[发明专利]句粒度标注训练样本生成方法及装置

说明书

本发明公开了一种句粒度标注训练样本生成方法及装置，该方法包括：获取字粒度标注训练样本；确定字粒度标注训练样本中的起始框和非起始框；以起始框作为当前框，开始循环流程；在每次循环流程中，查找与当前框满足预设位置条件的非起始框，确定查找出的所有非起始框中与所述当前框距离最近的非起始框，并将该距离最近的非起始框更新为当前框进入下一次循环流程；根据所述起始框以及经过所述循环流程确定的与所述起始框对应的非起始框生成句粒度标注语句框，以生成所述字粒度标注训练样本对应的句粒度标注训练样本。本发明提供了一种基于字粒度标注训练样本生成句粒度标注训练样本的方法，提高了句粒度标注训练样本的生成效率。

技术领域

本发明涉及人工智能领域，具体而言，涉及一种句粒度标注训练样本生成方法及装置。

背景技术

一般来讲OCR(Optical Character Recognition，光学字符识别)识别任务，包含至少两个环节：文字定位和文字识别。其中文字定位是OCR识别任务中的首要环节，就是检测出文字在图片中的位置，并将文字从原图中剪裁出，送给下游识别模型。下游识别模型可以是一个分类模型，也可以是一个短文本序列识别模型。简单讲，分类模型是对短文本逐字进行识别，然后组成句子。而序列识别模型是一次性对整行句子进行识别，其准确率往往高于前者。选用不同识别模型，就要求上游文字定位模型输出不同的粒度的剪裁图片，如果是分类模型则对应的是字粒度的图片，若是序列识别模型则对应输出的应该是句粒度的剪裁图片。

训练不同粒度的文字定位模型，就要求输入不同粒度的训练样本。通常情况下，标注工程师会标注到字粒度训练样本。但为了使用准确率更高的序列识别模型，我们就要使用句粒度的标注训练样本，但是让标注人员重新标注句子粒度的训练样本是不现实的，需要额外一倍的人力成本。因此，如何基于字粒度标注训练样本生成句粒度标注训练样本是本领域亟需解决的技术问题。

发明内容

本发明为了解决上述背景技术中的技术问题，提出了一种句粒度标注训练样本生成方法及装置。

为了实现上述目的，根据本发明的一个方面，提供了一种句粒度标注训练样本生成方法，该方法包括：

获取字粒度标注训练样本中每个文字框各自的坐标信息以及每个文字框中的字符数量；

根据所述字符数量以及所述坐标信息确定所有所述文字框中的起始框和非起始框；

以所述起始框作为当前框，开始循环流程；在每次循环流程中，查找与所述当前框满足预设位置条件的非起始框，确定查找出的所有非起始框中与所述当前框距离最近的非起始框，并将该距离最近的非起始框更新为当前框进入下一次循环流程；若无法查找到与所述当前框满足所述预设位置条件的非起始框，停止循环流程；

根据所述起始框以及经过所述循环流程确定的与所述起始框对应的非起始框生成句粒度标注语句框，以生成所述字粒度标注训练样本对应的句粒度标注训练样本。

可选的，所述根据所述字符数量以及所述坐标信息确定所有所述文字框中的起始框和非起始框，包括：

将字符数量等于预设值的文本框确定为起始框；以及

将左侧预设范围内不存在其他文本框的文本框确定为起始框。

可选的，所述预设位置条件包括：第一条件和第二条件；

所述第一条件，包括：非起始框的左侧横坐标大于当前框的左侧横坐标与右侧横坐标的均值；

所述第二条件，包括：非起始框的下侧高度小于或等于当前框的上侧高度，和/或，非起始框的上侧高度大于或等于当前框的下侧高度。

可选的，该句粒度标注训练样本生成方法，还包括：

根据每个起始框的坐标信息确定所有起始框中处于同一行的起始框；