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.端到端自然场景文字识别是指同时检测和识别自然场景的文本图像。相比传统的光学字符识别（optical character recognition，ocr）技术，自然场景识别更具有挑战性，因为自然场景下文本具有更为复杂的光照、角度、遮挡、字体和背景干扰等特性。其拥有较高的应用价值，一方面可以提高文档和财务票据等业务场景下网络的鲁棒性，并提升识别效果；另一方面可以应用到更为广泛的业务场景，比如实时场景翻译、机器人导航和自动驾驶领域等。
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、解码子网络、以及预测子网络。该方法包括：将文本图像输入编码子网络，以得到文本图像特征；利用解码子网络，基于经训练的多个文本查询特征对文本图像特征进行解码，以得到与多个文本查询特征对应的多个查询结果特征；以及分别将多个查询结果特征中的每一个查询结果特征输入预测子网络，以得到与该查询结果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、解码子网络、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所包括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，以得到文本图像特征；利用解码子网络，基于多个文本查询特征对文本图像特征进行解码，以得到与多个文本查询特征对应的多个查询结果特征；分别将多个查询结果特征中的每一个查询结果特征输入预测子网络，以得到与该查询结果特征对应的样本文本图像处理结果；基于样本文本图
像所包括的多个样本文本各自的真实标签和多个查询结果特征各自对应的样本文本图像处理结果，确定综合损失值；以及基于综合损失值调整神经网络的参数和多个文本查询特征，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，以得到文本图像特征；解码子网络，被配置为基于经训练的多个文本查询特征对文本图像特征进行解码，以得到与多个文本查询特征对应的多个查询结果特征；以及预测子网络，被配置为分别对多个查询结果特征中的每一个查询结果特征进行处理，以得到与该查询结果特征对应的文本图像处理结果。
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的文本查询特征对文本图像特征进行解码，使得能够直接利用得到的查询结果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。
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解码子网络，基于经训练的多个文本查询特征对文本图像特征进行解码的流程图；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神经网络的结构框图；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；以及图8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的文本查询特征对文本图像特征进行解码，使得能够直接利用得到的查询结果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。
[0032] 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。
[0033]
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。
[0034]
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。
[0035]
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。
[0036]
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、解码子网络、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，以得到文本图像特征；步骤s202、利用解码子网络，基于经训练的多个文本查询特征对文本图像特征进行解码，以得到与多个文本查询特征对应的多个查询结果特征；以及步骤s203、分别将多个查询结果特征中的每一个查询结果特征输入预测子网络，以得到与该查询结果特征对应的文本图像处理结果。
[0037]
由此，通过使用多个经训练的文本查询特征对文本图像特征进行解码，使得能够直接利用得到的查询结果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。
[0038]
