神经网络训练方法、文档图像理解方法、装置和设备转让专利
申请号 : CN202111493576.2
文献号 : CN114155543B
文献日 : 2022-11-29
发明人 : 彭启明 , 罗斌 , 曹宇慧 , 冯仕堃 , 陈永锋
申请人 : 北京百度网讯科技有限公司
摘要 :
权利要求 :
1.一种用于文档图像理解的神经网络模型的训练方法,包括:
获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征,其中,所述第一文本综合特征至少表征对应的第一文本的文本内容信息;
基于预设规则在所述第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域;
在所述第一原始文档图像中将所述至少一个原始图像区域替换为至少一个替换图像区域,以得到第一样本文档图像和真实标签,其中,所述第一样本文档图像包括多个第一图像区域,所述多个第一图像区域包括所述至少一个替换图像区域和所述多个原始图像区域中的未被替换的至少另一原始图像区域,其中,所述真实标签指示所述多个第一图像区域中的每一个第一图像区域是否为所述替换图像区域;
获取与所述多个第一图像区域对应的多个第一图像综合特征,其中,所述第一图像综合特征至少表征对应的第一图像区域的图像内容信息;
将所述多个第一文本综合特征和所述多个第一图像综合特征同时输入神经网络模型,以得到所述神经网络模型输出的与所述多个第一文本对应的多个第一文本表示特征,其中,所述神经网络模型被配置为针对所述多个第一文本中的每一个第一文本,将与该第一文本对应的第一文本综合特征与所述多个第一图像综合特征融合,以生成与该第一文本对应的第一文本表示特征;
基于所述多个第一文本表示特征,确定预测标签,其中,所述预测标签指示对所述多个第一图像区域中的每一个第一图像区域是否为所述替换图像区域的预测结果;以及基于所述真实标签和所述预测标签,训练所述神经网络模型。
2.根据权利要求1所述的方法,其中,所述获取与所述第一原始文档图像中的多个第一文本对应的多个第一文本综合特征包括:对所述第一原始文档图像进行文本识别,以得到第一初始文本;
将所述第一初始文本划分为所述多个第一文本;
将所述多个第一文本进行嵌入,以得到多个第一文本嵌入特征;以及
基于所述多个第一文本嵌入特征,构造所述多个第一文本综合特征。
3.根据权利要求2所述的方法,其中,所述获取与所述第一原始文档图像中的多个第一文本对应的多个第一文本综合特征包括:获取所述多个第一文本各自的文本位置信息,
并且其中,所述基于所述多个第一文本嵌入特征,构造所述多个第一文本综合特征包括:针对所述多个第一文本中的每一个第一文本,融合该第一文本的文本位置信息和第一文本嵌入特征,以得到与该第一文本对应的第一文本综合特征。
4.根据权利要求3所述的方法,其中,所述文本位置信息包括第一文本位置信息,所述第一文本位置信息指示对应的第一文本在所述第一原始文档图像中的阅读顺位。
5.根据权利要求3或4所述的方法,其中,所述文本位置信息包括第二文本位置信息,所述第二文本位置信息指示对应的第一文本在所述第一原始文档图像中的位置、形状、和尺寸中的至少一个。
6.根据权利要求5所述的方法,其中,所述第二文本位置信息指示包围所述对应的第一文本的边界框上的多个点的坐标、所述边界框的宽度、和所述边界框的高度中的至少一个。
7.根据权利要求1‑4中任一项所述的方法,其中,所述至少一个替换图像区域来自不同于所述原始文档图像的至少另一文档图像。
8.根据权利要求1‑4中任一项所述的方法,其中,所述预设规则指示在所述多个原始图像区域中进行随机选择以确定所述至少一个原始图像区域。
9.根据权利要求8所述的方法,其中,所述多个原始图像区域中的每一个原始图像区域具有不大于50%的预设概率被选择。
10.根据权利要求1‑4中任一项所述的方法,其中,所述获取与多个第一图像区域对应的多个第一图像综合特征包括:获取所述第一样本文档图像的初始特征图;
基于所述初始特征图,确定与所述多个第一图像区域对应的多个第一图像嵌入特征;
以及
基于所述多个第一图像嵌入特征,构造所述多个第一图像综合特征。
11.根据权利要求10所述的方法,其中,所述多个第一图像区域是通过将所述第一样本文档图像划分成行数为第一值且列数为第二值的均匀矩形网格而得到的,其中,所述基于所述初始特征图,确定与所述多个第一图像区域对应的多个第一图像嵌入特征包括:将所述初始特征图映射成像素行数为所述第一值且像素列数为所述第二值的目标特征图;以及针对所述多个第一图像区域中的每一个第一图像区域,基于该第一图像区域在所述第一样本文档图像中的位置,将所述目标特征图中对应位置的像素确定为与该第一图像区域对应的第一图像嵌入特征。
12.根据权利要求10所述的方法,其中,所述获取与多个第一图像区域对应的多个第一图像综合特征还包括:获取所述多个第一图像区域各自的图像位置信息,
并且其中,所述基于所述多个第一图像嵌入特征,构造所述多个第一图像综合特征包括:针对所述多个第一图像区域中的每一个第一图像区域,融合该第一图像区域的图像位置信息和第一图像嵌入特征,以得到与该第一图像区域对应的第一图像综合特征。
13.根据权利要求12所述的方法,其中,所述图像位置信息包括第一图像位置信息和第二图像位置信息中的至少一个,所述第一图像位置信息指示对应的第一图像区域在所述第一样本文档图像中的浏览顺位,所述第二图像位置信息指示对应的第一图像区域在所述第一样本文档图像中的位置、形状、和尺寸中的至少一个。
