处理文本图像的方法、神经网络及其训练方法与流程

1.本公开涉及人工智能技术领域，具体为深度学习、图像处理、计算机视觉技术领域，可应用于ocr等场景，特别涉及一种利用神经网络处理文本图像的方法、神经网络的训练方法、神经网络、电子设备、计算机可读存储介质和计算机程序产品。


背景技术：

2.人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.自然场景下的文字检测识别技术（optical character recognition，ocr）可以被广泛应用于社会的各行各业，如教育、医疗、金融等领域。由文字检测识别技术派生的常见卡证票据的识别、文档的自动化录入、拍照搜题等技术极大地提升了传统行业的智能化程度和生产效率，方便了人们的日常学习与生活。近年来，尽管自然场景下的端到端文字检测识别技术得到了快速发展，但是依然存在很多问题，并没有被很好的解决。
4.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

5.本公开提供了一种利用神经网络处理文本图像的方法、神经网络的训练方法、神经网络、电子设备、计算机可读存储介质和计算机程序产品。
6.根据本公开的一方面，提供了一种利用神经网络处理文本图像的方法，神经网络包括编码子网络、第一解码子网络、分类子网络、以及预测子网络。该方法包括：将文本图像输入编码子网络，以得到第一文本图像特征；将经训练的多个文本查询特征和第一文本图像特征输入第一解码子网络，以得到与多个文本查询特征对应的多个查询结果特征；将多个查询结果特征输入分类子网络，以得到与多个文本查询特征对应的多个分类结果，分类结果指示对应的文本查询特征是否在文本图像中查询到了文本实例；基于多个分类结果，在多个文本查询特征中确定至少一个目标查询特征，至少一个目标查询特征包括查询到了文本实例的文本查询特征；以及将与至少一个目标查询特征对应的至少一个查询结果特征和第一文本图像特征输入预测子网络，以得到与多个至少一个目标查询特征对应的文本图像处理结果。
7.根据本公开的另一方面，提供了一种神经网络的训练方法，神经网络包括编码子网络、第一解码子网络、分类子网络、以及预测子网络。该方法包括：获取样本文本图像和样本文本图像中的多个样本文本各自的真实标签；将样本文本图像输入编码子网络，以得到
第一文本图像特征；将多个文本查询特征和第一文本图像特征输入第一解码子网络，以得到与多个文本查询特征对应的多个查询结果特征；将多个查询结果特征输入分类子网络，以得到与多个文本查询特征对应的多个分类结果，分类结果指示对应的文本查询特征是否在文本图像中查询到了文本实例；将多个查询结果特征和第一文本图像特征输入预测子网络，以得到与多个文本查询特征对应的文本图像处理结果；基于多个样本文本各自的真实标签和与多个文本查询特征对应的文本图像处理结果，确定综合损失值；以及基于综合损失值，调整神经网络和多个文本查询特征的参数，以得到训练后的神经网络和经训练的多个文本查询特征。
8.根据本公开的另一方面，提供了一种神经网络，包括：编码子网络，被配置为对文本图像进行处理，以得到第一文本图像特征；第一解码子网络，被配置为对经训练的多个文本查询特征和第一文本图像特征进行处理，以得到与多个文本查询特征对应的多个查询结果特征；分类子网络，被配置为对多个查询结果特征进行处理，以得到与多个文本查询特征对应的多个分类结果，分类结果指示对应的文本查询特征是否在文本图像中查询到了文本实例；以及预测子网络，被配置为对与至少一个目标查询特征对应的至少一个查询结果特征和第一文本图像特征进行处理，以得到与多个至少一个目标查询特征对应的文本图像处理结果，其中，至少一个目标查询特征包括基于多个分类结果在多个文本查询特征中确定的查询到了文本实例的文本查询特征。
9.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。
10.根据本公开的另一方面，提供了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，计算机指令用于使计算机执行上述方法。
11.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。
12.根据本公开的一个或多个实施例，通过使用多个经训练得到的文本查询特征对第一文本图像特征进行解码，并利用得到的查询结果特征确定哪些文本查询特征查询到了文本实例，进而可以利用包括查询到了文本实例的文本查询特征的目标查询特征对应的查询结果特征和第一文本图像特征得到对文本图像处理的结果，从而简化了文本图像处理的流程，实现了不依赖检测结果的端到端文本图像处理，鲁棒性更强，并且提升了文本图像处理的效率和精度。
13.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
