一种文本角度分类的方法、装置、计算机存储介质及终端与流程

1.本文涉及但不限于神经网络技术，尤指一种文本角度分类的方法、装置、计算机存储介质及终端。


背景技术：

2.当前，大部分分类模型只能通过压缩过的整张图像进行推理分类，这种推理分类方法在需求高清晰度和边缘特性的应用场景下有较大的局限性。
3.文本角度分类算法是一种对文本旋转角度进行分类的分类模型。对旋转过的文本图像，文本角度分类算法通过深度学习获得文本图像的旋转角度；对文本图像进行压缩，由于清晰度降低及文本存在边缘特性，相关技术中的文本角度分类算法无法对文本旋转角度进行准确分类；例如：无法准确将文本图像的旋转角度准确进行以下四种角度分类：0度、90度、180度和270度，异或更小度数的角度分类。
4.如何提升文本角度分类算法的准确度，成为一个有待解决的问题。


技术实现要素：

5.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
6.本发明实施例提供一种文本角度分类的方法、装置、计算机存储介质及终端，能够提升文本角度分类的准确度。
7.本发明实施例提供了一种文本角度分类的方法，包括：
8.对由原图切分获得的锚组合进行训练，获得各锚组合包含的每一个子图的角度分类的概率值；
9.对获得的各锚组合包含的每一个子图的角度分类的概率值，通过预设的加权信息进行处理，获得各锚组合用于角度分类的输出值；
10.通过获得的用于角度分类的输出值，确定文本的角度分类。
11.在一种示例性实例中，所述对由原图切分获得的锚组合进行训练，包括：
12.将所述锚组合根据预先设定的训练模型的输入尺寸进行打包；
13.将打包后的所述锚组合输入到所述训练模型中进行训练；
14.其中，在所述原图的分辨率小于所述输入尺寸的情况下，将所述锚组合根据预先设定的训练模型的输入尺寸进行打包是获取所述锚组合中尺寸大于所述原图尺寸的二分之一，且小于所述原图尺寸的子图；在所述原图的分辨率大于或等于所述输入尺寸的情况下，将所述锚组合根据预先设定的训练模型的输入尺寸进行打包是获取所述锚组合中尺寸大于所述输入尺寸，且小于两倍的所述输入尺寸的子图。
15.在一种示例性实例中，所述加权信息包括：与锚组合包含的文本的信息量成正相关的加权系数。
16.在一种示例性实例中，所述加权信息包括：
17.与所述子图包含的文本的信息量成正相关的，锚组合中包含的各子图的第一加权系数；和/或，
18.以锚组合的锚点与所述原图的中心的距离为锚点距离，与所述锚点距离成负相关的各锚组合的第二加权系数。
19.在一种示例性实例中，所述对获得的各锚组合包含的每一个子图的角度分类的概率值，通过预设的加权信息进行处理，包括：
20.在所述加权信息包含所述第一加权系数的情况下，根据获得的所述角度分类的概率值及所述第一加权系数，计算各子图的概率加权和；对计算出的各子图的概率加权和按照角度分类进行累加，获得各锚组合的所述用于角度分类的所述输出值；或，
21.在所述加权信息包含所述第二加权系数的情况下，对每一个锚组合包含的每一个子图的角度分类的概率值，分别计算每一个角度分类：锚组合包含的所有子图的当前角度分类的概率值的累加和，根据锚组合包含的所有子图的各角度分类的概率值的累加和，获得各锚组合的概率累加和；将计算出的各锚组合的所述概率累加和及所述第二加权系数，获得各锚组合的所述用于角度分类的所述输出值；或，
22.在所述加权信息包含所述第一加权系数和所述第二加权系数的情况下，针对每一个锚组合：根据获得的角度分类的概率值及所述第一加权系数，计算各子图的概率加权和；对计算出的各子图的概率加权和按照角度分类进行累加，获得锚组合的概率加权和；将计算出的各锚组合的所述概率加权和及所述第二加权系数，获得锚组合的所述用于角度分类的所述输出值。
23.另一方面，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行的情况下实现上述文本角度分类的方法。