14.根据权利要求1‑4中任一项所述的方法,其中,所述基于所述多个第一文本表示特征,确定预测标签包括:融合所述多个第一文本表示特征,以得到第一文本全局特征;以及
基于所述第一文本全局特征,确定所述预测标签。
15.根据权利要求1‑4中任一项所述的方法,还包括:
获取与第二样本文档图像中的多个第二文本对应的多个第二文本综合特征,其中,所述第二文本综合特征表征对应的第二文本的文本内容信息;
获取与所述第二样本文档图像中的多个第二图像区域对应的多个第二图像综合特征,其中,所述第二图像综合特征至少表征对应的第二图像区域的图像内容信息;
获取与所述第二样本文档图像中的不同于所述多个第二文本的至少一个第三文本对应的至少一个第三文本掩码特征,其中,所述第三文本掩码特征隐藏对应的第三文本的文本内容信息;
将所述多个第二文本综合特征、所述至少一个第三文本掩码特征、以及所述多个第二图像综合特征同时输入所述神经网络模型,以得到所述神经网络模型输出的与所述至少一个第三文本对应的至少一个第三文本表示特征,其中,所述神经网络模型被进一步配置为针对所述至少一个第三文本中的每一个第三文本,将与该第三文本对应的第三文本掩码特征与所述多个第二文本综合特征和所述多个第二图像综合特征融合,以生成与该第三文本对应的第三文本表示特征;
基于所述至少一个第三文本表示特征,确定与所述至少一个第三文本对应的至少一个预测文本,其中,所述预测文本指示对对应的第三文本的文本内容信息的预测结果;以及基于所述至少一个第三文本和所述至少一个预测文本,训练所述神经网络模型。
16.根据权利要求15所述的方法,其中,所述第二文本综合特征进一步表征所述对应的第二文本的文本位置信息,所述第三文本掩码特征表征所述对应的第三文本的文本位置信息,并且其中,所述第二文本和所述第三文本中的至少一个的文本位置信息包括第三文本位置信息和第四文本位置信息中的至少一个,所述第三文本位置信息指示对应的文本在所述第二样本文档图像中的阅读顺位,所述第四文本位置信息指示对应的文本在所述第二样本文档图像中的位置、形状、和尺寸中的至少一个。
17.根据权利要求1‑4中任一项所述的方法,其中,所述神经网络模型被配置为针对接收到的多个输入特征中的至少一个输入特征中的每一个输入特征,基于该输入特征与所述多个输入特征中的每一个输入特征的相似度融合所述多个输入特征,以得到与该输入对应的输出特征。
18.根据权利要求1‑4中任一项所述的方法,其中,所述神经网络模型基于文心(ERNIE)模型或文心‑布局(ERNIE‑Layout)模型中的至少一个。
19.一种用于文档图像理解的神经网络模型的训练方法,包括:
获取样本文档图像和真实标签,其中,所述真实标签指示对所述样本文档图像执行目标文档图像理解任务的期望结果;
获取与所述样本文档图像中的多个文本对应的多个文本综合特征,其中,所述文本综合特征至少表征对应的文本的文本内容信息;
获取与所述样本文档图像中的多个图像区域对应的多个图像综合特征,其中,所述图像综合特征至少表征对应的图像区域的图像内容信息;
至少将所述多个文本综合特征和所述多个图像综合特征同时输入神经网络模型,以得到所述神经网络模型输出的至少一个表示特征,其中,所述神经网络模型是利用根据权利要求1‑18中任一项所述的方法训练得到的;
基于所述至少一个表示特征,确定预测标签,其中,所述预测标签指示对所述样本文档图像执行所述目标文档图像理解任务的实际结果;以及基于所述真实标签和所述预测标签,进一步训练所述神经网络模型。
20.一种利用神经网络模型的用于文档图像理解的方法,包括:
获取与文档图像中的多个文本对应的多个文本综合特征,其中,所述文本综合特征至少表征对应的文本的文本内容信息;
获取与所述文档图像中的多个图像区域对应的多个图像综合特征,其中,所述图像综合特征至少表征对应的图像区域的图像内容信息;
至少将所述多个文本综合特征和所述多个图像综合特征同时输入神经网络模型,以得到所述神经网络模型输出的至少一个表示特征,其中,所述神经网络模型是利用根据权利要求1‑19中任一项所述的方法训练得到的;以及基于所述至少一个表示特征,确定文档图像理解结果。
21.一种用于文档图像理解的神经网络模型的训练装置,包括:
第一获取单元,被配置为获取与第一原始文档图像中的多个第一文本对应的多个第一文本综合特征,其中,所述第一文本综合特征至少表征对应的第一文本的文本内容信息;
区域确定单元,被配置为基于预设规则在所述第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域;
区域替换单元,被配置为在所述第一原始文档图像中将所述至少一个原始图像区域替换为至少一个替换图像区域,以得到第一样本文档图像和真实标签,其中,所述第一样本文档图像包括多个第一图像区域,所述多个第一图像区域包括所述至少一个替换图像区域和所述多个原始图像区域中的未被替换的至少另一原始图像区域,其中,所述真实标签指示所述多个第一图像区域中的每一个第一图像区域是否为所述替换图像区域;
第二获取单元,被配置为获取与所述多个第一图像区域对应的多个第一图像综合特征,其中,所述第一图像综合特征至少表征对应的第一图像区域的图像内容信息;
神经网络模型,被配置为针对所述多个第一文本中的每一个第一文本,将接收到的与该第一文本对应的第一文本综合特征与接收到的所述多个第一图像综合特征融合,以生成用于输出的与该第一文本对应的第一文本表示特征;
