[發(fā)明專利]文本檢測模型的訓練方法、裝置、可讀存儲介質(zhì)及設(shè)備有效
| 申請?zhí)枺?/td> | 202110255729.3 | 申請日： | 2021-03-09 |
| 公開（公告）號： | CN112686218B | 公開（公告）日： | 2021-06-22 |
| 發(fā)明（設(shè)計）人： | 王德強;劉霄;熊澤法 | 申請（專利權(quán)）人： | 北京世紀好未來教育科技有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/20;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 北京鼎承知識產(chǎn)權(quán)代理有限公司 11551 | 代理人： | 顧可嘉;夏華棟 |
| 地址： | 100872 北京市海淀區(qū)中*** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 文本 檢測 模型 訓練 方法 裝置 可讀 存儲 介質(zhì) 設(shè)備 | ||
1.一種文本檢測模型的訓練方法，其特征在于，包括：
將待處理樣本圖像輸入卷積網(wǎng)絡(luò)模型，得到預測值；所述預測值為樣本圖像的預測置信度；
獲取所述樣本圖像的標注值；
根據(jù)所述標注值、所述預測值以及損失函數(shù)得到預測損失；以及
根據(jù)所述預測損失調(diào)整所述卷積網(wǎng)絡(luò)模型的參數(shù)；
其中，所述損失函數(shù)包括簡單樣本判定函數(shù)和權(quán)重系數(shù)函數(shù)；
所述簡單樣本判定函數(shù)用于過濾所述預測置信度大于預設(shè)第一閾值的樣本圖像，以及過濾所述預測置信度小于預設(shè)第二閾值的樣本圖像，所述權(quán)重系數(shù)函數(shù)用于調(diào)節(jié)未被過濾樣本圖像的權(quán)重。
2.根據(jù)權(quán)利要求1所述的文本檢測模型的訓練方法，其特征在于，所述權(quán)重系數(shù)函數(shù)用于動態(tài)自適應調(diào)節(jié)未被過濾樣本圖像的權(quán)重。
3.根據(jù)權(quán)利要求2所述的文本檢測模型的訓練方法，其特征在于，所述權(quán)重系數(shù)函數(shù)基于指數(shù)形式的權(quán)重調(diào)節(jié)因子以及所述預測值，動態(tài)自適應調(diào)節(jié)未被過濾樣本圖像的權(quán)重。
4.根據(jù)權(quán)利要求1所述的文本檢測模型的訓練方法，其特征在于，所述權(quán)重系數(shù)函數(shù)的取值限制在預設(shè)范圍內(nèi)。
5.根據(jù)權(quán)利要求1所述的文本檢測模型的訓練方法，其特征在于，所述損失函數(shù)采用如下公式：
，；
，；
其中，表示所述損失函數(shù)；表示所述標注值，表示所述標注值為正樣本，表示所述標注值為負樣本；表示所述預測值；
函數(shù)表示針對正樣本的簡單樣本判定函數(shù)，為所述第一閾值，；
函數(shù)表示針對負樣本的簡單樣本判定函數(shù)，為所述第二閾值，；
函數(shù)表示針對正樣本的權(quán)重系數(shù)函數(shù)；
函數(shù)表示針對負樣本的權(quán)重系數(shù)函數(shù)；
[，]表示所述權(quán)重系數(shù)函數(shù)的取值范圍。
6.根據(jù)權(quán)利要求4或5所述的文本檢測模型的訓練方法，其特征在于，所述權(quán)重系數(shù)函數(shù)的取值范圍為1~5。
7.根據(jù)權(quán)利要求5所述的文本檢測模型的訓練方法，其特征在于，函數(shù)的值隨著所述預測值的增大而減小；函數(shù)的值隨著所述預測值的增大而增大。
8.根據(jù)權(quán)利要求5所述的文本檢測模型的訓練方法，其特征在于，所述第一閾值與所述第二閾值滿足如下關(guān)系：。
9.根據(jù)權(quán)利要求5或8所述的文本檢測模型的訓練方法，其特征在于，所述第一閾值的取值范圍為0.90~0.99；所述第二閾值的取值范圍為0.15~0.25。
10.根據(jù)權(quán)利要求1所述的文本檢測模型的訓練方法，其特征在于，所述損失函數(shù)采用如下公式：
其中，表示所述損失函數(shù)；表示所述標注值，表示所述標注值為正樣本，表示所述標注值為負樣本；表示所述預測值；
表示簡單樣本判定函數(shù)；
表示針對正樣本的簡單樣本判定函數(shù)，為所述第一閾值，；
表示針對負樣本的簡單樣本判定函數(shù)，為所述第二閾值，；
表示針對正樣本的權(quán)重系數(shù)函數(shù)；
表示針對負樣本的權(quán)重系數(shù)函數(shù)。
11.根據(jù)權(quán)利要求10所述的文本檢測模型的訓練方法，其特征在于，的取值范圍為1.5~5.0。
12.根據(jù)權(quán)利要求10所述的文本檢測模型的訓練方法，其特征在于，所述第二閾值小于所述第一閾值。
13.根據(jù)權(quán)利要求12所述的文本檢測模型的訓練方法，其特征在于，所述第一閾值的取值范圍為0.90~0.99；所述第二閾值的取值范圍為0.75~0.85。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于北京世紀好未來教育科技有限公司，未經(jīng)北京世紀好未來教育科技有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110255729.3/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
