文本识别方法、文本识别网络的训练方法及装置与流程

1.本公开涉及图像处理技术领域，尤其涉及人工智能的文本识别方法、文本识别网络的训练方法及装置。


背景技术：

2.文本识别是指在现有的通过文字检测方法确定出图像中文本的位置，并找出其边界框之后，对图像中的文字进行识别，可以广泛应用于身份证识别、票据识别等业务场景，从而大幅度节省人工录入时间，并提高各种应用场景中的效率。


技术实现要素：

3.本公开提供了一种文本识别方法、文本识别网络的训练方法及装置。
4.根据本公开的一方面，提供了一种文本识别方法，包括：
5.确定待识别图像对应的编码后的序列特征；
6.基于所述编码后的序列特征和文本实例对应的字符特征，确定解码后的序列向量；
7.基于所述解码后的序列向量，确定所述待识别图像中包括的文本；
8.其中，所述文本实例包括预设的至少一个字符。
9.根据本公开的另一方面，提供了一种文本识别网络的训练方法，所述文本识别网络包括编码子网络、译码子网络和输出子网络，所述方法包括：
10.基于所述编码子网络确定训练样本集中样本图像对应的编码后的序列样本特征；
11.以所述编码后的序列样本特征和文本实例样本对应的字符样本特征作为所述译码子网络的跨层注意力层的输入，将所述跨层注意力层的输出确定为解码后的样本序列向量；
12.将所述解码后的样本序列向量作为所述输出子网络的输入，根据所述输出子网络的输出，确定所述样本图像中包括的预测文本；
13.匹配所述样本图像包括的预测文本和所述样本图像包括的标注文本，基于匹配结果调整所述文本识别网络的参数；
14.其中，所述文本实例包括预设的至少一个字符；所述字符包括字母、数字、符号、文字中至少一种。
15.本公开第三方面提供一种文本识别装置，包括：
16.编码单元，用于确定待识别图像对应的编码后的序列特征；
17.译码单元，用于基于所述编码后的序列特征和文本实例对应的字符特征，确定解码后的序列向量；
18.输出单元，用于基于所述解码后的序列向量，确定所述待识别图像中包括的文本；
19.其中，所述文本实例包括预设的至少一个字符。
20.本公开第四方面提供一种文本识别网络的训练装置，包括：
21.第一确定单元，用于基于所述编码子网络确定训练样本集中样本图像对应的编码后的序列样本特征；
22.第二确定单元，用于以所述编码后的序列样本特征和文本实例样本对应的字符样本特征作为所述译码子网络的跨层注意力层的输入，将所述跨层注意力层的输出确定为解码后的样本序列向量；
23.第三确定单元，用于将所述解码后的样本序列向量作为所述输出子网络的输入，根据所述输出子网络的输出，确定所述样本图像中包括的预测文本；
24.调整单元，用于匹配所述样本图像包括的预测文本和所述样本图像包括的标注文本，基于匹配结果调整所述文本识别网络的参数；
25.其中，所述文本实例包括预设的至少一个字符；所述字符包括字母、数字、符号、文字中至少一种。
26.本公开第五方面提供一种电子设备，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上述所述的文本识别方法或文本识别网络的训练方法。
27.本公开第六方面提供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上述所述的文本识别方法或文本识别网络的训练方法。
28.本公开第七方面提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现上述所述的文本识别方法或文本识别网络的训练方法。
29.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
30.附图用于更好地理解本方案，不构成对本公开的限定。其中：
31.图1示出了本公开实施例提供的文本识别方法的一种可选流程示意图；
32.图2示出了本公开实施例提供的文本识别网络的训练方法的一种可选流程示意图；
33.图3示出了本公开实施例提供的文本识别网络的训练方法的另一种可选流程示意图；
34.图4示出了本公开实施例提供的文本识别方法的数据示意图；
35.图5示出了本公开实施例提供的基础子网络迁移的示意图；