第一预测单元,被配置为基于所述多个第一文本表示特征,确定预测标签,其中,所述预测标签指示对所述多个第一图像区域中的每一个第一图像区域是否为所述替换图像区域的预测结果;以及第一训练单元,被配置为基于所述真实标签和所述预测标签,训练所述神经网络模型。
22.一种用于文档图像理解的神经网络模型的训练装置,包括:
第三获取单元,被配置为获取样本文档图像和真实标签,其中,所述真实标签指示对所述样本文档图像执行目标文档图像理解任务的期望结果;
第四获取单元,被配置为获取与所述样本文档图像中的多个文本对应的多个文本综合特征,其中,所述文本综合特征至少表征对应的文本的文本内容信息;
第五获取单元,被配置为获取与所述样本文档图像中的多个图像区域对应的多个图像综合特征,其中,所述图像综合特征至少表征对应的图像区域的图像内容信息;
神经网络模型,被配置为至少基于接收到的所述多个文本综合特征和所述多个图像综合特征,生成用于输出的至少一个表示特征,其中,所述神经网络模型是利用根据权利要求
21所述的装置训练得到的;
第二预测单元,被配置为基于所述至少一个表示特征,确定预测标签,其中,所述预测标签指示对所述样本文档图像执行所述目标文档图像理解任务的实际结果;以及第二训练单元,被配置为基于所述真实标签和所述预测标签,进一步训练所述神经网络模型。
23.一种利用神经网络模型的用于文档图像理解的装置,包括:
第六获取单元,被配置为获取与文档图像中的多个文本对应的多个文本综合特征,其中,所述文本综合特征至少表征对应的文本的文本内容信息;
第七获取单元,被配置为获取与所述文档图像中的多个图像区域对应的多个图像综合特征,其中,所述图像综合特征至少表征对应的图像区域的图像内容信息;
神经网络模型,被配置为至少基于接收到的所述多个文本综合特征和所述多个图像综合特征,生成用于输出的至少一个表示特征,其中,所述神经网络模型是利用根据权利要求
21或22所述的装置训练得到的;以及
第三预测单元,被配置为基于所述至少一个表示特征,确定文档图像理解结果。
24.一种电子设备,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权利要求1‑20中任一项所述的方法。
25.一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根据权利要求1‑20中任一项所述的方法。
说明书 :
神经网络训练方法、文档图像理解方法、装置和设备
技术领域
的神经网络模型的训练装置、一种利用神经网络模型的用于文档图像理解的装置、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
加强模型在多模态场景下处理下游任务的能力。常见的图文交互任务在常规的多模态场景
下表现优秀,但是在图文信息高度匹配的文档场景中的表现不尽人意。在这种场景下,如何设计更合适的图文交互任务来加强模型在文档场景的下游任务中的表现能力是目前亟待
解决的重难点问题。
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。
发明内容
置、一种利用神经网络模型的用于文档图像理解的装置、电子设备、计算机可读存储介质和计算机程序产品。
征,其中,第一文本综合特征至少表征对应的第一文本的文本内容信息;基于预设规则在第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域;在第一原始文
档图像中将至少一个原始图像区域替换为至少一个替换图像区域,以得到第一样本文档图
像和真实标签,其中,第一样本文档图像包括多个第一图像区域,多个第一图像区域包括至少一个替换图像区域和多个原始图像区域中的未被替换的至少另一原始图像区域,其中,
真实标签指示多个第一图像区域中的每一个第一图像区域是否为替换图像区域;获取与多
个第一图像区域对应的多个第一图像综合特征,其中,第一图像综合特征至少表征对应的
第一图像区域的图像内容信息;将多个第一文本综合特征和多个第一图像综合特征同时输
入神经网络模型,以得到神经网络模型输出的与多个第一文本对应的多个第一文本表示特
征,其中,神经网络模型被配置为针对多个第一文本中的每一个第一文本,将与该第一文本对应的第一文本综合特征与多个第一图像综合特征融合,以生成与该第一文本对应的第一
文本表示特征;基于多个第一文本表示特征,确定预测标签,其中,预测标签指示对多个第一图像区域中的每一个第一图像区域是否为替换图像区域的预测结果;以及基于真实标签
和预测标签,训练神经网络模型。
合特征,其中,文本综合特征至少表征对应的文本的文本内容信息;获取与样本文档图像中的多个图像区域对应的多个图像综合特征,其中,图像综合特征至少表征对应的图像区域
的图像内容信息;至少将多个文本综合特征和多个图像综合特征同时输入神经网络模型,
以得到神经网络模型输出的至少一个表示特征,其中,神经网络模型是利用上述训练方法
训练得到的;基于至少一个表示特征,确定预测标签,其中,预测标签指示对样本文档图像执行目标文档图像理解任务的实际结果;以及基于真实标签和预测标签,进一步训练神经
网络模型。
图像综合特征,其中,图像综合特征至少表征对应的图像区域的图像内容信息;至少将多个文本综合特征和多个图像综合特征同时输入神经网络模型,以得到神经网络模型输出的至
少一个表示特征,其中,神经网络模型是利用上述训练方法训练得到的;以及基于至少一个表示特征,确定文档图像理解结果。