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。
[0039]
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）、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，也可以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。
[0040]
在一些实施例中，解码子网络的结构与功能和transformer网络的解码器类似。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。下文将具体介绍如何训练得到多个文本查询特征。
[0041]
在一些实施例中，解码子网络可以包括交叉注意力（cross-attention）子网络。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、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。
[0042]
根据一些实施例，在步骤s203得到的文本图像处理结果可以包括：文本查询结果，文本查询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；以及文本识别结果，文本识别结果指示对应的文本查询特征所查询到的文本实例的文本内容。由于文本查询特征不一定在图像中成功查询到文本实例，因此通过设置相应的文本查询结果能够帮助判断是否查询到了文本实例。此外，通过直接基于文本查询特征得到对文本实例的识别结果，实现了端到端的文本识别，并且无需依赖文本检测结果，简化了文本图像处理的流程，从而能够快速得到准确的文本识别结果。
[0043]
根据一些实施例，多个文本查询特征中的每一个文本查询特征可以包括实例查询特征和多个字符查询特征，与该文本查询特征对应的查询结果特征可以包括与该实例查询特征对应的实例查询结果特征和与该多个字符查询特征对应的多个字符查询结果特征。换句话说，可以将输入解码子网络的查询特征分为n组，每组为一个文本查询特征。组内可以包括m个特征向量，包括一个实例查询特征和m
ꢀ–ꢀ
1个字符查询特征。输入解码子网络的查询特征的数量可以是n
×
m。其中，实例查询特征可以用于在文本图像中查询文本实例，而多个字符查询特征可以用于在文本图像中查询对应的文本实例中的多个字符。由此，通过将文本实例和字符分开建模，可以保证同时学习到实例级和字符级的特征，便于后续任务的灵活使用，以生成更准确的文本图像处理结果。
[0044]
与文本查询特征类似，多个字符查询特征的数量是在训练阶段预先确定的，该数量指示能够在同一文本实例中识别的字符的最大数量。下文将具体介绍如何训练得到多个字符查询特征。
[0045]
根据一些实施例，预测子网络可以包括查询结果预测子网络和识别结果预测子网络。如图3所示，步骤s203、分别将多个查询结果特征中的每一个查询结果特征输入预测子网络，以得到与该查询结果特征对应的文本图像处理结果包括：步骤s301、针对多个查询结果特征中的每一个查询结果特征，将该查询结果特征所包括的实例查询结果特征输入查询结果预测子网络，以得到对应的文本查询结果；步骤s302、将该查询结果特征所包括的多个字符查询结果特征输入识别结果预测子网络，以得到多个字符识别结果；以及步骤s303、基于多个字符识别结果，确定与查询到的文本实例对应的文本识别结果。
[0046]
在一些实施例中，查询结果预测子网络可以是由全连接层构成的网络，用于输出二分类结果（是否成功在文本图像中查询到文本实例）。识别结果预测子网络可以是由全连接层构成的网络，用于输出字符分类结果。字符分类结果可以包括预设的多个字符类别（例如，汉字、字母、特殊符号等）。由于字符查询特征的数量大于或等于文本实例中识别到的字符的数量，因此字符分类结果还可以包括指示未识别到字符的类别。可以理解额的事，查询结果预测子网络和识别结果预测子网络还可以采用其他的网络结构，在此不作限定。
[0047]
在一些实施例中，识别结果预测子网络可以被配置为分别对多个字符查询结果特征中的每一个字符查询结果特征进行处理，以得到与该字符哈查询结果特征对应的字符识别结果。在一些实施例中，识别结果预测子网络也可以被配置为对多个字符查询结果特征
构成的序列进行整体处理，以得到更好的字符序列识别结果。
[0048]
根据一些实施例，文本图像处理结果还可以包括文本检测结果。文本检测结果可以指示对应的文本查询特征所查询到的文本实例在文本图像中的位置和检测框中的至少一个。预测子网络还可以包括检测结果预测子网络。步骤s203、分别将多个查询结果特征中的每一个查询结果特征输入预测子网络，以得到与该查询结果特征对应的文本图像处理结果还可以包括：步骤s304、针对多个查询结果特征中的每一个查询结果特征，将该查询结果特征所包括的实例查询结果特征输入检测结果预测子网络，以得到与查询到的文本实例对应的文本检测结果。
[0049]