14.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
15.图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开示例性实施例的处理文本图像的方法的流程图；图3示出了根据本公开示例性实施例的利用预测子网络得到文本图像处理结果的流程图；图4示出了根据本公开示例性实施例的利用文本实例分割子网络得到文本实例分割结果的流程图；图5示出了根据本公开示例性实施例的神经网络的训练方法的流程图；图6示出了根据本公开示例性实施例的基于多个样本文本各自的真实标签和与多个文本查询特征对应的文本图像处理结果，确定综合损失值的流程图；图7示出了根据本公开示例性实施例的神经网络的结构框图；图8示出了根据本公开示例性实施例的神经网络的结构框图；以及图9出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
16.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。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。
17.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
18.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
19.相关技术中，现有的端到端ocr方法通常需要先使用检测网络定位文本区域，再取出文本区域的特征送入识别网络，或针对单个字符进行检测和识别，再通过后处理操作连接这些字符从而输出文本内容。但是，现有的方法都严重依赖于检测结果，检测精度稍有下降，便会导致识别精度大大降低，缺乏鲁棒性。
20.为解决上述问题，本公开通过使用多个经训练得到的文本查询特征对第一文本图像特征进行解码，并利用得到的查询结果特征确定哪些文本查询特征成功查询到了文本实例，进而可以利用查询结果特征和第一文本图像特征得到对文本图像处理的结果，从而简化了文本图像处理的流程，实现了不依赖检测结果的端到端文本图像处理，鲁棒性更强，并且提升了文本图像处理的速度和效果。
21.下面将结合附图详细描述本公开的实施例。
22.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程
序。
23.在本公开的实施例中，服务器120可以运行使得能够执行文本识别的方法和/或神经网络的训练方法的一个或多个服务或软件应用。
24.在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务（saas）网络下提供给客户端设备101、102、103、104、105和/或106的用户。
25.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
26.用户可以使用客户端设备101、102、103、104、105和/或106来进行文本图像的采集操作。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口，例如，用户可以使用客户端设备的照相机采集文本图像，或使用客户端设备向服务器上传客户端设备中存储的图像。客户端设备还可以经由该接口向用户输出信息，例如，客户端可以向用户输出服务器上运行的处理文本图像的方法对用户上传的文本图像的处理结果。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
27.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机（诸如个人计算机和膝上型计算机）、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统（例如google chrome os）；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理（pda）等。可穿戴设备可以包括头戴式显示器（诸如智能眼镜）和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序（例如电子邮件应用程序）、短消息服务（sms）应用程序，并且可以使用各种通信协议。
28.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种（包括但不限于tcp/ip、sna、ipx等）来支持数据通信。仅作为示例，一个或多个网络110可以是局域网（lan）、基于以太网的网络、令牌环、广域网（wan）、因特网、虚拟网络、虚拟专用网络（vpn）、内部网、外部网、公共交换电话网（pstn）、红外网络、无线网络（例如蓝牙、wifi）和/或这些和/或其他网络的任意组合。