信息;区域确定单元,被配置为基于预设规则在第一原始文档图像所包括的多个原始图像
区域中确定至少一个原始图像区域;区域替换单元,被配置为在所述第一原始文档图像中
将至少一个原始图像区域替换为至少一个替换图像区域,以得到第一样本文档图像和真实
标签,其中,第一样本文档图像包括多个第一图像区域,多个第一图像区域包括至少一个替换图像区域和多个原始图像区域中的未被替换的至少另一原始图像区域,其中,真实标签
指示多个第一图像区域中的每一个第一图像区域是否为替换图像区域;第二获取单元,被
配置为获取与多个第一图像区域对应的多个第一图像综合特征,其中,第一图像综合特征
至少表征对应的第一图像区域的图像内容信息;神经网络模型,被配置为针对多个第一文
本中的每一个第一文本,将接收到的与该第一文本对应的第一文本综合特征与接收到的多
个第一图像综合特征融合,以生成用于输出的与该第一文本对应的第一文本表示特征;第
一预测单元,被配置为基于多个第一文本表示特征,确定预测标签,其中,预测标签指示对多个第一图像区域中的每一个第一图像区域是否为替换图像区域的预测结果;以及第一训
练单元,被配置为基于真实标签和预测标签,训练神经网络模型。
与样本文档图像中的多个文本对应的多个文本综合特征,其中,文本综合特征至少表征对
应的文本的文本内容信息;第五获取单元,被配置为获取与样本文档图像中的多个图像区
域对应的多个图像综合特征,其中,图像综合特征至少表征对应的图像区域的图像内容信
息;神经网络模型,被配置为至少基于接收到的多个文本综合特征和多个图像综合特征,生成用于输出的至少一个表示特征,其中,神经网络模型是利用上述训练装置训练得到的;第二预测单元,被配置为基于至少一个表示特征,确定预测标签,其中,预测标签指示对样本文档图像执行目标文档图像理解任务的实际结果;以及第二训练单元,被配置为基于真实
标签和预测标签,进一步训练神经网络模型。
表征对应的图像区域的图像内容信息;神经网络模型,被配置为至少基于接收到的多个文
本综合特征和多个图像综合特征,生成用于输出的至少一个表示特征,其中,神经网络模型是利用上述训练装置训练得到的;以及第三预测单元,被配置为基于至少一个表示特征,确定文档图像理解结果。
网络模型,并使用模型输出的文本表示预测图文不匹配的区域,进而基于预测标签和真实
标签训练模型,实现了对细粒度的结合图文信息的文本表示的学习,同时增强了图像和文
本两个模态之间的交互性,进而提升了神经网络模型在文档场景的下游任务中的表现。
附图说明
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。
具体实施方式
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。
是否相匹配,或者说输入的文本是否能描述输入的图片;图像重构指的是通过模型的下游
的输出向量来重建输入的完整图像。
助,但难以将文本内容准确复现,使得模型难以理解文字与图像更细粒度上的关系。
并使用模型输出的文本表示预测图文不匹配的区域,进而基于预测标签和真实标签训练模
型,实现了对细粒度的结合图文信息的文本表示的学习,同时增强了图像和文本两个模态
之间的交互性,进而提升了神经网络模型在文档场景的下游任务中的表现。
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。
经网络模型的用于文档图像理解的方法的一个或多个服务或软件应用。
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1A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。
可以利用客户端通过各种输入设备采集文档图像,也可以利用客户端执行用于文档图像理
解的方法。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文档图像理解的结果。尽管图1A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。
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。
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。
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。
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。
120通信。数据存储库130可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,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。
在神经网络模型的下游可以根据目标190中的不同任务以对神经网络模型170进行训练或
得到文档图像理解结果。
170。在一些实施例中,文本特征可以包括表征文本内容信息的嵌入特征186,表征文本位置信息的一维位置特征182和二维位置特征184。在一个示例性实施例中,一维位置特征可以
指示文本的阅读顺位,二维位置特征可以为包围文本的边界框的位置、形状、尺寸等信息。
尽管图1B仅描述了上述三种文本信息提取子任务,本领域技术人员还可以使用其他方法或