36.图6示出了本公开实施例提供的文本识别装置的一种可选结构示意图；
37.图7示出了本公开实施例提供的文本识别网络的训练装置的一种可选结构示意图；
38.图8示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
39.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。
40.文字检测技术是指确定出图像中文本的位置，并找出其边界框。它是很多视觉任务的前置步骤，比如文本识别和场景理解等，可以广泛应用于身份证识别、票据识别等业务场景，从而大幅度节省人工录入时间，并提高各种应用场景中的效率。自然场景的文字检测和通用目标检测相比有其特殊性，作为视觉主体目标的文字，其字体、大小、颜色、方向、形状等呈现出多样化的特征，相比于一般的目标检测难度更大。近些年来，文字检测技术得到了快速发展，文字检测模型预训练是一种提升模型效果的重要方法，尤其在缺少大量数据的真实的应用场景下。
41.现有文字检测预训练方法主要有两种方式，一是直接迁移在图像分类任务大规模数据集上训练过的模型到文字检测任务，一是在大规模合成的文字检测数据上训练后，再使用真实数据调优，这两种方式都能一定程度缓解真实数据过少的问题，但是由于预训练任务和合成的数据与真实场景下的检测任务还是存在巨大差异，无法充分挖掘文字的语义信息，并不能使效果达到最好。
42.文字检测方法主要有east[2]等算法，现有的文字检测预训练方法主要有两种方式，一是直接迁移在图像分类任务大规模数据集上训练过的模型到文字检测任务，一是在大规模合成的文字检测数据上训练后，再使用真实数据调优，这两种方式都能一定程度缓解真实数据过少的问题，但是由于预训练任务和合成的数据与真实场景下的检测任务还是存在巨大差异，无法充分挖掘文字的语义信息，并不能使效果达到最好。
[0043]
相关技术中，文字检测预训练方法存在如下缺点：
[0044]
1.预训练任务和文字检测任务的差异。直接迁移图像分类模型没有考虑文字检测任务具有的独特性，无法使预训练效果达到最好。
[0045]
2.合成数据和真实数据的差异。大规模合成文字检测数据弥补了任务差异，但是数据间的差异无法弥补，容易在合成数据上过拟合，无法充分挖掘文字语义特征。
[0046]
本公开提供一种文本识别方法和文本识别网络的训练方法，以至少解决现有技术中文本识别存在的缺陷。
[0047]
图1示出了本公开实施例提供的文本识别方法的一种可选流程示意图，将根据各个步骤进行说明。
[0048]
步骤s101，确定待识别图像对应的编码后的序列特征。
[0049]
在一些实施例中，文本识别装置(以下简称第一装置)将待识别图像对应的图像矩阵转换为的一维向量；确定所述一维向量对应的特征为所述待识别图像的序列特征；然后对所述序列特征进行编码，得到所述编码后的序列特征。
[0050]
具体实施时，所述第一装置可以基于文本识别网络包括的基础子网络将所述待识别图像对应的图像矩阵转换为将待识别图像对应的图像矩阵转换为的一维向量；确定所述一维向量对应的特征为所述待识别图像的序列特征；基于所述文本识别网络包括的编码子网络对所述序列特征进行编码，得到所述编码后的序列特征；即将所述待识别图像输入至所述基础子网络中，获得待识别图像的序列特征；将所述待识别图像的序列特征输入至所述编码子网络中，获得所述编码后的序列特征。
[0051]
步骤s102，基于所述编码后的序列特征和文本实例对应的字符特征，确定解码后的序列向量。
[0052]
在一些实施例中，所述第一装置确定所述解码后的序列向量之前，获取所述文本实例对应的嵌入值，所述嵌入值为所述文本实例对应的字符特征；其中，所述文本实例包括预设的至少一个字符，不同的文本实例对应的嵌入值不同；所述字符可以包括数字、字母、符号和文字等至少一种。
[0053]
具体实施时，所述第一装置可以基于所述文本识别网络包括的译码子网络的自注意力层，获取所述文本实例对应的嵌入值；即以所述文本实例作为所述自注意力层的输入，所述自注意力层的输出为所述文本实例对应的嵌入值。
[0054]