29.服务器120可以包括一个或多个通用计算机、专用服务器计算机（例如pc（个人计算机）服务器、unix服务器、中端服务器）、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构（例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存
储设备的一个或多个灵活池）。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
30.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
31.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
32.在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器（vps，virtual private server）服务中存在的管理难度大、业务扩展性弱的缺陷。
33.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
34.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
35.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
36.根据本公开的一方面，提供了一种利用神经网络处理文本图像的方法。神经网络包括编码子网络、第一解码子网络、分类子网络、以及预测子网络。如图2所示，该方法包括：步骤s201、将文本图像输入编码子网络，以得到第一文本图像特征；步骤s202、将经训练的多个文本查询特征和第一文本图像特征输入第一解码子网络，以得到与多个文本查询特征对应的多个查询结果特征；步骤s203、将多个查询结果特征输入分类子网络，以得到与多个文本查询特征对应的多个分类结果，分类结果指示对应的文本查询特征是否在文本图像中查询到了文本实例；步骤s204、基于多个分类结果，在多个文本查询特征中确定至少一个目标查询特征，至少一个目标查询特征包括查询到了文本实例的文本查询特征；以及步骤s205、将与至少一个目标查询特征对应的至少一个查询结果特征和第一文本图像特征输入预测子网络，以得到与多个至少一个目标查询特征对应的文本图像处理结果。
37.由此，通过使用多个经训练得到的文本查询特征对第一文本图像特征进行解码，并利用得到的查询结果特征确定哪些文本查询特征成功查询到了文本实例，进而可以利用
查询结果特征和第一文本图像特征得到对文本图像处理的结果，从而简化了文本图像处理的流程，实现了不依赖检测结果的端到端文本图像处理，鲁棒性更强，并且提升了文本图像处理的速度和效果。
38.文本图像可以是任何包括一个或多个文本区域的图像。特别地，本公开的处理文本图像的方法和神经网络能够用于处理包含任意形状文本的自然场景图像。
39.在一些实施例中，编码子网络可以是任何基于卷积神经网络（convolution neural network，cnn）的网络、基于transformer网络、基于两者混合、或其他的网络结构，能够用于从原始的文本图像中提取出视觉特征，作为解码子网络的图像特征输入。本领域技术人员可以使用现有的具有图像特征提取能力的神经网络作为编码子网络，示例性的编码子网络可以包括vgg、resnet、densenet、mobilenet、vit、pvt、swin transformer等。此外，本领域技术人员也可以根据需求自行搭建编码子网络。在将原始的文本图像输入编码子网络之前，还可以对文本图像进行预处理，以提升最终得到的文本图像处理结果的准确度。文本图像特征可以是将对文本图像进行编码得到的特征图进行分块（patch）、变形（reshape）等处理而得到的文本图像特征序列，文本图像特征序列可以包括与文本图像中的多个图像区域（或像素）对应的多个文本图像子特征。
40.在一些实施例中，第一解码子网络的结构与功能和transformer网络的解码器类似。第一解码子网络可以利用注意力机制，基于经训练的多个文本查询（query）特征对文本图像特征进行解码，以得到与文本查询特征一一对应的多个查询结果特征。多个文本查询特征的数量是在训练阶段预先确定的，该数量指示能够在文本图像中检测或识别到的文本实例的最大数量。在一个示例性实施例中，设置有n个文本查询特征。下文将具体介绍如何训练得到多个文本查询特征。