方法的组合来执行文本信息提取。
区域的图像特征,用以输入神经网络模型170。在一些示例中,图像特征可以包括表征图像内容信息的嵌入特征186,表征图像位置信息的一维位置特征182和二维位置特征184。在一个示例性实施例中,一维位置特征可以指示图像区域的阅读顺位,二维位置特征可以为图
像区域的位置、形状、尺寸等信息。应当理解,ResNet 164仅为图像信息提取的一个示例,本领域技术人员还可以使用其他图像编码网络或使用其他方法或方法的组合来执行图像特
征提取。
全部特征的综合表示的分类符号[CLS]、表示同一组或同一类型的特征已输入完全的分割
符号[SEP]、用于隐藏部分输入信息的掩码符号[MASK]、以及表示未知输入的未知符号
[UNK]等。可以对这些符号进行嵌入,并为这些符号设计相应的一维位置特征和二维位置特征,以得到每个符号的用于输入神经网络模型170的特征。在一个示例性实施例中,将与神经网络模型170的每一个输入对应的一维位置特征182、二维位置特征184、以及嵌入特征
186直接相加,可以得到用于输入神经网络模型的输入特征。
输入的信息进行融合,以得到多模态图文信息的表示特征188。应当理解,Transformer结构为神经网络模型170的底层实现的一个示例,不旨在进行限制。
194、196、198将在下文进行详细描述。可以理解的是,尽管图1B仅描绘了四种任务,本领域技术人员可以根据需求自行设计目标,并利用神经网络模型170完成目标。
息;步骤S202、基于预设规则在第一原始文档图像所包括的多个原始图像区域中确定至少
一个原始图像区域;步骤S203、在第一原始文档图像中将至少一个原始图像区域替换为至
少一个替换图像区域,以得到第一样本文档图像和真实标签,其中,第一样本文档图像包括多个第一图像区域,多个第一图像区域包括至少一个替换图像区域和多个原始图像区域中
的未被替换的至少另一原始图像区域,其中,真实标签指示多个第一图像区域中的每一个
第一图像区域是否为替换图像区域;步骤S204、获取与多个第一图像区域对应的多个第一
图像综合特征,其中,第一图像综合特征至少表征对应的第一图像区域的图像内容信息;步骤S205、将多个第一文本综合特征和多个第一图像综合特征同时输入神经网络模型,以得
到神经网络模型输出的与多个第一文本对应的多个第一文本表示特征,其中,神经网络模
型被配置为针对多个第一文本中的每一个第一文本,将与该第一文本对应的第一文本综合
特征与多个第一图像综合特征融合,以生成与该第一文本对应的第一文本表示特征;步骤
S206、基于多个第一文本表示特征,确定预测标签,其中,预测标签指示对多个第一图像区域中的每一个第一图像区域是否为替换图像区域的预测结果;以及步骤S207、基于真实标
签和预测标签,训练神经网络模型。
文本表示预测图文不匹配的区域,进而基于预测标签和真实标签训练模型,实现了对细粒
度的结合图文信息的文本表示的学习,同时增强了图像和文本两个模态之间的交互性,进
而提升了神经网络模型在文档场景的下游任务中的表现。
别,以得到第一初始文本;步骤S402、将第一初始文本划分为多个第一文本;步骤S403、将多个第一文本进行嵌入,以得到多个第一文本嵌入特征;以及步骤S405、基于多个第一文本嵌入特征,构造多个第一文本综合特征。
入模型的第一文本综合特征的材料,使得神经网络模型能够学习到每一个第一文本的文本
内容信息。应当理解,文本内容信息可以是与文本的具体内容(例如,字符)相关的信息。类似地,文本的相关信息还可以包括与文本在文档图像中的绝对位置或相对位置相关并且与
文本内容无关的文本位置信息,如下文将要描述的。
本。
如,矩形),也可以具有不规则形状(例如,不规则多边形或不规则曲线围成的形状)。在一些实施例中,边界框的坐标可以使用边界框所围成的区域的中心点坐标来表示,也可以用边
界框上的多个点(例如,矩形或不规则多边形的部分或全部顶点、不规则曲线上的多个点)
的坐标来表示。在一些实施例中,边界框的尺寸可以使用边界框的宽度、高度、或两者来表示,也可以通过边界框的面积或在文档图像中的面积占比来表示。可以理解的是,上述描述仅为示例性的,本领域技术人员可以使用其他方式描述这些边界框的属性,也可以为边界
框设计更丰富的属性,以得到更丰富的文本位置信息,在此不做限定。
个文本段落进行进一步切分,以得到粒度适中的第一文本。在一个示例性实施例中,可以使用WordPiece算法对第一初始文档中的文本段落进行分词。可以理解的是,本领域技术人员可以使用其他算法对第一初始文本中的文本段落进行分词,也可以使用其他方式对第一初
始文本进行划分,在此不做限定。在一个示例中,对文档图像300中的文本段落“欢迎下次光临”进行分词可以得到“欢迎”、“下次”、“光临”三个第一文本。
中,相比于独热(one‑hot)特征能够显著降低对文本特征的维度,并且能够体现文本间的相似性关系。文本嵌入模型的一个示例是词嵌入模型,可以使用词袋方法或Skip‑Gram方法对其进行训练。在一些实施例中,可以将大量文本的嵌入特征预先存入到词表中,使得能够在步骤S403直接从词表中索引到与第一文本对应的第一文本嵌入特征。
得接收表征第一文本中的文本内容信息的第一文本综合特征的神经网络模型能够学习到
文本内容信息。在另一些实施例中,还可以将第一文本的其他信息与第一文本嵌入特征融
合,以得到能够进一步表征第一文本的更丰富的信息的第一文本综合特征。
位置信息。