在一些实施例中，所述第一装置可以基于所述译码子网络包括的跨层注意力层，获取所述解码后的序列向量；即以所述编码后的序列特征和所述文本实例对应的字符特征作为所述跨层注意力层的输入，所述跨层注意力层的输出为所述解码后的序列向量。
[0055]
步骤s103，基于所述解码后的序列向量，确定所述待识别图像中包括的文本。
[0056]
在一些实施例中，所述第一装置可以基于所述文本识别网络包括的输出子网络，确定所述待识别图像的类型；即以所述解码后的序列向量作为所述输出子网络包括的前置子网络的输入，所述前置子网络的输出为所述待识别图像中包括的至少一个文本类型；所述至少一个文本类型对应所述待识别图像中包括的文本。
[0057]
例如，所述待识别图像中包括第一字母、第二字母、第一数字和第一符号；所述前馈子网络的输出为所述待识别图像中包括第一字母类型、所述待识别图像中包括第二字母类型、所述待识别图像中包括第一数字类型和所述待识别图像中包括第一符号类型，进一步，所述第一装置确定所述待识别图像中包括第一字母、第二字母、第一数字和第一符号。
[0058]
在一些可选实施例中，所述第一装置确定所述图像中包括的文本之后，所述第一装置还可以确定所述图像中包括的文本的位置信息(或顺序)；具体的，所述第一装置将所述解码后的序列向量与所述编码后的序列特征对应的向量相乘，得到乘积结果；基于所述乘积结果，确定所述文本在所述编码后的序列特征中的位置信息；基于所述文本在所述编码后的序列特征中的位置信息，确定所述文本在所述待识别图像的位置信息；基于所述文本在所述待识别图像的位置信息和所述待识别图像中包括的文本，按照所述文本在所述待识别图像中的顺序，输出所述待识别图像中包括的文本。
[0059]
可选的，所述解码后的序列向量与所述编码后的序列特征对应的向量可以进行tensor乘法操作；在进行tensor乘法操作时，可以通过补0、复制或重复等方式使所述解码后的序列向量与所述编码后的序列特征对应的向量的长度相同。
[0060]
如此，通过本公开实施例提供的文本识别方法，确定待识别图像对应的编码后的序列特征；基于所述编码后的序列特征和文本实例对应的字符特征，确定解码后的序列向量；基于所述解码后的序列向量，确定所述待识别图像中包括的文本；其中，所述文本实例包括预设的至少一个字符。由于文本实例是字符级的，可以直接检测出待识别图像中包括的文本的具体内容(类型)，进而在文本检测阶段实现文本识别。并且，因为文本实例是字符级的，可以摆脱对于样本图像的真实性或数量的限制，基于字符级文本实例充分挖掘文字本身的语义信息(即确定字符级文字类型)，使得模型在业务场景下缺少大量真实数据的情况下达到更好的检测效果。
[0061]
图2示出了本公开实施例提供的文本识别网络的训练方法的一种可选流程示意图，将根据各个步骤进行说明。
[0062]
步骤s201，基于所述编码子网络确定训练样本集中样本图像对应的编码后的序列样本特征。
[0063]
在一些实施例中，所述文本识别网络包括基础子网络、编码子网络、译码子网络和输出子网络；所述译码子网络包括自注意力层和跨层注意力层；所述输出子网络包括前置子网络。
[0064]
在一些实施例中，文本识别网络的训练装置(以下简称第二装置)基于所述基础子网络将所述样本图像对应的图像矩阵转换为表征所述样本图像的一维向量；所述样本图像的一维向量对应的特征为所述样本图像的序列样本特征；基于所述编码子网络对所述序列样本特征进行编码，形成编码后的序列样本特征。
[0065]
步骤s202，以所述编码后的序列样本特征和文本实例样本对应的字符样本特征作为所述译码子网络的跨层注意力层的输入，将所述跨层注意力层的输出确定为解码后的样本序列向量。
[0066]
在一些实施例中，所述第二装置确定解码后的样本序列向量之前，还可以将所述文本实例样本输入至所述译码子网络的自注意力层，基于所述自注意力层的输出获取所述文本实例样本对应的嵌入值，所述嵌入值为所述文本实例样本对应的字符样本特征；其中，所述文本实例样本包括预设的至少一个字符，不同的文本实例样本对应的嵌入值不同；可选的，所述字符样本特征可以是一维向量；所述字符可以包括数字、字母、符号和文字等至少一种。