41.根据一些实施例，第一解码子网络可以包括自注意力子网络和交叉注意力网络。步骤s202、将经训练的多个文本查询特征和文本图像特征输入第一解码子网络，以得到与多个文本查询特征对应的多个查询结果特征包括：利用自注意力子网络，基于自注意力机制对多个文本查询特征进行处理，以得到强化后的多个文本查询特征；以及利用交叉注意力子网络，基于交叉注意力利用强化后的多个文本查询特征对文本图像特征进行解码，以得到多个查询结果特征。
42.由此，通过使用自注意力子网络，可以建立文本查询特征（以及潜在的文本实例）之间的关联关系，从而提升神经网络对文本图像整体执行文本检测、文本识别等下游任务的能力，进而可以得到更准确的文本图像处理结果。
43.在一些实施例中，可以将文本图像特征（例如，上述多个文本图像子特征）转换为多个文本图像键（key）特征和多个文本图像值（value）特征，并利用交叉注意力子网络基于多个文本查询特征（或上述自注意力子网络输出的强化后的多个文本查询特征）、多个文本图像键特征和多个文本图像值特征进行交叉注意力计算，以得到多个查询结果特征。
44.在一些实施例中，分类子网络可以是多层感知机。可以理解的是，分类子网络也可以采用其他的网络结构，在此不作限定。分类子网络可以针对每一个查询结果特征输出对应的分类结果，也可以对多个查询结果特征构成的序列整体进行处理，以得到与每个查询结果特征（对应的文本查询特征）对应的分类结果。分类结果可以表征对应的文本查询特征在文本图像中查询到了文本实例的概率。在一些实施例中，可以通过阈值过滤的方式基于
这些概率判断哪些文本查询特征查询到了文本实例。
45.根据一些实施例，预测子网络可以包括文本实例分割子网络。如图3所示，步骤s205、将与至少一个目标查询特征对应的至少一个查询结果特征和第一文本图像特征输入预测子网络，以得到与多个至少一个目标查询特征对应的文本图像处理结果可以包括：步骤s301、将与至少一个目标查询特征对应的至少一个查询结果特征和第一文本图像特征输入文本实例分割子网络，以得到与至少一个目标查询特征对应的文本实例分割结果，其中，文本实例分割结果指示文本图像中与对应的目标查询特征所查询到的文本实例对应的文本区域。通过上述方式，可以快速得到与每一个目标查询特征对应的文本实例分割结果，而通过利用查询结果特征和第一文本图像两者可以得到更准确的文本实例分割结果。
46.在一些实施例中，可以仅对查询到文本实例的文本查询特征对应的查询结果特征进行处理，以得到对应的文本实例分割结果；也可以对全部n个文本查询特征各自对应的查询结果特征进行处理，以得到n个文本实例分割结果。n个文本实例分割结果的尺寸例如可以为n*h*w。在一些实施例中，h和w可以与原始文本图像的高度和宽度相同，也可以小于原始文本图像的高度和宽度。
47.在一些实施例中，文本实例分割子网络可以基于文本查询特征对应的查询结果特征和文本图像特征得到尺寸为h*w的原始结果，其中的每一个像素指示原始文本图像中的对应位置属于该文本查询特征所查询到的文本实例的概率，进而可以通过对原始结果进行二值化和求连通区域等操作得到文本包络，也即对应的文本实例分割结果。
48.根据一些实施例，文本实例分割子网络可以包括掩码嵌入子网络和第二解码子网络。如图4所示，步骤s301、将与至少一个目标查询特征对应的至少一个查询结果特征和第一文本图像特征输入文本实例分割子网络，以得到与至少一个目标查询特征对应的文本实例分割结果可以包括：步骤s401、将第一文本图像特征输入第二解码子网络，以得到第二文本图像特征，第二文本图像特征具有目标长度、目标宽度、以及目标通道数；步骤s402、分别将至少一个查询结果特征中的每一个查询结果特征输入掩码嵌入子网络，以得到与至少一个目标查询特征对应的至少一个掩码嵌入特征，其中，至少一个掩码嵌入特征中的每一个掩码嵌入特征的向量长度与目标通道数相同；以及步骤s403、针对至少一个目标查询特征中的每一个目标查询特征，将该目标查询特征的掩码嵌入特征与第二文本图像特征相乘，以得到与该目标查询特征对应文本实例分割结果，文本实例分割结果具有目标长度和目标宽度。
49.由此，通过基于查询结果特征得到与图像特征具有相同通道数的掩码嵌入特征，使得能够快速便捷地得到每个目标查询特征对应的文本实例分割结果。
50.在一些实施例中，掩码嵌入子网络可以是多层感知机。可以理解的是，掩码嵌入子网络也可以采用其他的网络结构，在此不作限定。在一些实施例中，第二文本图像特征的尺寸例如可以为c1*h*w，多个掩码嵌入特征的尺寸可以是n*c1，因此将第二文本图像特征和多个掩码嵌入特征直接相乘后，可以得到尺寸为n*h*w的文本实例分割结果，也即，n个尺寸为h*w的文本实例分割结果。
51.根据一些实施例，预测子网络包括字符分割子网络。步骤s205、将与至少一个目标查询特征对应的至少一个查询结果特征和第一文本图像特征输入预测子网络，以得到与多个至少一个目标查询特征对应的文本图像处理结果可以包括：步骤s302、将第一文本图像