24.再一方面，本发明实施例还提供一种终端，包括：存储器和处理器，所述存储器中保存有计算机程序；其中，
25.处理器被配置为执行存储器中的计算机程序；
26.所述计算机程序被所述处理器执行的情况下实现如上述文本角度分类的方法。
27.还一方面，本发明实施例还提供一种文本角度分类的装置，包括：训练单元、计算单元和确定单元；其中，
28.训练单元设置为：对由原图切分获得的锚组合进行训练，获得各锚组合包含的每一个子图的角度分类的概率值；
29.计算单元设置为：对获得的各锚组合包含的每一个子图的角度分类的概率值，通过预设的加权信息进行处理，获得各锚组合用于角度分类的输出值；
30.确定单元设置为：通过获得的用于角度分类的输出值，确定文本的角度分类。
31.在一种示例性实例中，所述训练单元是设置为：
32.将所述锚组合根据预先设定的训练模型的输入尺寸进行打包；
33.将打包后的所述锚组合输入到所述训练模型中进行训练；
34.其中，在所述原图的分辨率小于所述输入尺寸的情况下，将所述锚组合根据预先设定的训练模型的输入尺寸进行打包是获取所述锚组合中尺寸大于所述原图尺寸的二分之一，且小于所述原图尺寸的子图；在所述原图的分辨率大于或等于所述输入尺寸的情况下，将所述锚组合根据预先设定的训练模型的输入尺寸进行打包是获取所述锚组合中尺寸
大于所述输入尺寸，且小于两倍的所述输入尺寸的子图。
35.在一种示例性实例中，所述加权信息包括：与锚组合包含的文本的信息量成正相关的加权系数。
36.在一种示例性实例中，所述加权信息包括：
37.与所述子图包含的文本的信息量成正相关的，锚组合中包含的各子图的第一加权系数；和/或，
38.以锚组合的锚点与所述原图的中心的距离为锚点距离，与所述锚点距离成负相关的各锚组合的第二加权系数。
39.在一种示例性实例中，所述计算单元是设置为：
40.在所述加权信息包含所述第一加权系数的情况下，根据获得的所述角度分类的概率值及所述第一加权系数，计算各子图的概率加权和；对计算出的各子图的概率加权和按照角度分类进行累加，获得各锚组合的所述用于角度分类的所述输出值；或，
41.在所述加权信息包含所述第二加权系数的情况下，对每一个锚组合包含的每一个子图的角度分类的概率值，分别计算每一个角度分类：锚组合包含的所有子图的当前角度分类的概率值的累加和，根据锚组合包含的所有子图的各角度分类的概率值的累加和，获得各锚组合的概率累加和；将计算出的各锚组合的所述概率累加和及所述第二加权系数，获得各锚组合的所述用于角度分类的所述输出值；或，
42.在所述加权信息包含所述第一加权系数和所述第二加权系数的情况下，针对每一个锚组合：根据获得的角度分类的概率值及所述第一加权系数，计算各子图的概率加权和；对计算出的各子图的概率加权和按照角度分类进行累加，获得锚组合的概率加权和；将计算出的各锚组合的所述概率加权和及所述第二加权系数，获得锚组合的所述用于角度分类的所述输出值。
43.本发明实施例通过锚组合确定切分的子图的角度分类的概率值；基于预设的加权信息对确定的角度分类的概率值进行处理，确定文本的角度分类。角度分类基于保持原图分辨率的子图确定，提升了文本角度分类的准确度。
44.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
45.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
46.图1为本发明实施例文本角度分类的方法的流程图；
47.图2为本发明实施例锚组合示意图；
48.图3为本发明实施例文本角度分类的装置的结构框图。
具体实施方式
49.为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中
的特征可以相互任意组合。
50.在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
51.图1为本发明实施例文本角度分类的方法的流程图，如图1所示，包括：
