【技术实现步骤摘要】
文本识别模型训练方法、文本识别方法、装置及电子设备
[0001]本公开涉及自然语言处理领域,尤其涉及一种文本识别模型训练方法、文本识别方法、装置及电子设备。
技术介绍
[0002]自然语言处理领域中,自然场景文字识别是指从携带有字符序列的图像中识别出字符序列的过程。现有技术中,字符序列的识别方法通常是基于整体分析的策略,也即,字符序列到字符序列的方法,首先,对图像进行编码,然后,再进行字符序列的解码,而直接获得整个字符序列,且现有技术中,通常借用传统的卷积循环神经网络实现字符序列的识别。
技术实现思路
[0003]本公开的目的在于,提供一种文本识别模型训练方法、文本识别方法、装置及电子设备,以解决通过现有技术训练获得的目标文本识别模型的可靠性较低的问题。
[0004]本公开第一方面提供的文本识别模型训练方法,包括:获取训练数据集,训练数据集中包括多张文本图像,以及多张文本图像中每张文本图像的字符标注信息,字符标注信息包括整体字符信息;构建初始文本识别模型,初始文本识别模型包括第一卷积神经网络、第一循环神经网络、第二循环神经网络和编解码网络;针对训练数据集中的每张第一文本图像,将第一文本图像输入第一卷积神经网络,以供第一卷积神经网络输出第一文本图像的第一特征序列至第一循环神经网络和第二循环神经网络,并通过第一循环神经网络输出第一特征序列的第一特征向量标签分布,以及通过第二循环神经网络输出第一预测结果,且由编解码网络根据第一特征向量标签分布和第一预测结果输出第一文本图像中字符序列的第一文本识别结果 ...
【技术保护点】
【技术特征摘要】
1.一种文本识别模型训练方法,其特征在于,包括:获取训练数据集,所述训练数据集中包括多张文本图像,以及所述多张文本图像中每张文本图像的字符标注信息,所述字符标注信息包括整体字符信息;构建初始文本识别模型,所述初始文本识别模型包括第一卷积神经网络、第一循环神经网络、第二循环神经网络和编解码网络;针对所述训练数据集中的每张第一文本图像,将所述第一文本图像输入所述第一卷积神经网络,以供所述第一卷积神经网络输出所述第一文本图像的第一特征序列至所述第一循环神经网络和所述第二循环神经网络,并通过所述第一循环神经网络输出所述第一特征序列的第一特征向量标签分布,以及通过所述第二循环神经网络输出第一预测结果,且由所述编解码网络根据所述第一特征向量标签分布和所述第一预测结果输出所述第一文本图像中字符序列的第一文本识别结果,所述第一预测结果为所述第一文本图像中字符序列的分词结果和实体标注信息的预测结果;在每获得一次所述第一文本识别结果之后,根据所述第一文本识别结果,以及所述第一文本识别结果所对应的第一文本图像的整体字符信息,对所述第一卷积神经网络、所述第一循环神经网络、所述第二循环神经网络和所述编解码网络进行训练,获得目标文本识别模型。2.根据权利要求1所述的文本识别模型训练方法,其特征在于,所述字符标注信息还包括分词结果和实体标注信息,所述构建初始文本识别模型,包括:构建初始文本处理模型,所述初始文本处理模型包括所述第一卷积神经网络、所述第一循环神经网络和所述第二循环神经网络;针对所述训练数据集中的每张第二文本图像,将所述第二文本图像输入所述第一卷积神经网络,以供所述第一卷积神经网络输出所述第二文本图像的第二特征序列至所述第一循环神经网络和所述第二循环神经网络,并通过所述第一循环神经网络输出所述第二特征序列的第二特征向量标签分布,以及通过所述第二循环神经网络输出第二预测结果,所述第二预测结果为所述第二文本图像中字符序列的分词结果和实体标注信息的预测结果;在每获得一次所述第二特征向量标签分布之后,根据所述第二特征向量标签分布,以及所述第二特征向量标签分布所对应的第二文本图像的整体字符信息,对所述第一卷积神经网络和所述第一循环神经网络进行训练;在每获得一次所述第二预测结果之后,根据所述第二预测结果,以及所述第二预测结果所对应的第二文本图像的分词结果和实体标注信息,对所述第一卷积神经网络和所述第二循环神经网络进行训练;通过所述编解码网络,以及训练之后的所述第一卷积神经网络、所述第一循环神经网络和所述第二循环神经网络构建所述初始文本识别模型。