特征输入字符分割子网络，以得到多个字符分割结果，多个字符分割结果与多个字符类别对应，并且多个字符分割结果中的每一个字符分割结果指示文本图像中与该字符分割结果对应的字符类别对应的字符区域；以及步骤s303、针对至少一个目标查询特征中的每一个目标查询特征，利用与该目标查询特征对应的文本实例分割结果和多个字符分割结果，确定该目标查询特征所查询到的文本实例的文本内容。
52.由此，通过利用第一文本图像得到与多个字符类别对应的多个全局字符分割结果，进而结合与每个目标查询特征对应的文本实例分割结果能够得到所查询到的文本实例的准确的文本内容。
53.在一些实施例中，字符类别例如可以包括不同的汉字、字母、数字、特殊符号等。在一个示例性实施例中，字符类别可以包括26个字母和10个数字。
54.根据一些实施例，步骤s302、将第一文本图像特征输入字符分割子网络，以得到多个字符分割结果包括：将第一文本图像特征输入字符分割子网络，以得到多个字符分割结果和背景分割结果，背景分割结果指示与文本图像中的多个字符对应的多个字符区域。
55.在一些实施例中，步骤s303、针对至少一个目标查询特征中的每一个目标查询特征，利用与该目标查询特征对应的文本实例分割结果和多个字符分割结果，确定该目标查询特征所查询到的文本实例的文本内容可以包括：针对至少一个目标查询特征中的每一个目标查询特征，在背景分割结果所指示的多个字符区域中确定位于该目标查询特征对应的文本实例分割结果所指示的文本区域中的至少一个字符区域；基于多个字符分割结果，确定至少一个字符区域各自对应的字符类别，以得到该目标查询特征所查询到的文本实例的文本内容。
56.由此，通过生成包括文本图像中的所有字符的位置的背景分割结果，并利用文本实例分割结果、字符分割结果、和背景分割结果确定每一个文本实例所包括的字符，提升了对文本实例中的文本内容的识别精度，特别是在形状不规则或者文本较长的情况下，上述方法能够输出准确的识别结果。
57.在一个示例性实施例中，本公开的处理文本图像的方法可以基于多个文本查询特征对输入的文本图像的第一文本图像特征进行处理，以预测得到n个分类结果和n个文本实例分割结果。可以对n个分类结果进行阈值过滤，保留正样本，然后基于字符分割结果和背景分割结果确定每一个查询到文本实例的文本实例分割结果指示的文本区域内的字符预测结果，再对字符预测结果进行后处理，得到文本实例的文本内容。
58.根据一些实施例，第一文本图像特征具有小于目标长度h的特征长度h’和小于目标宽度w的特征宽度w’。第二解码子网络和字符分割子网络均可以被配置为对第一文本图像特征进行上采样。字符分割结果可以具有目标长度和目标宽度。由于编码子网络提取的特征通常具有较小的分辨率，因此可以进行上采样以提升识别精度。此外，通过设置相同分辨率的字符分割结果和文本实例分割结果使得能够得到更准确的文本图像处理结果。
59.在一些实施例中，字符分割子网络可以包括用于上采样的第三解码子网络，被配置为对第一文本图像特征进行处理以得到尺寸为c2*h*w的第三文本图像特征，以及字符分割结果预测子网络，被配置为对第三文本图像特征进行处理以预测字符分割结果。字符分割结果的尺寸可以是c3*h*w，其中c3为字符类别的数量。
60.通过上述方式，实现了对任意形状和任意长度的文本进行高效率高精度的识别。
61.根据本公开的另一方面，提供了一种神经网络的训练方法。神经网络包括编码子网络、第一解码子网络、分类子网络、以及预测子网络。如图5所示，该方法包括：步骤s501、获取样本文本图像和样本文本图像中的多个样本文本各自的真实标签；步骤s502、将样本文本图像输入编码子网络，以得到第一文本图像特征；步骤s503、将多个文本查询特征和第一文本图像特征输入第一解码子网络，以得到与多个文本查询特征对应的多个查询结果特征；步骤s504、将多个查询结果特征输入分类子网络，以得到与多个文本查询特征对应的多个分类结果，分类结果指示对应的文本查询特征是否在文本图像中查询到了文本实例；步骤s505、将多个查询结果特征和第一文本图像特征输入预测子网络，以得到与多个文本查询特征对应的文本图像处理结果；步骤s506、基于多个样本文本各自的真实标签和与多个文本查询特征对应的文本图像处理结果，确定综合损失值；以及步骤s507、基于综合损失值，调整神经网络和多个文本查询特征的参数，以得到训练后的神经网络和经训练的多个文本查询特征。可以理解的是，图5中的步骤s502-步骤s505的操作分别和图2中的步骤s201-步骤s204的操作类似，在此不做赘述。
62.由此，通过利用样本对神经网络和多个文本查询特征进行训练，使得训练后的神经网络和经训练的多个文本查询特征能够用于得到准确的文本图像处理结果。