[0067]
在一些实施例中，所述第二装置将所述编码后的序列样本特征和所述字符样本特征输入至所述跨层注意力层；确定所述跨层注意力层的输出为所述解码后的样本序列向量。
[0068]
步骤s203，将所述解码后的样本序列向量作为所述输出子网络的输入，根据所述输出子网络的输出，确定所述样本图像中包括的预测文本。
[0069]
在一些实施例中，所述第二装置将将所述解码后的样本序列向量作为所述输出子网络包括的前馈子网络的输入，获取所述样本图像对应的至少一个预测类型；其中，所述样本图像对应的至少一个预测类型包括所述样本图像中包括的文本所对应的类型(如第一字母对应第一字母类型)。
[0070]
例如，所述样本图像中包括第一字母、第二字母、第一数字和第一符号；所述前馈子网络的输出为所述样本图像中包括第一字母类型、所述样本图像中包括第三字母类型、所述样本图像中包括第一数字类型和所述样本图像中包括第一符号类型，进一步，所述第二装置确定所述样本图像中包括第一字母、第三字母、第一数字和第一符号。其中，所述第三字母和所述第二字母可以相同，也可以不同；此处的预测结果仅仅为示例，并不表示实际训练过程中获得的预测结果。
[0071]
步骤s204，匹配所述样本图像包括的预测文本和所述样本图像包括的标注文本，基于匹配结果调整所述文本识别网络的参数。
[0072]
在一些实施例中，所述第二装置匹配所述样本图像包括的预测文本和所述样本图像包括的标注文本，基于匹配结果调整所述文本识别网络的参数；若所述预测文本和所述
标注文本相同，则确定不调整所述文本识别网络的参数；若所述预测文本和所述标注文本不同，则基于所述样本图像的预测文本和所述样本图像的标注文本之间的差异，调整所述文本识别网络的参数。
[0073]
具体实施时，所述第二装置可以基于所述样本图像的预测文本和所述样本图像的标注文本确定类别损失，基于所述类别损失，调整所述文本识别网络的参数。
[0074]
在一些可选实施例中，所述第二装置还可以将所述解码后的样本序列向量和所述编码后的样本序列特征对应的向量相乘，得到乘积结果；基于所述乘积结果，确定所述文本在所述编码后的样本序列特征中的预测位置信息；基于所述文本在所述编码后的样本序列特征中的预测位置信息，确定所述预测文本在所述样本图像的预测位置信息。基于所述预测文本在所述样本图像中的预测位置信息，将所述预测文本按照从上至下、从左至右的顺序排列，生成预测文本序列；基于所述预测文本序列和样本图像对应的标记文本序列之间的差异，调整所述文本识别网络的参数。其中，所述样本图像对应的标记文本序列可以是样本图像包括的文本按照从上至下从左至右排序后得到的。
[0075]
在一些可选实施例中，所述第二装置基于所述基础子网络的输入和/或输出，以及所述输出子网络的输出，将所述基础子网络迁移至文字检测方法中使用，例如，将图像输入至所述基础子网络后，输出所述图像的类型(是否包括文本)，以及所述图像中文本的位置信息；后续可以基于所述图像中文本的位置信息进行文字识别(如orc方法)。
[0076]
如此，通过本公开实施例提供的文本识别网络的训练方法，能够获得可以直接预测图像中字符级实例的神经网络，解决了样本受限的文本识别网络训练；使得训练完成的模型在业务场景缺少大量真实数据时可以提升文字识别的准确率。
[0077]
图3示出了本公开实施例提供的文本识别网络的训练方法的另一种可选流程示意图，图4示出了本公开实施例提供的文本识别方法的数据示意图；将根据各个步骤进行说明。
[0078]
本公开提供的文本识别网络，首先通过基础子网络对输入图像(训练阶段的样本图像，或应用阶段的待识别图像)进行特征提取，然后基于编码子网络和译码子网络组成的编码译码子网络(encoder-decoder子网络)和/或输出子网络输出图像中包括的文字的文本序列，基于大量的合成数据进行训练后，将基础子网络部分迁移到真实数据文字检测任务中(即迁移到应文字检测任务的应用中)，得到最终的检测模型。所述基础子网络的输出包括图像的类型(是否包括文本)，以及文本在图像中的位置信息。
[0079]
步骤s301，将样本图像输入至文本识别网络。
[0080]
