[发明专利]一种基于深度神经网络的电子卷宗标题定位提取与分类方法

权利要求书

1.一种基于深度神经网络的电子卷宗标题定位提取与分类方法，其特征在于包含以下步骤：

步骤(1)将卷宗图片输入神经网络提取多张多尺寸的特征图。

步骤(2)根据输出的特征图计算类别分数以及边框位置。

步骤(3)通过多种标题选举算法推选出文书当中的标题位置以及标题类别。

2.根据权利要求1所述的一种基于深度神经网络的电子卷宗标题定位提取与分类方法，其特征在于步骤(1)中将卷宗图片输入神经网络提取多张多尺寸的特征图，具体子步骤包括：

步骤(1.1)将卷宗图像进行大小修正，图像预处理。

步骤(1.2)将预处理后的卷宗图像输入基础神经网络并在特征图大小变为初始的1/8时传入标题提议神经网络。

步骤(1.3)在标题提议神经网络中对于特征图进行多次横向长卷积以及膨胀卷积并进行合并。

步骤(1.4)在将特征图最终缩小到原图的1/32时结束，并取中间过程的两个1/8，两个1/16以及一个1/32的特征图进行计算分类。

步骤(1.5)在训练阶段采取图像旋转、填充、模糊、截取、亮度对比度调整进行图像增强。通过Jaccard选取对应的框作为正类别标记，选取预测值最低的指定个数的框作为负类别标记，将数据集分为训练、验证和测试集。通过不断改变网络参数层次结构训练网络，并最后通过边框的f-measure和分类的recall联合评估网络。

3.根据权利要求1所述的一种基于深度神经网络的电子卷宗标题定位提取与分类方法，其特征在于步骤(2)中根据输出的特征图计算类别分数以及边框位置，具体子步骤包括：

步骤(2.1)通过边框回归卷积对各层特征图预测该点映射使用在原图中的竖排多处标题中心的位置以及标题多种纵横比的长和宽。

步骤(2.2)通过额外的多层分类模块对各层特征图继续计算标题类别的特征，输出该点映射在原图中的标题类别。

4.根据权利要求1所述的一种基于深度神经网络的电子卷宗标题定位提取与分类方法，其特征在于步骤(3)中通过多种标题选举算法推选出文书当中的标题位置以及标题类别，具体子步骤包括：

步骤(3.1)先判断图像中所有点各个标题存在可能性，若存在，则获取其标题边框中心以及高度宽度的预测值。

步骤(3.2)将所有预测框经过阙值进行筛选。

步骤(3.3)修正所有标题边界框预测超出图像边界的值。

步骤(3.4)将处理后的所有标题框按照各类标题可能性降序排序，提取可能性最大的前k个标题框。

步骤(3.5)使用NMS算法选举出预测概率最大的几个边框类型及边框位置。

步骤(3.6)通过一种抑制NMS算法重新处理步骤(3.5)中得出的几个结果并最终推选出一个边框结果。

步骤(3.7)标题提出分类网络的效果采用IOU＞0.5的边框预测的f-measure以及分类的准确率联合评定。