读顺位。阅读顺位能够反映这些第一文本之间的符合逻辑的阅读顺序关系。
文本的阅读顺位例如也可以通过使用例如机器学习的方法进行预测而确定的,还可以是通
过其他方式确定的,在此不做限定。在一些实施例中,在步骤S401得到的对第一原始文档图像的文本识别结果可以包括作为第一初始文本的一个或多个段落各自的阅读顺位,则可以
进一步确定每个段落内的第一文本的阅读顺序并将其与段落间的阅读顺序相结合,以得到
全局的所有第一文本各自的阅读顺位(即,第一文本位置信息)。
位置特征,还可以使用其他形式作为第一文本位置信息的表示,在此不做限定。
置、形状、和尺寸中的至少一个。在一些实施例中,可以使用第一文本在图像中覆盖的区域的位置、形状和尺寸作为第二文本位置信息。
息类似,在此不做赘述。
为第二文本位置信息的表示,在此不做限定。
示例性实施例中,可以将第一文本嵌入特征、第一文本位置特征以及第二文本位置特征直
接相加,以得到相应的第一文本综合特征。可以理解的是,本领域技术人员也可以使用其他方式将第一文本的文本位置信息与第一文本嵌入特征进行融合,以得到能够同时表征第一
文本的文本内容信息和文本位置信息的文本综合特征。
系生成各个文本的文本表示特征。
网络模型的多个第一图像综合特征。
有相同的尺寸。可以理解的是,第三值和第四值越大,图像划分区域越多,越能帮助神经网络模型学习到细粒度的多模态文本表示特征,但会提升训练难度和对计算资源的占用。
域,避免在第一样本文档图像生成过程中的人为因素对模型训练造成干扰。
样的方式,能够保证被替换的图像区域数量恒定。
率算出的被替换的图像区域数量的期望值。在一个示例性实施例中,第三值和第四值均为
7,原始图像区域的数量为49,替换概率设置为10%,则被替换的图像区域的数量的期望值约等于5。
无需充分学习即可利用文本表示预测出哪些区域是被替换的。
至少一个替换图像区域以及多个原始图像区域中未被替换的一个或多个原始图像区域。在
一个示例中,如图3A和图3C所示,在确定文档图像300的原始图像区域时所设定的第三值和第四值均为2,并且文档图像300左下角的原始图像区域被替换成了来自另一原始文档图像
的替换图像区域,从而得到了样本图像310。
开并不限定真实标签的表现形式。在一些实施例中,可以使用指示每一个第一图像区域是
否为替换图像区域的多个二分类标签作为真实标签,也可以使用记录每一个替换图像区域
的标识的列表作为真实标签,还可以使用其他方式作为真实标签的表现形式,在此不做限
定。
的第一图像嵌入特征,作为用于构造输入模型的第一图像综合特征的材料。使得神经网络
模型能够学习到每一个第一图像区域的图像内容信息。应当理解,图像内容信息可以是与
图像或图像区域中的具体内容(例如,像素值)相关的信息。类似地,图像区域的相关信息还可以包括与图像区域在原始图像或样本图像中的绝对位置或相对位置相关的图像位置信
息,如下文将要描述的。
码功能的神经网络,也可以根据需求自行搭建神经网络,在此不做限定。
的均匀矩形网格和划分第一原始文档图像的均匀矩形网格可以相同,即第一值等于第三值
并且第二值等于第四值。通过这样的方式,可以使得多个第一图像区域和多个原始图像区
域一一对应。
区域在第一样本文档图像中的位置,将目标特征图中对应位置的像素确定为与该第一图像
区域对应的第一图像嵌入特征。
作为第一样本文档图像中位置与该像素对应的第一图像区域的嵌入特征。这样的图像区域
划分方式和嵌入特征确定方式可以降低训练过程的计算复杂度和资源占用,同时具有较好
的训练效果。
素进行融合(例如,平均池化),以得到对应的第一图像嵌入特征。进一步地,也可以通过多种方式为第一图像区域确定多个嵌入特征,并融合这些特征以得到用于输入神经网络模型
的第一图像嵌入特征。
征,从而使得接收表征第一图像区域的图像内容信息的第一图像综合特征的神经网络模型
能够学习到图像内容信息。在另一些实施例中,还可以将第一图像区域的其他信息与第一
图像嵌入特征融合,以得到能够进一步表征第一图像区域的更丰富的信息的第一图像综合
特征。
浏览顺位,第二图像位置信息可以指示对应的第一图像区域在第一样本文档图像中的位
置、形状、和尺寸中的至少一个。
通过向神经网络模型输入指示第一图像区域在图像中的位置、形状、尺寸等与第一图像区
域本身强相关并且能够体现多个第一图像区域之间位置、大小等关系的属性的第二图像位
置信息,提升了模型对文档图像中的不同第一图像区域进行区分的能力。
框的位置、形状、和尺寸的含义与获取方式类似,在此不做赘述。在一个示例中,图3C中的文档图像310中的多个第一图像区域的浏览顺序例如可以为:左上区域→右上区域→左下区
域→右下区域。
特征。可以理解的是,本领域技术人员可以参照上文对第一文本位置特征和第二文本位置
特征的描述,将第一图像区域的第一图像位置信息和第二图像位置信息进行嵌入,以得到
第一图像位置特征和第二图像位置特征。在一个示例性实施例中,可以将第一图像嵌入特
征、第一图像位置特征以及第二图像位置特征直接相加,以得到相应的第一图像综合特征。
可以理解的是,本领域技术人员也可以使用其他方式将第一图像区域的图像位置信息与第
一图像嵌入特征进行融合,以得到能够同时表征第一图像区域的图像内容信息和图像位置
信息的图像综合特征。
致,以满足模型的输入要求。
第一文本表示特征。
该第一文本对应的第一文本表示特征。由此,神经网络能够针对接收到的每一个文本,将图像区域的图像信息与该文本的文本信息进行融合,以得到多模态文本表示特征。