在一些实施例中，所述样本图像可以是包括任意形状文字的图像。可选的，所述样本图像中的文字为扭曲、变形或缺少部分特征的文字；所述样本图像可以是合成的图像，也可以是自然场景图像。
[0081]
步骤s302，文本检测网络包括的基础子网络确定所述样本图像的序列样本特征。
[0082]
在一些实施例中，所述文本识别网络包括的基础子网络(或称backbone模块)可以是基于卷积神经网络(cnn)、transform(一种机器学习模型)或cnn与transform混合的网络结构，所述基础子网络的目的是提取样本图像的序列样本特征，训练后可以直接迁移到文字检测方法中使用。其中，序列包括将所述样本图像按照行排列得到的向量(如样本图像可以表示为h*w矩阵，则所述样本图像对应的序列为1*hw的一维向量)。
[0083]
在一些实施例中，所述基础子网络将样本图像对应的图像矩阵转换为的一维向量；确定所述一维向量对应的样本特征为所述样本图像的序列样本特征。
[0084]
步骤s303，文本检测网络包括的编码译码子网络确定解码后的样本序列向量。
[0085]
在一些实施例中，所述编码译码子网络基于自注意力层和跨层注意力层构成，目的是对所述基础子网络确定的样本图像的序列样本特征进行编码、解码操作，得到样本图像中文本的预测结果。具体的，所述基础子网络输出的样本图像的序列样本特征作为所述编码子网络的输入；经过自注意力学习输出编码后的序列样本特征；至少一个可学习的文本实例样本(queries)作为译码子网络包括的自注意力层的输入，所述译码子网络自注意力层的输出与所述编码子网络的输出共同作为跨层注意力层的输入，最后输出解码后的样本序列向量。其中，所述文本实例样本包括预设的至少一个字符；所述字符包括字母、数字、符号、文字中至少一种。
[0086]
如图4所示，样本图像输入至基础子网络后，获得序列样本特征；所述序列样本特征输入至所述编码子网络后，经自注意力学习输出编码后的序列样本特征；文本实例样本输入所述译码子网络，经所述自注意力层，得到对应的字符样本特征；所述编码后的序列样本特征核所述字符样本特征输入所述跨层注意力层，最终输出解码后的样本序列向量。
[0087]
在一些实施例中，所述解码后的样本序列向量经过一个前馈子网络可以得到具体文本内容的预测文本输出。
[0088]
在一些实施例中，匹配所述样本图像包括的预测文本和所述样本图像包括的标注文本，基于匹配结果调整所述文本识别网络的参数；具体的，若所述预测文本和所述标注文本相同，则确定不调整所述文本识别网络的参数；若所述预测文本和所述标注文本不同，则基于所述样本图像的预测文本和所述样本图像的标注文本之间的差异，调整所述文本识别网络的参数。
[0089]
在一些可选实施例中，第二装置还可以将所述样本图像中包括的预测文本按照所述预测文本在所述样本图像中的位置信息，从上到下从左至右排列为一个预测文本序列。
[0090]
具体实施时，第二装置可以将所述解码后的样本序列向量和所述编码后的样本序列特征对应的向量相乘，得到乘积结果；基于所述乘积结果，确定所述文本在所述编码后的样本序列特征中的预测位置信息；基于所述文本在所述编码后的样本序列特征中的预测位置信息，确定所述预测文本在所述样本图像的预测位置信息。基于所述预测文本在所述样本图像中的预测位置信息，将所述预测文本按照从上至下、从左至右的顺序排列，生成预测文本序列；基于所述预测文本序列和样本图像对应的标记文本序列之间的差异，调整所述文本识别网络的参数。其中，所述样本图像对应的标记文本序列可以是样本图像包括的文本按照从上至下从左至右排序后得到的。
[0091]
在一些实施例中，所述方法还可以包括：
[0092]
步骤s304，将基础子网络迁移到文本检测模型中。
[0093]
在一些实施例中，第二装置基于所述文本识别网络的输出，确定所述基础子网络的输入和/或输出对应的样本图像类型和样本图像中文本的位置信息。
[0094]
图5示出了本公开实施例提供的基础子网络迁移的示意图。
[0095]
如图5所示，在所述文本检测网络基于图4所示的数据示意图进行训练后，所述第二装置基于所述文本检测网络中基础子网络的输入和/或输出，以及所述输出子网络的输