52.步骤101、对由原图切分获得的锚(anchor)组合进行训练，获得各锚组合包含的每一个子图的角度分类的概率值；这里，原图包括待检测角度的文档图像；
53.本发明实施例通过对原图进行切分的子图，避免文本角度分类时出现清晰度问题。
54.在一种示例性实例中，本发明实施例中的对由原图切分获得的锚组合进行训练，获得各锚组合包含的每一个子图的角度分类的概率值，包括：
55.将锚组合根据预先设定的训练模型的输入尺寸进行打包；
56.将打包后的锚组合输入到训练模型中进行训练；
57.获得各锚组合包含的每一个子图的角度分类的概率值；
58.其中，在原图的分辨率小于输入尺寸的情况下，将锚组合根据预先设定的训练模型的输入尺寸进行打包是获取锚组合中尺寸大于原图尺寸的二分之一，且小于原图尺寸的子图；在原图的分辨率大于或等于输入尺寸的情况下，将锚组合根据预先设定的训练模型的输入尺寸进行打包是获取锚组合中尺寸大于输入尺寸，且小于两倍的输入尺寸的子图。
59.本发明实施例打包就是将锚组合中的子图叠加起来，以下通过示例对锚组合的打包进行示例：假设神经网络的输入尺寸为448*448；则打包就是将锚组合中的子图叠加起来，比如步骤101中锚组合设置由7张子图组合而成，也就是锚组合中包含7张子图，将这7张子图叠成7*448*448*3的数组(3为子图的红绿蓝通道数)；另外，根据原图分辨率及训练模型的输入尺寸，设定子图尺寸，可以确保输入至训练模型的子图的清晰度。
60.在一种示例性实例中，本发明实施例步骤101之前还包括：
61.根据预设的锚点和尺度比例信息，对原图进行切分获得两个以上锚(anchor)组合；具体的，以预设的锚点为中心点，按照尺度比例信息对原图进行切分，获取多个子图，获取的多个子图构成该预设锚点的锚组合。
62.本发明实施例锚点是指切分获得的锚组合包含的子图的中心点，根据确定的锚点和锚组合的尺度比例信息对原图进行切分，可以获得锚组合；锚点可以由本领域技术人员根据应用场景进行分析确定，不同锚组合的锚点不同；各锚组合的尺度比例信息由本领域技术人员根据应用场景进行分析确定，根据锚点和尺度比例信息切分的子图，子图属于原图的其中一个部分。在本领域技术人员设定切分的最小单位尺寸后，根据锚点和尺度比例信息，按尺度比例信息裁剪出的子图。假设原图大小为22400像素*22400像素，以左下角作为坐标轴原点，按从左到右的像素排序确定各像素的横坐标为0至22400像素，按从下到上的像素排序确定各像素的纵坐标为0至22400像素，设定其中一个锚组合的锚点位于448像素*448像素位置，该锚组合的尺度比例信息(长宽比)为：1:2、1:3、3:1和2:1，切分的最小单位尺寸为224像素，则对原图进行切分获得的锚组合中包含的所有子图的中心点均为448像素*448像素，切分获得的子图的尺寸分别为：224像素*448像素、224像素*672像素、672像素*224像素和448像素*224像素。上述最小单位尺寸可以由本领域技术人员根据应用场景
进行分析设定。
63.在一种示例性实例中，本发明实施例锚点还可以通过以下处理获取：
64.获取锚点区域；其中，锚点区域为原图页面中文本的信息量密集度高的位置组成的区域。文本的信息量可以通过统计学上的信息量计算的方式获取；也可以根据预设文本区域内字符的数量进行计算，例如、设定进行字符数统计的文本区域尺寸，对原图页面的一个以上文本区域尺寸的区域统计包含的字符数，将该字符数作为文本的信息量。原图页面的一个以上文本区域尺寸的区域可以从预设起点开始，该预设起点可以为原图页面中的任意点，在本发明实施例中，以原图页面左上角的点为预设起点为例进行说明，按照预定顺序，依次获取以该预设起点为左顶点的文本区域尺寸的区域，直至原图页面的点对应的文本区域尺寸的区域全部获取完成，其中，预定顺序可以为以行为单位，每一行从左到右的顺序，也可以是以列为单位，每一列从上到下的顺序；预设起点也可以作为文本区域尺寸的区域的中心点或其他位置点。