该输入特征与多个输入特征中的每一个输入特征的相似度融合多个输入特征,以得到与该
输入对应的输出特征。由此,通过使用注意力机制,可以进一步提升神经网络模型对多模态文本表示特征的学习。在一个示例性实施例中,神经网络模型可以使用一个或多个串联的
Transformer结构来搭建。
些输入特征的表示特征。在一个示例性实施例中,在执行上述方法时,可以获取模型针对与输入模型的每一个第一文本对应的第一文本综合特征输出的第一文本表示特征,以得到关
于第一样本文档图像的全部多模态文本表示特征。
一步处理,以得到第一文本全局特征,在此不做限定。
于第一文本全局特征确定能够指示对多个第一图像区域中的每一个第一图像区域是否为
替换图像区域的预测结果的预测标签,在此不做限定。
模型收敛。在一些实施例中,上述步骤中的嵌入和特征提取等操作可能涉及其他小型神经
网络模型,也可以在训练过程中调整这些小型神经网络模型的参数,在此不做限定。
域对应的多个第二图像综合特征,其中,第二图像综合特征至少表征对应的第二图像区域
的图像内容信息;步骤S610、获取与第二样本文档图像中的不同于多个第二文本的至少一
个第三文本对应的至少一个第三文本掩码特征,其中,第三文本掩码特征隐藏对应的第三
文本的文本内容信息;步骤S611、将多个第二文本综合特征、至少一个第三文本掩码特征、以及多个第二图像综合特征同时输入神经网络模型,以得到神经网络模型输出的与至少一
个第三文本对应的至少一个第三文本表示特征,其中,神经网络模型被进一步配置为针对
至少一个第三文本中的每一个第三文本,将与该第三文本对应的第三文本掩码特征与多个
第二文本综合特征和多个第二图像综合特征融合,以生成与该第三文本对应的第三文本表
示特征;步骤S612、基于至少一个第三文本表示特征,确定与至少一个第三文本对应的至少一个预测文本,其中,预测文本指示对对应的第三文本的文本内容信息的预测结果;以及步骤S613、基于至少一个第三文本和至少一个预测文本,训练神经网络模型。可以理解的是,图6中的步骤S601‑步骤S607的操作与图2中的步骤S201‑步骤S207的操作类似,在此不做赘述。
了对细粒度的结合图文信息的文本表示的学习。
文本中确定多个第二文本和至少一个第三文本。在一个示例性实施例中,至少一个第三文
本例如可以是在多个文本中进行随机选择而确定的。多个文本中的每一个文本可以具有不
大于50%的预设概率被选择为第三样本。
行嵌入,以得到掩码嵌入特征,并将掩码嵌入特征直接作为第三文本掩码特征。
以包括第三文本位置信息和第四文本位置信息中的至少一个。第三文本位置信息可以指示
对应的文本在第二样本文档图像中的阅读顺位,第四文本位置信息可以指示对应的文本在
第二样本文档图像中的位置、形状、和尺寸中的至少一个。
置特征,并将第三文本位置特征、第四文本位置特征和掩码嵌入特征直接相加,以得到第三文本掩码特征。
特征的数量相同,以提升模型对多模态图文信息(尤其是图像信息)的学习。进一步地,多个第二图像区域的位置、形状、尺寸可以与上文的预训练任务中的多个第一图像区域的位置、形状、尺寸相近或相同,以强化模型对与特定区域相关的多模态图文信息的学习。
和掩码语言模型中的至少一个训练好的神经网络模型可以直接用于执行下游任务,也可以
进行微调训练,以进一步提升神经网络的性能,如下文将要描述的。
像中的多个文本对应的多个文本综合特征,其中,文本综合特征至少表征对应的文本的文
本内容信息;步骤S703、获取与样本文档图像中的多个图像区域对应的多个图像综合特征,其中,图像综合特征至少表征对应的图像区域的图像内容信息;步骤S704、至少将多个文本综合特征和多个图像综合特征同时输入神经网络模型,以得到神经网络模型输出的至少一
个表示特征,其中,神经网络模型是利用上文所描述的任一种方法训练得到的;步骤S705、基于至少一个表示特征,确定预测标签,其中,预测标签指示对样本文档图像执行目标文档图像理解任务的实际结果;以及步骤S706、基于真实标签和预测标签,进一步训练神经网络模型。可以理解的是,上述步骤S701‑步骤S706的操作可以参照细粒度匹配任务中的相应步骤的操作,在此不做赘述。
务,提升了神经网络模型在处理目标图像理解任务时的表现。
神经网络模型能够执行该目标文档图像理解任务。
文档视觉问答任务(DocVQA),该任务要求神经网络模型能够在文档中抽取能够回答文档相
关问题的答案。通过确定与样本文档图像相关的问句和期望回答(即,真实标签),并生成与问句对应的至少一个文本综合特征,进而将该特征与文档中的文本对应的文本综合特征和
图像综合特征同时输入神经网络模型,并基于模型输出的与文档中的文本对应的文本表示
特征预测问句的答案,再根据该答案和真实标签训练模型,使得训练好的模型能够执行这
样的文档视觉问答任务。
对应的表示特征,在此不做限定。
量相同,以提升模型对多模态图文信息(尤其是图像信息)的学习。进一步地,微调任务中的多个图像区域的位置、形状、尺寸可以与上文的预训练任务中的多个第一图像区域的位置、形状、尺寸相近或相同,以强化模型对与特定区域相关的多模态图文信息的学习。
像区域的图像内容信息;步骤S803、至少将多个文本综合特征和多个图像综合特征同时输
入神经网络模型,以得到神经网络模型输出的至少一个表示特征,其中,神经网络模型是利用上文所描述的任一种方法训练得到的;以及步骤S804、基于至少一个表示特征,确定文档图像理解结果。可以理解的是,上述步骤S801‑步骤S804的操作可以参照细粒度匹配任务中的相应步骤的操作,在此不做赘述。