3.根据权利要求2所述的文本识别模型训练方法,其特征在于,所述构建初始文本识别模型之前,所述文本识别模型训练方法还包括:构建命名实体识别模型,所述命名实体识别模型包括所述第一卷积神经网络和所述第二循环神经网络;针对所述训练数据集中的每张第三文本图像,将所述第三文本图像输入所述第一卷积神经网络,以供所述第一卷积神经网络输出所述第三文本图像的第三特征序列至所述第二
循环神经网络,并通过所述第二循环神经网络输出第三预测结果,所述第三预测结果为所述第三文本图像中字符序列的分词结果和实体标注信息的预测结果;在每获得一次所述第三预测结果之后,根据所述第三预测结果,以及所述第三预测结果所对应的第三文本图像的分词结果和实体标注信息,对所述第一卷积神经网络和所述第二循环神经网络进行训练。4.根据权利要求3所述的文本识别模型训练方法,其特征在于,所述构建命名实体识别模型之前,所述文本识别模型训练方法还包括:构建第一卷积循环神经网络,所述第一卷积循环神经网络包括所述第一卷积神经网络和第三循环神经网络;针对所述训练数据集中的每张第四文本图像,将所述第四文本图像输入所述第一卷积神经网络,以供所述第一卷积神经网络输出所述第四文本图像的第四特征序列至所述第三循环神经网络,并通过所述第三循环神经网络输出所述第四特征序列的第三特征向量标签分布;在每获得一次所述第三特征向量标签分布之后,根据所述第三特征向量标签分布,以及所述第三特征向量标签分布所对应的第四文本图像的整体字符信息,对所述第一卷积神经网络和所述第三循环神经网络进行训练。5.根据权利要求4所述的文本识别模型训练方法,其特征在于,所述构建第一卷积循环神经网络,包括:构建变分自编码器,所述变分自编码器包括第一编码网络和第一解码网络;针对所述训练数据集中的每张第五文本图像,将所述第五文本图像输入所述第一编码网络,以供所述第一编码网络输出所述第五文本图像的第五特征序列至所述第一解码网络,并通过所述第一解码网络输出所述第五文本图像的图像构建结果;在每获得一次所述图像构建结果之后,根据所述图像构建结果,以及所述图像构建结果所对应的第五文本图像,对所述第一编码网络和所述第一解码网络进行训练;将训练之后的所述第一编码网络作为所述第一卷积神经网络,并结合所述第三循环神经网络,构建所述第一卷积循环神经网络。6.根据权利要求3所述的文本识别模型训练方法,其特征在于,所述构建命名实体识别模型之前,所述文本识别模型训练方法还包括:构建简单命名实体网络,所述简单命名实体网络包括所述第二循环神经网络;获取所述训练数据集中,每张第六文本图像中字符序列所对应的第一表征词向量;针对所述训练数据集中的每张第六文本图像,将所述第六文本图像中字符序列所对应的第一表征词向量输入所述第二循环神经网络,以通过所述第二循环神经网络输出第四预测结果,所述第四预测结果为所述第六文本图像中字符序列的分词结果和实体标注信息的预测结果;在每获得一次所述第四预测结果之后,根据所述第四预测结果,以及与所述第四预测结果对应的第六文本图像的分词结果和实体标注信息,对所述第二循环神经网络进行训练。7.根据权利要求1或2所述的文本识别模型训练方法,其特征在于,所述构建初始文本识别模型之前,所述文本识别模型训练方法还包括:
构建第二卷积循环神经网络,所述第二卷积循环神经网络包括第二卷积神经网络和所述第一循环神经网络;针对所述训练数据集中的每张第七文本图像,将所述第七文本图像输入所述第二...
【专利技术属性】
技术研发人员:刘军,秦勇,
申请(专利权)人:北京易真学思教育科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。