63.在一些实施例中，多个样本文本可以是图像中的多组文本。样本文本的真实标签可以包括样本文本的真实文本区域、真实字符区域和真实字符类别。真实文本区域例如可以包括样本文本的外包围框，也可以包括样本文本的位置、形状、尺寸等信息。真实字符区域可以包括样本文本中的字符的样本文本的外包围框，也可以包括字符的位置、形状、尺寸等信息。真实字符类别可以指示样本文本中的字符是什么。
64.在一些实施例中，在训练之前，可以通过随机初始化生成多个文本查询特征，也可以为多个文本查询特征进行直接赋值。在一个示例性实施例中，可以使用预先设定的函数进行赋值，如下式所示的位置编码方式。
65.其中，pos指代每一个文本查询特征在多个文本查询特征中的位置，d
model
指代每一个文本查询特征的维度，2i和2i 1分别表示每个文本查询特征中的偶数位的编码方式和奇数位的编码方式。
66.通过利用样本文本图像和对应的真实标签对神经网络和多个文本查询特征进行训练，能够使得经训练的多个文本查询特征具备在文本图像中查询文本实例的能力。
67.根据一些实施例，综合损失值可以包括多个文本查询特征各自对应的分类损失值。如图6所示，步骤s506、基于多个样本文本各自的真实标签和与多个文本查询特征对应的文本图像处理结果，确定综合损失值可以包括：步骤s601、基于多个样本文本和多个文本查询特征对应的文本图像处理结果，将多个样本文本和多个文本查询特征进行匹配；以及步骤s602、针对多个文本查询特征中的每一个文本查询特征，基于与该文本查询特征对应的文本图像处理结果是否与成功与多个样本文本匹配，确定与该文本查询特征对应的分类损失值。
68.通过上述方式，实现了将文本图像处理结果和样本文本进行匹配后，使用分类结
果作为监督信号对神经网络和多个文本查询特征进行训练，提升了训练后的神经网络的预测性能，并使得能够得到更有效的文本查询特征。
69.根据一些实施例，真实标签可以包括对应的样本文本的真实文本区域，预测子网络包括文本实例分割子网络。步骤s505、将多个查询结果特征和第一文本图像特征输入预测子网络，以得到与多个文本查询特征对应的文本图像处理结果可以包括：将多个查询结果特征和第一文本图像特征输入文本实例分割子网络，以得到与多个文本查询特征对应的文本实例分割结果，其中，文本实例分割结果指示文本图像中与对应的文本查询特征对应的文本区域，多个样本文本和多个文本查询特征是基于多个样本文本各自的真实文本区域和与多个文本查询特征对应的多个文本实例分割结果各自指示的文本区域进行匹配的。
70.在一些实施例中，综合损失值可以包括文本实例分割损失值。步骤s506、基于多个样本文本各自的真实标签和与多个文本查询特征对应的文本图像处理结果，确定综合损失值可以包括：步骤s603、基于匹配的样本文本的真实文本区域和匹配的文本查询特征对应的文本实例分割结果所指示的文本区域，确定文本实例分割损失值。
71.通过上述方式，实现了利用样本文本的真实文本区域与基于查询结果特征和文本图像特征得到的文本实例分割结果进行匹配，并利用真实文本区域作为监督信号进行训练，提升了训练后的神经网络的预测性能，并使得能够得到更有效的文本查询特征。
72.根据一些实施例，文本实例分割子网络可以包括掩码嵌入子网络和第二解码子网络。将多个查询结果特征和第一文本图像特征输入文本实例分割子网络，以得到与多个文本查询特征对应的文本实例分割结果包括：将第一文本图像特征输入第二解码子网络，以得到第二文本图像特征，第二文本图像特征具有目标长度、目标宽度、以及目标通道数；分别将多个查询结果特征中的每一个查询结果特征输入掩码嵌入子网络，以得到与多个文本查询特征对应的多个掩码嵌入特征，其中，多个掩码嵌入特征中的每一个掩码嵌入特征的向量长度与目标通道数相同；以及针对多个文本查询特征中的每一个文本查询特征，将该文本查询特征的掩码嵌入特征与第二文本图像特征相乘，以得到与该文本查询特征对应文本实例分割结果，文本实例分割结果具有目标长度和目标宽度。
73.根据一些实施例，真实标签可以包括对应的样本文本中的字符的真实字符区域和真实字符类别。预测子网络可以包括字符分割子网络。步骤s505、将多个查询结果特征和第一文本图像特征输入预测子网络，以得到与多个文本查询特征对应的文本图像处理结果包括：将第一文本图像特征输入字符分割子网络，以得到多个字符分割结果，多个字符分割结果与多个字符类别对应，并且多个字符分割结果中的每一个字符分割结果指示文本图像中与该字符分割结果对应的字符类别对应的字符区域。
74.在一些实施例中，综合损失值包括字符分割损失值。步骤s506、基于多个样本文本各自的真实标签和与多个文本查询特征对应的文本图像处理结果，确定综合损失值包括：步骤s604、基于多个字符分割结果和多个样本文本中的字符的真实字符区域和真实字符类别，确定字符分割损失值。
75.通过上述方式，实现了使用字符分割结果作为监督信号对神经网络和多个文本查询特征进行训练，提升了训练后的神经网络的预测性能，并使得能够得到更有效的文本查询特征。
76.在一些实施例中，在训练的时候，对于字符分割结果预测，可以直接使用全局的真
