[发明专利]OCR识别模型的训练方法、装置和计算机设备

权利要求书

1.一种OCR识别模型的训练方法，其特征在于，包括：

获取样本集；

对所述样本集中的部分样本进行标注，以使所述样本集包括标注样本以及非标注样本；

将所述样本集输入至预设的OCR识别网络中进行计算，得到第一特征向量集；

将所述第一特征向量集输入到用于做无监督训练的第一损失计算层，计算得到第一损失值集，以及将所述第一特征向量集输入到用于做有监督训练的第二损失计算层继续计算得到第二损失值集；

将所述第一损失值集与第二损失值集通过网络反向传播计算出网络的参数梯度，以更新所述OCR识别网络的参数直到收敛，得到OCR识别模型。

2.根据权利要求1所述的OCR识别模型的训练方法，其特征在于，所述将所述第一损失值集与第二损失值集通过网络反向传播计算出网络的参数梯度的步骤，包括：

依据所述非标注样本与所述标注样本的数量得到数量比值，依据所述数据比值获取第一系数与第二系数，其中，所述第一系数与所述第二系数的比值与所述数量比值对应；

将所述第一损失值乘以所述第一系数得到第一值，并将第二损失值乘以第二系数得到第二值，将所述第一值与第二值相加得到函数损失值；

将所述函数损失值通过网络反向传播计算参数梯度。

3.根据权利要求1所述的OCR识别模型的训练方法，其特征在于，所述将所述第一特征向量集输入到用于做有监督训练的第二损失计算层继续计算得到第二损失值集的步骤之前，包括：

判断所述第一特征向量集中的第一特征向量是否由所述标注样本计算得到的特征向量；

若是，则将所述第一特征向量输入至所述第二损失计算层中；

若否，则将所述第一特征向量剔除。

4.根据权利要求1所述的OCR识别模型的训练方法，其特征在于，所述第二损失计算层由分类网络层以及做监督训练的损失函数构建，所述将所述第一损失值集与第二损失值集通过网络反向传播计算出网络的参数梯度，以更新所述OCR识别网络的参数直到收敛，得到OCR识别模型的步骤之后，包括：

获取需要扩展识别的字符样本集，所述字符样本集中包括多种不同类型的字符样本；

将所述字符样本集输入至所述OCR识别模型中的OCR识别网络进行计算，得到与各所述字符样本对应的第二特征向量；

对所有同类型的所述第二特征向量分别计算得到中心向量，每一所述中心向量对应一种类型的字符样本；

依据各类的所述字符样本的中心向量更改所述分类网络层的权值矩阵，以得到扩展识别字符后的OCR识别模型。

5.根据权利要求4所述的OCR识别模型的训练方法，其特征在于，所述对所有同类型的所述第二特征向量分别计算得到中心向量的步骤，包括：

对所有同类型的所述第二特征向量分别进行归一化处理，并求出平均值，将所述平均值作为所述中心向量。

6.根据权利要4所述的OCR识别模型的训练方法，其特征在于，所述第一损失计算层由Contrastive LOSS函数构建，所述第二损失计算层由分类网络层以及CTC LOSS函数构建。

7.一种OCR识别模型的训练装置，其特征在于，包括：

获取样本单元，用于获取样本集；

标注样本单元，用于对所述样本集中的部分样本进行标注，以使所述样本集包括标注样本以及非标注样本；

输入网络单元，用于将所述样本集输入至预设的OCR识别网络中进行计算，得到第一特征向量集；

计算损失单元，用于将所述第一特征向量集输入到用于做无监督训练的第一损失计算层，计算得到第一损失值集，以及将所述第一特征向量集输入到用于做有监督训练的第二损失计算层继续计算得到第二损失值集；

更新参数单元，用于将所述第一损失值集与第二损失值集通过网络反向传播计算出网络的参数梯度，以更新所述OCR识别网络的参数直到收敛，得到OCR识别模型。