本发明实施例中，也可以采用其他方式获取原图页面的一个以上文本区域尺寸的区域，在此不做限定。信息量密度阈值可以由本领域技术人员根据原图页面包含的字符数进行分析确定；也可以基于统计的各位置文本区域尺寸内包含的字符数的均值进行设定，例如、按照预设文本区域尺寸统计原图页面的若干个位置的字符数的均值为30，则本发明实施例可以设定信息量密度阈值为30左右，例如、设定信息量密度阈值为27～33内的一个数值。信息量超过信息量密集阈值的文本区域判定为信息量密集度高的位置。在一种示例性实例中，可以选取原图页面高度的3/4倍和宽度的3/4倍组成的区域为锚点区域。在一种示例性实例中，竖直方向为原图页面高度，水平方向为原图页面宽度。具体的，以原图页面中心点为原点，获取区域高度和区域宽度，区域高度和区域宽度组成的区域为锚点区域。其中，区域宽度可以设置为以原图页面中心点为原点，水平方向向左、右分别获取相同宽度，且左、右方向的宽度和为原图页面宽度的3/4倍；区域高度为以原图页面中心点为原点，竖直方向向上、下分别获取相同高度，且上、下方向的高度和为原图页面高度的3/4倍。
65.根据锚点数量需求m，在锚点区域选取m个点作为锚点；在锚点区域可以采用随机选取的方式进行锚点选取，也可以通过接收到的外部指令选取锚点，还可以通过预先设定的选取规则选取锚点；其中，m为正整数。锚点的位置随机选择的情况下，本发明实施例可以根据锚点在页面中的位置不同，赋予每个锚点不同的权重。比如：越靠近页面中心的锚点，其权重越高；锚点的个数越多，效果越准确，但是所消耗的时间也会相应增加。在一种示例性实例中，本发明实施例中的尺度比例信息，可以根据文本角度分类的不同应用场景进行设定。
66.本发明实施例待检测图像为待确定角度分类的图片。
67.在一种示例性实例中，本发明实施例各锚组合中包含的子图的张数可以是三张以上，三张以上子图结合预设的加权信息，通过概率论相关原理可以得出，本发明实施例可以避免子图出现边缘特性问题。
68.在一种示例性实例中，步骤101对由原图切分获得的锚组合进行训练之前，本发明实施例方法还包括：
69.对一幅以上原图进行特征提取，获得各原图的特征；
70.将获得的各原图的特征映射到样本的标记空间进行训练，以获得训练模型。
71.在一种示例性实例中，本发明实施例对一幅以上原图进行特征提取，包括：
72.通过深度卷积神经网络，对各原图进行特征提取。这里，特征提取就是通过深度卷积网络对原图进行计算后，获得的最后一层深度卷积神经网络输出的结果。
73.在一种示例性实例中，本发明实施例样本包括：包含角度分类结果的训练图像，即已确定角度分类的图像。本发明实施例样本中包含的训练图像的数量可以根据角度分类的准确度进行设定；理论上，样本数越多，准确度越高；另外，角度分类的度数越小时，样本中原图的尺寸比例越丰富。样本的标记空间表示的是训练图像的集合；
74.在一种示例性实例中，本发明实施例将获得的各原图的特征映射到样本的标记空间进行训练，可以包括：将提取的特征以特征图的模式输入深度卷积神经网络的全连接层，通过全连接层计算获得一个1*n的矩阵(n为正整数，代表角度分类的类别数，例如、角度分类为0度、90度、180度和270，则n等于4)；这里1*n的矩阵表示原图属于各角度分类的概率值。
75.需要说明的是，本发明实施例还可以参照相关技术中已有的模型训练方法，训练获得上述训练模型。
76.步骤102、对获得的各锚组合包含的每一个子图的角度分类的概率值，通过预设的加权信息进行处理，获得各锚组合用于角度分类的输出值；
77.在一种示例性实例中，本发明实施例加权信息包括：与锚组合包含的文本的信息量成正相关的加权系数。
78.在一种示例性实例中，本发明实施例中的加权信息包括：
79.与子图包含的文本的信息量成正相关的，锚组合中包含的各子图的第一加权系数；和/或，
80.以锚组合的锚点与所述原图的中心的距离为锚点距离，与所述锚点距离成负相关的各锚组合的第二加权系数。