实字符区域来作为监督。对于文本实例分割结果预测，需要动态的指定每一个文本实例的标签。对于m个样本文本的真实文本区域和n个文本查询特征对应的文本实例分割结果，可以首先两两之间计算交并比（intersection over union，iou），得到iou矩阵。然后通过匈牙利算法，为n个文本查询特征指定样本文本。如果某个文本实例分割结果能匹配上真实文本区域，其对应的真实标签（ground truth）为指定的样本文本且对应的文本查询特征的分类结果的标签置为1，否则置为0。对于没有匹配上样本文本的文本实例分割结果，不计算损失值。
77.根据一些实施例，第一文本图像特征具有小于目标长度的特征长度和小于目标宽度的特征宽度，第二解码子网络和字符分割子网络均被配置为对第一文本图像特征进行上采样，其中，字符分割结果具有目标长度和目标宽度。
78.根据一些实施例，第一解码子网络可以包括自注意力子网络和交叉注意力网络。步骤s503、将多个文本查询特征和文本图像特征输入第一解码子网络，以得到与多个文本查询特征对应的多个查询结果特征可以包括：利用自注意力子网络，基于自注意力机制对多个文本查询特征进行处理，以得到强化后的多个文本查询特征；以及利用交叉注意力子网络，基于交叉注意力利用强化后的多个文本查询特征对文本图像特征进行解码，以得到多个查询结果特征。
79.根据本公开的另一方面，提供了一种神经网络。如图7所示，神经网络700包括：编码子网络710，被配置为对文本图像702进行处理，以得到第一文本图像特征；第一解码子网络720，被配置为对经训练的多个文本查询特征704和第一文本图像特征进行处理，以得到与多个文本查询特征对应的多个查询结果特征706；分类子网络730，被配置为对多个查询结果特征进行处理，以得到与多个文本查询特征对应的多个分类结果708，分类结果指示对应的文本查询特征是否在文本图像中查询到了文本实例；以及预测子网络740，被配置为对与至少一个目标查询特征对应的至少一个查询结果特征和第一文本图像特征进行处理，以得到与多个至少一个目标查询特征对应的文本图像处理结果712，其中，至少一个目标查询特征包括基于多个分类结果在多个文本查询特征中确定的查询到了文本实例的文本查询特征。可以理解的是，图7中的子网络710-子网络740的操作和图2中的步骤s201-步骤s203、步骤s205的操作类似，在此不做赘述。
80.根据一些实施例，如图8所示，神经网络800预测子网络840可以包括文本实例分割子网络850，被配置为对与至少一个目标查询特征对应的至少一个查询结果特征和第一文本图像特征进行处理，以得到与至少一个目标查询特征对应的文本实例分割结果。文本实例分割结果指示文本图像中与对应的目标查询特征所查询到的文本实例对应的文本区域。可以理解的是，图8中的文本图像802、编码子网络810、第一解码子网络820、多个文本查询特征804、多个查询结果特征806、分类子网络830、多个分类结果808、和文本图像处理结果812分别与图7中的对应网络结构类似，在此不做赘述。
81.根据一些实施例，文本实例分割子网络850可以包括：第二解码子网络（图中未示出），被配置为将第一文本图像特征输入第二解码子网络，以得到第二文本图像特征，第二文本图像特征具有目标长度、目标宽度、以及目标通道数；以及掩码嵌入子网络（图中未示出），被配置为分别将至少一个查询结果特征中的每一个查询结果特征输入掩码嵌入子网络，以得到与至少一个目标查询特征对应的至少一个掩码嵌入特征，其中，至少一个掩码嵌
入特征中的每一个掩码嵌入特征的向量长度与目标通道数相同。文本实例分割子网络850可以被配置为针对至少一个目标查询特征中的每一个目标查询特征，将该目标查询特征的掩码嵌入特征与第二文本图像特征相乘，以得到与该目标查询特征对应文本实例分割结果，文本实例分割结果具有目标长度和目标宽度。
82.根据一些实施例，预测子网络840可以包括字符分割子网络860，被配置为对第一文本图像特征进行处理，以得到多个字符分割结果814，多个字符分割结果与多个字符类别对应，并且多个字符分割结果中的每一个字符分割结果指示文本图像中与该字符分割结果对应的字符类别对应的字符区域。预测子网络840可以被配置为针对至少一个目标查询特征中的每一个目标查询特征，利用与该目标查询特征对应的文本实例分割结果和多个字符分割结果，确定该目标查询特征所查询到的文本实例的文本内容。
83.根据一些实施例，字符分割子网络860可以被配置为将第一文本图像特征输入字符分割子网络，以得到多个字符分割结果和背景分割结果，背景分割结果指示与文本图像中的多个字符对应的多个字符区域。预测子网络840可以被配置为：针对至少一个目标查询特征中的每一个目标查询特征，在背景分割结果所指示的多个字符区域中确定位于该目标查询特征对应的文本实例分割结果所指示的文本区域中的至少一个字符区域；以及基于多个字符分割结果，确定至少一个字符区域各自对应的字符类别，以得到该目标查询特征所查询到的文本实例的文本内容。