由此，通过设置与文本识别分支并列的文本检测分支，可以实现并行对文本进行检测和识别，避免了多个任务之间的相互依赖，简化了文本图像处理的流程，并且能够更加适应复杂自然场景下各种形状文字的检测和识别任务。此外，由于文本识别结果和文本检测结果（以及文本查询结果）是并行得到的，因此可以利用多个任务的真实结果和预测结果进行联合训练和优化，以提升模型的预测能力，如下文将要描述的。
[0050]
在一些实施例中，检测结果预测子网络可以先获取与文本实例对应的分割掩码（mask），然后经过连通域分析或其他的方法以得到查询到的文本实例的外包围框（即，检测框），从而得到检测结果。可以理解的是，检测结果预测子网络还可以输出其他形式的文本检测结果，例如文本实例的位置、形状、尺寸等。此外，检测结果预测子网络还可以采用其他的网络结构，在此不作限定。
[0051]
在一个实施例中，预测子网络可以通过查询结果预测子网络、检测结果预测子网络和识别结果预测子网络三个分支输出三元组，包括文本实例类别（是否成功检测到文本）、文本检测框和识别到的文本内容。
[0052]
根据一些实施例，在交叉注意力子网络之前，解码子网络可以包括实例内自注意力子网络。如图4所示，步骤s202、利用解码子网络，基于经训练的多个文本查询特征对文本图像特征进行解码，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：步骤s401、针对多个文本查询特征中的每一个文本查询特征，利用实例内自注意力子网络，基于自注意力机制对该文本查询特征所包括的实例查询特征和多个字符查询特征进行强化。
[0053]
由此，通过对实例内的实例查询特征和多个字符查询特征使用自注意力机制进行处理，能够自适应地挖掘实例内部的所需要的语义上下文信息（例如，文本内部的字符之间的语义关系，以及文本实例和文本实例中的字符之间的关系），并且相比于在所有特征之间使用自注意力机制能够显著降低计算量。
[0054]
在一些实施例中，每个文本查询特征可以使用同一个实例内自注意力子网络（或者使用参数共享相同的多个实例内自注意力子网络）。在一些实施例中，解码自网络可以包括与多个文本查询特征对应的多个实例内自注意力子网络。
[0055]
根据一些实施例，解码子网络可以包括实例间自注意力子网络。多个文本查询特征中的任意两个文本查询特征可以包括一一对应的多个字符查询特征。步骤s202、利用解码子网络，基于经训练的多个文本查询特征对文本图像特征进行解码，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：步骤s402、针对多个文本查询特征中的每一个文本查询特征，针对该文本查询特征所包括的多个字符查询特征中的每一个字符查询特征，利用实例间自注意力子网络，基于自注意力机制利用多个文本查询特征各自所包括的
与该字符查询特征对应的字符查询特征对该字符查询特征进行强化。
[0056]
由此，通过对实例间对应的字符查询特征使用自注意力机制进行处理，能够自适应地挖掘不同实例的对应位置的字符间交互关系以提升后续字符识别的效果，并且相比于在所有特征之间使用自注意力机制能够显著降低计算量。
[0057]
在一个示例性实施例中，每一个文本查询特征包括m-1个具有位置排序关系的字符查询特征。针对m-1个字符查询特征中的每一个位置的字符查询特征，利用自注意力机制对多个文本查询特征各自包括的该位置的字符查询特征进行处理，以得到多个查询结果特征各自包括的该位置的字符查询结果特征。
[0058]
根据一些实施例，步骤s202、利用解码子网络，基于经训练的多个文本查询特征对文本图像特征进行解码，以得到与多个文本查询特征对应的多个查询结果特征还可以包括：步骤s403、针对多个文本查询特征中的每一个文本查询特征，利用实例间自注意力子网络，基于自注意力机制利用多个文本查询特征各自所包括的实例查询特征对该文本查询特征所包括的实例查询特征进行强化。
[0059]
由此，通过对实例间对应的实例查询特征使用自注意力机制进行处理，能够进一步挖掘文本图像中的文本实例间的所需要的语义上下文信息以提升后续文本实例检测的效果。
[0060]
可以理解的是，本公开并不限定实例内自注意力子网络和实例间自注意力子网络之间的顺序。在一个示例性实施例中，实例内自注意力子网络位于实例间自注意力子网络之前。
[0061]
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、解码子网络、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所包括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，以得到文本图像特征；步骤s503、利用解码子网络，基于多个文本查询特征对文本图像特征进行解码，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、分别将多个查询结果特征中的每一个查询结果特征输入预测子网络，以得到与该查询结果特征对应的样本文本图像处理结果；步骤s505、基于样本文本图像所包括的多个样本文本各自的真实标签和多个查询结果特征各自对应的样本文本图像处理结果，确定综合损失值；以及步骤s506、基于综合损失值调整神经网络的参数和多个文本查询特征，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s504的操作和图2中的步骤s201-步骤s203的操作类似，在此不做赘述。