81.在一种示例性实例中，本发明实施例中的对获得的各锚组合包含的每一个子图的角度分类的概率值，通过预设的加权信息进行处理，包括：
82.在加权信息包含第一加权系数的情况下，根据获得的所述角度分类的概率值及所述第一加权系数，计算各子图的概率加权和；对计算出的各子图的概率加权和按照角度分类进行累加，获得各锚组合的所述用于角度分类的所述输出值；或，
83.在加权信息包含第二加权系数的情况下，对每一个锚组合包含的每一个子图的角度分类的概率值，分别计算每一个角度分类：锚组合包含的所有子图的当前角度分类的概率值的累加和，根据锚组合包含的所有子图的各角度分类的概率值的累加和，获得各锚组合的概率累加和；将计算出的各锚组合的概率累加和分别乘以相应的第二加权系数，获得各锚组合的用于角度分类的输出值；或，
84.在加权信息包含第一加权系数和第二加权系数的情况下，针对每一个锚组合：根据获得的角度分类的概率值及第一加权系数，计算各子图的概率加权和；对计算出的各子图的概率加权和按照角度分类进行累加，获得锚组合的概率加权和；将计算出的各锚组合的概率加权和分别乘以相应的第二加权系数，获得各锚组合的用于角度分类的输出值。
85.在一种示例性实例中，第一加权系数可以由本领域技术人员根据子图中包含的文字的信息量(一般指字符的数量)进行设定；一般的，子图中包含文字的信息量越大，第一加
权系数越大。通过第一加权系数的设置，在进行文本角度分类时，文本量越大的子图，在文本角度分类过程中所占比值越大，因此，可以使文本角度分类的准确度得到提高。
86.在一种示例性实例中，本发明实施例中的计算各锚组合的概率加权和，包括：
87.对每一个锚组合，通过以下方式计算概率加权和：
88.分别计算获得的子图的角度分类的概率值与该子图属于不同角度分类的第一加权系数的乘积，获得各子图的角度分类的概率加权值；
89.将获得的锚组合中各子图的概率加权值进行累加计算，获得概率加权和。
90.需要说明的是，当加权信息不包含第一加权系数时，可以将第一加权系数设置为1。
91.在一种示例性实例中，第二加权系数可以由本领域技术人员根据锚组合的锚点进行设定；一般的，锚组合的锚点越靠近原图的中心，第二加权系数越大。锚点靠近原图的中心和边缘时，切分获得的子图中文字的信息量会存在差异，锚点靠近原图中心的锚组合，子图的文字往往包含更多的信息量，因此，通过设定第二加权系数，提升锚点靠近原图中心的锚组合在文本的角度分类的权重，提升了文本角度分类的准确度。
92.步骤103、通过获得的用于角度分类的输出值，确定文本的角度分类。
93.需要说明的是，本发明实施例获得用于角度分类的输出值后，可以通过比对输出值中各角度分类对应的取值的大小，选择取值最大的角度分类作为文本的角度分类。
94.本发明实施例通过锚组合确定切分的子图的角度分类的概率值；基于预设的加权信息对确定的角度分类的概率值进行处理，确定文本的角度分类。角度分类基于保持原图分辨率的子图确定，提升了文本角度分类的准确度。
95.图2为本发明实施例锚组合示意图，如图2所示，在设定最小单位尺寸后，根据锚点及尺度比例信息对原图进行切分，可以获得包含三个子图的锚组合；假设锚组合的第一加权系数为[0.9，1.0，1.0]，通过训练模型获得：第一个子图的0度、90度、180度和270度的角度分类的分类概率值为[0.9，0，0，0]；第二个子图的0度、90度、180度和270度的角度分类的分类概率值为[0.8，0，0，0]；第三个子图的0度、90度、180度和270度的角度分类的分类概率值为[0.88，0.1，0.1，0]；根据第一加权系数，上述锚组合的概率加权和为：[0.9，0.0，0.0，0.0]*0.9+[0.8，0.1，0.0，0.0]*1.0+[0.88，0.1，0.1，0.0]*1.0＝[2.49，0.2，0.1，0.0]；当包含多个锚组合时，参照上述计算可以获得各锚组合的概率加权和；根据锚点与原图中心的距离设置第二加权系数后，根据各锚组合的概率加权及第二加权系数，可以计