84.根据一些实施例，第一文本图像特征可以具有小于目标长度的特征长度和小于目标宽度的特征宽度，第二解码子网络和字符分割子网络均可以被配置为对第一文本图像特征进行上采样。字符分割结果可以具有目标长度和目标宽度。
85.根据一些实施例，第一解码子网络820可以包括：自注意力子网络（图中未示出），被配置为基于自注意力机制对多个文本查询特征进行处理，以得到强化后的多个文本查询特征；以及交叉注意力网络（图中未示出），被配置为基于交叉注意力利用强化后的多个文本查询特征对文本图像特征进行解码，以得到多个查询结果特征。
86.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
87.根据本公开的实施例，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。
88.参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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。
89.如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器（rom）902中的计算机程序或者从存储单元908加载到随机访问存储器（ram）903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出（i/o）接口905也连接至
总线904。
90.设备900中的多个部件连接至i/o接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许设备900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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
91.计算单元901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901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、各种运行机器学习网络算法的计算单元、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901执行上文所描述的各个方法和处理，例如处理文本图像的方法和/或神经网络的训练方法。例如，在一些实施例中，处理文本图像的方法和/或神经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908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的处理文本图像的方法和/或神经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901可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行处理文本图像的方法和/或神经网络的训练方法。
92.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。
93.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。
94.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。
95.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。
96.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。
97.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（"virtual private server"，或简称 "vps"）中，存在的管理难度大，业务扩展性弱的缺陷。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。
98.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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。
99.虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。