息,提升了神经网络模型在处理特定任务时的表现。
中,神经网络模型的输入还可以包括与根据目标文档图像理解任务设计的问句对应的至少
一个文本综合特征。
对应的表示特征,在此不做限定。
量相同,以使得模型在输出表示特征时能够充分利用学习到的多模态图文信息(尤其是图
像信息)。进一步地,文档图像中的多个图像区域的位置、形状、尺寸可以与上文的预训练任务中的多个第一图像区域的位置、形状、尺寸相近或相同,以进一步提升模型对学习到的与特定区域相关的多模态图文信息的利用。
第一文本的文本内容信息;区域确定单元920,被配置为基于预设规则在第一原始文档图像所包括的多个原始图像区域中确定至少一个原始图像区域;区域替换单元930,被配置为在第一原始文档图像中将至少一个原始图像区域替换为至少一个替换图像区域,以得到第一
样本文档图像和真实标签,其中,第一样本文档图像包括多个第一图像区域,多个第一图像区域包括至少一个替换图像区域和多个原始图像区域中的未被替换的至少另一原始图像
区域,其中,真实标签指示多个第一图像区域中的每一个第一图像区域是否为替换图像区
域;第二获取单元940,被配置为获取与多个第一图像区域对应的多个第一图像综合特征,其中,第一图像综合特征至少表征对应的第一图像区域的图像内容信息;神经网络模型
950,被配置为针对多个第一文本中的每一个第一文本,将接收到的与该第一文本对应的第一文本综合特征与接收到的多个第一图像综合特征融合,以生成用于输出的与该第一文本
对应的第一文本表示特征;第一预测单元960,被配置为基于多个第一文本表示特征,确定预测标签,其中,预测标签指示对多个第一图像区域中的每一个第一图像区域是否为替换
图像区域的预测结果;以及第一训练单元970,被配置为基于真实标签和预测标签,训练神经网络模型。
中,文本综合特征至少表征对应的文本的文本内容信息;第五获取单元1030,被配置为获取与样本文档图像中的多个图像区域对应的多个图像综合特征,其中,图像综合特征至少表
征对应的图像区域的图像内容信息;神经网络模型1040,被配置为至少基于接收到的多个
文本综合特征和多个图像综合特征,生成用于输出的至少一个表示特征,其中,神经网络模型是利用装置900训练得到的;第二预测单元1050,被配置为基于至少一个表示特征,确定预测标签,其中,预测标签指示对样本文档图像执行目标文档图像理解任务的实际结果;以及第二训练单元1060,被配置为基于真实标签和预测标签,进一步训练神经网络模型。
其中,图像综合特征至少表征对应的图像区域的图像内容信息;神经网络模型1130,被配置为至少基于接收到的多个文本综合特征和多个图像综合特征,生成用于输出的至少一个表
示特征,其中,神经网络模型是利用装置900或装置1000训练得到的;以及第三预测单元
1140,被配置为基于至少一个表示特征,确定文档图像理解结果。
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。
序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
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1207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
1208可以包括但不限于磁盘、光盘。通信单元1209允许设备1200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。
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1201执行上文所描述的各个方法和处理,例如用于文档图像理解的神经网络模型的预训练方法和利用神经网络模型的用于文
档图像理解的方法。例如,在一些实施例中,用于文档图像理解的神经网络模型的预训练方法和利用神经网络模型的用于文档图像理解的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1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加
载到RAM 1203并由计算单元1201执行时,可以执行上文描述的用于文档图像理解的神经网
络模型的预训练方法和利用神经网络模型的用于文档图像理解的方法的一个或多个步骤。
备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于文档图像理解的神经网络模型的预训练方法和利用神经网络模型的
用于文档图像理解的方法。
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。
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。
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。
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。
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。
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。