算获得用于角度分类的输出值；假设本发明实施例文本的角度分类涉及三个锚组合，除上述锚组合外，另外两个锚组合的概率加权和分别为：[2.80，0.1，0.0，0.1]和[2.89，0.1，0.0，0.1]，预先设定的第二加权系数为[0.9，1.0，1.2]，则用于角度分类的输出值可通过以下公式计算：[2.49，0.2，0.1，0.0]*0.9+[2.80，0.1，0.0，0.1]*1.0+[2.89，0.1，0.0，0.1]*1.2＝[8.509，0.4，0.09，0.22]；根据输出值可以直接看出，角度分类为0度、90度、180度和270度的值分别为：8.509，0.4，0.09和0.22，根据取值大小，可以直接确定原图的文本的角度分类结果为零度。
[0096]
本发明实施例提升了交底分类的准确度和稳定性，可以适用于包括手机、平板、笔记本和嵌入式系统等平台。本发明实施例也可以通过其他开源的神经网络进行上述文本角度分类的方法的实施。此外，本发明实施例除可以应用在文本交底分类，还可以应用值包括
医学图像、精细工业化等领域。
[0097]
本发明实施例还提供一种计算机存储介质，计算机存储介质中存储有计算机程序，计算机程序被处理器执行时实现上述文本角度分类的方法。
[0098]
本发明实施例还提供一种终端，包括：存储器和处理器，存储器中保存有计算机程序；其中，
[0099]
处理器被配置为执行存储器中的计算机程序；
[0100]
计算机程序被处理器执行时实现如上述文本角度分类的方法。
[0101]
图3为本发明实施例文本角度分类的装置的结构框图，如图3所示，包括：训练单元、计算单元和确定单元；其中，
[0102]
训练单元设置为：对由原图切分获得的锚组合进行训练，获得各锚组合包含的每一个子图的角度分类的概率值；
[0103]
计算单元设置为：对获得的各锚组合包含的每一个子图的角度分类的概率值，通过预设的加权信息进行处理，获得各锚组合用于角度分类的输出值；
[0104]
确定单元设置为：通过获得的用于角度分类的输出值，确定文本的角度分类。
[0105]
本发明实施例通过锚组合确定切分的子图的角度分类的概率值；基于预设的加权信息对确定的角度分类的概率值进行处理，确定文本的角度分类。角度分类基于保持原图分辨率的子图确定，提升了文本角度分类的准确度。
[0106]
在一种示例性实例中，训练单元是设置为：
[0107]
将锚组合根据预先设定的训练模型的输入尺寸进行打包；
[0108]
将打包后的锚组合输入到训练模型中进行训练；
[0109]
获得各锚组合包含的每一个子图的角度分类的概率值；
[0110]
其中，在原图的分辨率小于输入尺寸的情况下，将锚组合根据预先设定的训练模型的输入尺寸进行打包是获取锚组合中尺寸大于原图尺寸的二分之一，且小于原图尺寸的子图；在原图的分辨率大于或等于输入尺寸的情况下，将锚组合根据预先设定的训练模型的输入尺寸进行打包是获取锚组合中尺寸大于输入尺寸，且小于两倍的输入尺寸的子图。
[0111]
在一种示例性实例中，本发明实施例加权信息包括：与锚组合包含的文本的信息量成正相关的加权系数。
[0112]
本发明实施例加权系数与锚组合包含的文本的信息量成正相关，因此，可以进一步提升文本角度分类的准确度。
[0113]
在一种示例性实例中，加权信息包括：
[0114]
与子图包含的文本的信息量成正相关的，锚组合中包含的各子图的第一加权系数；和/或，
[0115]
以锚组合的锚点与所述原图的中心的距离为锚点距离，与所述锚点距离成负相关的各锚组合的第二加权系数。
[0116]
在一种示例性实例中，计算单元是设置为：
[0117]
在加权信息包含第一加权系数的情况下，根据获得的所述角度分类的概率值及所述第一加权系数，计算各子图的概率加权和；对计算出的各子图的概率加权和按照角度分类进行累加，获得各锚组合的所述用于角度分类的所述输出值；或，
[0118]
在加权信息包含第二加权系数的情况下，对每一个锚组合包含的每一个子图的角