114880527B (zh) * 2022-06-09 2023-03-24 哈尔滨工业大学（威海） 一种基于多预测任务的多模态知识图谱表示方法
CN114862844B (zh) * 2022-06-13 2023-08-08 合肥工业大学 一种基于特征融合的红外小目标检测方法
CN114973294B (zh) * 2022-07-28 2022-10-21 平安科技（深圳）有限公司 基于图文匹配方法、装置、设备及存储介质
CN115661847B (zh) * 2022-09-14 2023-11-21 北京百度网讯科技有限公司 表格结构识别及模型训练方法、装置、设备和存储介质
CN115640401B (zh) * 2022-12-07 2023-04-07 恒生电子股份有限公司 文本内容提取方法及装置
CN115828162B (zh) * 2023-02-08 2023-07-07 支付宝(杭州)信息技术有限公司 一种分类模型训练的方法、装置、存储介质及电子设备
CN115858791B (zh) * 2023-02-17 2023-09-15 成都信息工程大学 短文本分类方法、装置、电子设备和存储介质
CN116189209B (zh) * 2023-04-14 2023-07-04 浙江太美医疗科技股份有限公司 医疗文档图像分类方法和装置、电子设备和存储介质
CN116403203B (zh) * 2023-06-06 2023-08-29 武汉精臣智慧标识科技有限公司 一种标签生成方法、系统、电子设备及存储介质
CN116503674B (zh) * 2023-06-27 2023-10-20 中国科学技术大学 一种基于语义指导的小样本图像分类方法、装置及介质
CN116665228B (zh) * 2023-07-31 2023-10-13 恒生电子股份有限公司 图像处理方法及装置
CN118297898A (zh) * 2024-04-01 2024-07-05 天津大学 一种多模态缺陷质量检测方法及系统
CN118069818B (zh) * 2024-04-22 2024-07-12 华南理工大学 一种基于大语言模型增强的知识问答方法
CN118135333B (zh) * 2024-04-29 2024-07-26 上海商涌科技有限公司 医疗图片智能分拣方法、装置、电子设备及可读存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512661B (zh) * 2015-11-25 2019-02-26 中国人民解放军信息工程大学 一种基于多模态特征融合的遥感影像分类方法
US11853903B2 (en) * 2017-09-28 2023-12-26 Siemens Aktiengesellschaft SGCNN: structural graph convolutional neural network
CN109299274B (zh) * 2018-11-07 2021-12-17 南京大学 一种基于全卷积神经网络的自然场景文本检测方法
CN111783761A (zh) * 2020-06-30 2020-10-16 苏州科达科技股份有限公司 证件文本的检测方法、装置及电子设备
CN112101165B (zh) * 2020-09-07 2022-07-15 腾讯科技（深圳）有限公司 兴趣点识别方法、装置、计算机设备和存储介质
CN112001368A (zh) * 2020-09-29 2020-11-27 北京百度网讯科技有限公司 文字结构化提取方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
CN112966522A (zh) 2021-06-15
EP3923185A3 (en) 2022-04-27
EP3923185A2 (en) 2021-12-15
US20220027611A1 (en) 2022-01-27

Similar Documents

Publication Publication Date Title
CN112966522B (zh) 一种图像分类方法、装置、电子设备及存储介质
CN112949415B (zh) 图像处理方法、装置、设备和介质
CN114612759B (zh) 视频处理方法、查询视频的方法和模型训练方法、装置
CN113901907A (zh) 图文匹配模型训练方法、图文匹配方法及装置
US20240304015A1 (en) Method of training deep learning model for text detection and text detection method
CN113204615A (zh) 实体抽取方法、装置、设备和存储介质
CN114429633B (zh) 文本识别方法、模型的训练方法、装置、电子设备及介质
CN114782719B (zh) 一种特征提取模型的训练方法、对象检索方法以及装置
US20230114673A1 (en) Method for recognizing token, electronic device and storage medium
CN113887615A (zh) 图像处理方法、装置、设备和介质
CN112749300A (zh) 用于视频分类的方法、装置、设备、存储介质和程序产品
CN113361523A (zh) 文本确定方法、装置、电子设备和计算机可读存储介质
CN112906368B (zh) 行业文本增量方法、相关装置及计算机程序产品
CN114861758A (zh) 多模态数据处理方法、装置、电子设备及可读存储介质
CN112948584B (zh) 短文本分类方法、装置、设备以及存储介质
CN117633621A (zh) 开集分类模型的训练方法、装置、电子设备及存储介质
CN115082598B (zh) 文本图像生成、训练、文本图像处理方法以及电子设备
CN114842482B (zh) 一种图像分类方法、装置、设备和存储介质
CN114419327B (zh) 图像检测方法和图像检测模型的训练方法、装置
CN114661904B (zh) 文档处理模型的训练方法、装置、设备、存储介质及程序
CN113343979B (zh) 用于训练模型的方法、装置、设备、介质和程序产品
CN113361522B (zh) 用于确定字符序列的方法、装置和电子设备
CN115116080A (zh) 表格解析方法、装置、电子设备和存储介质
CN114707638A (zh) 模型训练、对象识别方法及装置、设备、介质和产品
CN114358198A (zh) 实例分割方法、装置及电子设备

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