出，将所述基础子网络迁移至文字检测方法中使用；例如，在文本识别网络的训练过程中，确认所述基础子网络的输入，以及通过所述编码译码子网络得到的所述基础子网络的输入所对应的图像类型以及所述图像中文本的位置信息，以所述图像作为所述基础子网络的输入，所述图像对应的图像类型以及所述图像中文本的位置信息作为所述基础子网络的输出，将所述基础子网络迁移至文本检测方法中使用，用于检测图像中是否存在文本(及确认图像类型)，以及文本在图像中的位置信息。后续，在文本检测方法中，可以基于所述基础子网络的输出确认图像是否包括文本，以及若所述图像包括文本，则所述文本在所述图像中的位置信息，进一步基于所述基础子网络输出的所述文本在所述图像中的位置信息，通过文本识别方法(如orc)进行文本识别。
[0096]
在一些可选实施例中，所述基础子网络迁移到现有的文本检测方法中之后，经过真实图像(自然场景的图像，非人工合成的)训练进行微调后，即可得到最终的文本检测方法所对应的文本检测模型。
[0097]
如此，通过本公开实施例提供的文本识别网络的训练方法，利用字符级文本实例进行文本识别预训练任务可以充分挖掘文字本身的语义信息，可以使得模型在缺少大量真实数据的业务场景下达到更好的检测效果。
[0098]
图6示出了本公开实施例提供的文本识别装置的一种可选结构示意图，将根据各个部分进行说明。
[0099]
在一些实施例中，所述文本识别装置600包括编码单元601、译码单元602和输出单元603。
[0100]
编码单元601，用于确定待识别图像对应的编码后的序列特征；
[0101]
译码单元602，用于基于所述编码后的序列特征和文本实例对应的字符特征，确定解码后的序列向量；
[0102]
输出单元603，用于基于所述解码后的序列向量，确定所述待识别图像中包括的文本；
[0103]
其中，所述文本实例包括预设的至少一个字符；所述字符包括字母、数字、符号、文字中至少一种。
[0104]
所述编码单元601，具体用于将待识别图像对应的图像矩阵转换为的一维向量；确定所述一维向量对应的特征为所述待识别图像的序列特征；对所述序列特征进行编码，确定所述待识别图像对应的编码后的序列特征。
[0105]
所述译码单元602，还用于获取所述文本实例对应的嵌入值，所述嵌入值为所述文本实例对应的字符特征；其中，不同的文本实例对应的嵌入值不同。
[0106]
所述输出单元603，具体用于将所述解码后的序列向量作为前馈子网络的输入，根据所述前馈子网络的输出，确定所述待识别图像包括的文本。
[0107]
所述输出单元603，还用于将所述解码后的序列向量与所述编码后的序列特征对应的向量相乘，得到乘积结果；基于所述乘积结果，确定所述文本在所述编码后的序列特征中的位置信息；基于所述文本在所述编码后的序列特征中的位置信息，确定所述文本在所述待识别图像的位置信息；基于所述文本在所述待识别图像的位置信息和所述待识别图像中包括的文本，按照所述文本在所述待识别图像中的顺序，输出所述待识别图像中包括的文本。
[0108]
图7示出了本公开实施例提供的文本识别网络的训练装置的一种可选结构示意图，将根据各个部分进行说明。
[0109]
在一些实施例中，所述文本识别网络的训练装置700包括：第一确定单元701，第二确定单元702、第三确定单元703和调整单元704。
[0110]
第一确定单元701，用于基于所述编码子网络确定训练样本集中样本图像对应的编码后的序列样本特征；
[0111]
第二确定单元702，用于以所述编码后的序列样本特征和文本实例样本对应的字符样本特征作为所述译码子网络的跨层注意力层的输入，将所述跨层注意力层的输出确定为解码后的样本序列向量；
[0112]
第三确定单元703，用于将所述解码后的样本序列向量作为所述输出子网络的输入，根据所述输出子网络的输出，确定所述样本图像中包括的预测文本；
[0113]
调整单元704，用于匹配所述样本图像包括的预测文本和所述样本图像包括的标注文本，基于匹配结果调整所述文本识别网络的参数；
[0114]
其中，所述文本实例包括预设的至少一个字符；所述字符包括字母、数字、符号、文字中至少一种。
[0115]