[0062]
由此，通过利用样本对神经网络和多个文本查询特征进行上述训练，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快速得到准确的文本图像处理结果，并且具有良好的鲁棒性。
[0063]
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检测结果和真实识别结果。真实检测结果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。真实识别结果可以包括样本文本的文本内容（例如，字符串）。本公开的训练方法所使用的样本文本无需进行字符级别的标注，从而降低了标注成本。
[0064]
根据一些实施例，样本文本图像处理结果可以包括：文本查询结果，文本查询结果
指示对应的文本查询特征是否在样本文本图像中查询到了文本实例；以及文本识别结果，文本识别结果指示对应的文本查询特征所查询到的文本实例的文本内容。
[0065]
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。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。
[0066]
根据一些实施例，多个文本查询特征中的每一个文本查询特征可以包括实例查询特征和多个字符查询特征。与该文本查询特征对应的查询结果特征可以包括与该实例查询特征对应的实例查询结果特征和与该多个字符查询特征对应的多个字符查询结果特征。预测子网络可以包括查询结果预测子网络和识别结果预测子网络。步骤s504、分别将多个查询结果特征中的每一个查询结果特征输入预测子网络，以得到与该查询结果特征对应的样本文本图像处理结果可以包括：针对多个查询结果特征中的每一个查询结果特征，将该查询结果特征所包括的实例查询结果特征输入查询结果预测子网络，以得到对应的文本查询结果；将该查询结果特征所包括的多个字符查询结果特征输入识别结果预测子网络，以得到多个字符识别结果；以及基于多个字符识别结果，确定与查询到的文本实例对应的文本识别结果。
[0067]
在一些实施例中，综合损失值可以包括识别损失值，样本文本的真实标签包括该样本文本的真实文本内容。步骤s505、基于样本文本图像所包括的多个样本文本各自的真实标签和多个查询结果特征各自对应的样本文本图像处理结果，确定损失值可以包括：将多个样本文本和利用多个文本查询特征查询到的多个文本实例进行匹配；以及基于匹配的样本文本的真实文本内容和匹配的文本实例对应的文本识别结果，确定识别损失值。由此，通过将样本文本和文本实例进行匹配，并使用与样本文本对应的真实文本内容和与文本实例对应的文本识别结果确定识别损失值，从而能够利用包括识别损失值的综合损失值调整神经网络的参数，以使得神经网络具备在文本图像中确定文本实例并识别文本实例中的文本内容的能力。
[0068]
在一些实施例中，识别损失值可以采用交叉熵损失。
[0069]
根据一些实施例，样本文本图像处理结果还可以包括文本检测结果。文本检测结果可以指示对应的文本查询特征所查询到的文本实例在样本文本图像中的位置和检测框中的至少一个。预测子网络还可以包括检测结果预测子网络。步骤s504、分别将多个查询结果特征中的每一个查询结果特征输入预测子网络，以得到与该查询结果特征对应的样本文本图像处理结果还包括：针对多个查询结果特征中的每一个查询结果特征，将该查询结果特征所包括的实例查询结果特征输入检测结果预测子网络，以得到与查询到的文本实例对应的文本检测结果。
[0070]
在一些实施例中，综合损失值可以包括检测损失值，样本文本的真实标签包括该样本文本的真实检测结果。真实检测结果可以是对应的样本文本的真实外包围框。步骤s505、基于样本文本图像所包括的多个样本文本各自的真实标签和多个查询结果特征各自对应的样本文本图像处理结果，确定损失值可以包括：基于匹配的样本文本的真实检测结果和匹配的文本实例对应的文本检测结果，确定检测损失值。由此，通过使用与样本文本对应的真实检测结果和与文本实例对应的文本检测结果确定检测损失值，从而能够利用包括
检测损失值的综合损失值调整神经网络的参数，以使得神经网络具备在文本图像中确定文本实例并得到文本实例的文本检测结果（例如，检测框）的能力。
[0071]
在一些实施例中，检测损失值可以包括二分类（每一像素是否属于对应的文本实例）的交叉熵损失和系统差异损失（dice loss）。
[0072]
在一些实施例中，未查询到文本的“文本实例”也可以参与匹配。在这样的实施例中，综合损失值还可以包括分类损失值，以指示与样本文本匹配的“文本实例”对应的文本查询结果是否指示成功查询到了文本实例。分类损失值可以采用交叉熵损失。
[0073]
在一些实施例中，可以使用二分图匹配算法（例如，匈牙利算法）将与多个样本文本和查询到的多个文本实例进行匹配。在一个示例性实施例中，可以先基于多个查询结果特征各自对应的文本查询结果确定多个文本实例（可以包括查询到文本的文本实例和未查询到文本的“文本实例”），进而根据这些文本实例的文本检测框和多个样本文本各自的真实外包围框的交并比将多个文本实例和多个样本文本进行匹配。在得到匹配结果后，可以基于匹配的文本实例的文本检测框和匹配的样本文本的真实外包围框确定检测损失值，基于匹配的文本实例的文本识别结果和匹配的样本文本的真实文本内容确定识别损失值，基于文本实例的文本查询结果确定分类损失值，并基于包括检测损失值、识别损失值和分类损失值的综合损失值调整神经网络的参数，以实现检测任务和识别任务的联合优化和训练。此外，这样的方法无需复杂人工后处理，可以通过数据驱动的方式，有效提升自然场景下任意形状文字的端到端识别效果。
[0074]
可以理解的是，以上仅为一种示例性的训练方式，本领域技术人员可以采用其他方式对检测任务和识别任务进行单独训练或联合训练，在此不作限定。
[0075]
根据一些实施例，解码子网络可以包括实例间自注意力子网络。多个文本查询特征中的任意两个文本查询特征可以包括一一对应的多个字符查询特征。步骤s503、利用解码子网络，基于多个文本查询特征对文本图像特征进行解码，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：针对多个文本查询特征中的每一个文本查询特征，针对该文本查询特征所包括的多个字符查询特征中的每一个字符查询特征，利用实例间自注意力子网络，基于自注意力机制利用多个文本查询特征各自所包括的与该字符查询特征对应的字符查询特征对该字符查询特征进行强化。
[0076]
根据一些实施例，步骤s503、利用解码子网络，基于多个文本查询特征对文本图像特征进行解码，以得到与多个文本查询特征对应的多个查询结果特征还可以包括：针对多个文本查询特征中的每一个文本查询特征，利用实例间自注意力子网络，基于自注意力机制利用多个文本查询特征各自所包括的实例查询特征对该文本查询特征所包括的实例查询特征进行强化。
[0077]
根据一些实施例，解码子网络可以包括实例内自注意力子网络。步骤s503、利用解码子网络，基于多个文本查询特征对文本图像特征进行解码，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：针对多个文本查询特征中的每一个文本查询特征，利用实例内自注意力子网络，基于自注意力机制对该文本查询特征所包括的实例查询特征和多个字符查询特征进行强化。
[0078]
根据本公开的另一方面，提供了一种神经网络。如图6所示，神经网络600包括：编码子网络610，被配置为对文本图像602进行处理，以得到文本图像特征；解码子网络620，被
配置为基于经训练的多个文本查询特征604对文本图像特征进行解码，以得到与多个文本查询特征对应的多个查询结果特征606；以及预测子网络630，被配置为分别对多个查询结果特征606中的每一个查询结果特征进行处理，以得到与该查询结果特征对应的文本图像处理结果608。可以理解的是，图6中的子网络610-子网络630的操作和图2中的步骤s201-步骤s203的操作类似，在此不做赘述。
[0079]
根据一些实施例，文本图像处理结果可以包括：文本查询结果，文本查询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；以及文本识别结果，文本识别结果指示对应的文本查询特征所查询到的文本实例的文本内容。
[0080]
参考图7，神经网络700中的文本图像702、多个文本查询特征704、编码子网络710、多个查询结果特征706、解码子网络720、预测子网络730、以及文本图像处理结果708分别和神经网络600中的对应网络结构类似，在此不做赘述。根据一些实施例，如图7所示，多个文本查询特征704中的每一个文本查询特征包括实例查询特征704-1和多个字符查询特征704-2，与该文本查询特征对应的查询结果特征706包括与该实例查询特征704-1对应的实例查询结果特征706-1和与该多个字符查询特征704-2对应的多个字符查询结果特征706-2。预测子网络730包括：查询结果预测子网络732，被配置为针对多个查询结果特征中的每一个查询结果特征，对该查询结果特征所包括的实例查询结果特征进行处理，以得到对应的文本查询结果708-1；以及识别结果预测子网络736，被配置为分别对该查询结果特征所包括的多个字符查询结果特征进行处理，以得到多个字符识别结果。预测子网络730被进一步配置为基于多个字符识别结果，确定与查询到的文本实例对应的文本识别结果708-3。
[0081]