所述第一确定单元701，具体用于基于所述基础子网络将所述样本图像对应的图像矩阵转换为表征所述样本图像的一维向量；所述样本图像的一维向量对应的特征为所述样本图像的序列样本特征；所述编码子网络对所述序列样本特征进行编码，确定训练样本集中样本图像对应的编码后的序列样本特征。
[0116]
所述第二确定单元702，还用于将所述文本实例样本输入至所述译码子网络的自注意力层，基于所述自注意力层的输出获取所述文本实例样本对应的嵌入值，所述嵌入值为所述文本实例样本对应的字符样本特征；其中，不同的文本实例样本对应的嵌入值不同。
[0117]
所述第三确定单元703，具体用于将所述解码后的样本序列向量作为所述输出子网络包括的前馈子网络的输入，获取所述样本图像对应的至少一个预测类型；其中，所述样本图像对应的至少一个预测类型包括所述样本图像中包括的文本所对应的类型。
[0118]
所述调整单元704，具体用于若所述预测文本和所述标注文本相同，则确定不调整所述文本识别网络的参数；若所述预测文本和所述标注文本不同，则基于所述样本图像的预测文本和所述样本图像的标注文本之间的差异，调整所述文本识别网络的参数。
[0119]
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。
[0120]
图8示出了可以用来实施本公开的实施例的示例电子设备800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。
[0121]
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。计
算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0122]
设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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。
[0123]
计算单元801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801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801执行上文所描述的各个方法和处理，例如文本识别方法或文本识别网络的训练方法。例如，在一些实施例中，文本识别方法或文本识别网络的训练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808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的文本识别方法或文本识别网络的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文本识别方法或文本识别网络的训练方法。
[0124]
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。
[0125]
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。
[0126]
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。
[0127]
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。
[0128]
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)和互联网。
[0129]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0130]
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。
[0131]
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。