根据一些实施例，多个文本查询特征中的任意两个文本查询特征可以包括一一对应的多个字符查询特征。解码子网络720包括实例间自注意力子网络724，被配置为针对多个文本查询特征704中的每一个文本查询特征，针对该文本查询特征704所包括的多个字符查询特征704-2中的每一个字符查询特征，基于自注意力机制利用多个文本查询特征704各自所包括的与该字符查询特征对应的字符查询特征对该字符查询特征进行强化。
[0082]
根据一些实施例，实例间自注意力子网络724被进一步配置为针对多个文本查询特征704中的每一个文本查询特征，基于自注意力机制利用多个文本查询特征704各自所包括的实例查询特征704-1对该文本查询特征所包括的实例查询特征进行强化。
[0083]
根据一些实施例，解码子网络720包括实例内自注意力子网络722，被配置为针对多个文本查询特征704中的每一个文本查询特征，利用实例内自注意力子网络，基于自注意力机制对该文本查询特征所包括的实例查询特征704-1和多个字符查询特征704-2进行强化。
[0084]
可以理解的是，实例间自注意力子网络724可以对利用实例内自注意力子网络722强化过的多个文本查询特征进行处理，实例内自注意力子网络722也可以对利用实例间自注意力子网络724强化过的多个文本查询特征进行处理，在此不作限定。
[0085]
在一些实施例中，解码子网络720可以包括交叉注意力子网络726。可以将文本图像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、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706。
[0086]
根据一些实施例，文本图像处理结果708还包括文本检测结果708-2。文本检测结
果708-2指示对应的文本查询特征所查询到的文本实例在文本图像中的位置和检测框中的至少一个。预测子网络730还包括检测结果预测子网络734，被配置为针对多个查询结果特征706中的每一个查询结果特征，将该查询结果特征所包括的实例查询结果706-1特征输入检测结果预测子网络734，以得到与查询到的文本实例对应的文本检测结果708-2。
[0087]
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。
[0088]
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。
[0089]
参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800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。
[0090]
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。
[0091]
设备800中的多个部件连接至i/o接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806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807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808可以包括但不限于磁盘、光盘。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，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。
[0092]
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801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）而被配置为执行处理文本图像的方法和/或神经网络的训练方法。
[0093]
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。
[0094]
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。
[0095]
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。
[0096]
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。
[0097]
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。
[0098]
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。
[0099]
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。
[0100]
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。