模型的解码方法、文本识别方法、装置、介质及设备与流程

1.本公开涉及图像处理领域，具体地，涉及一种模型的解码方法、文本识别方法、装置、介质及设备。


背景技术：

2.光学字符识别(optical character recognition，ocr)是指对图像文件进行分析识别处理，以获取图像文件中的文字信息的过程。ocr通常分为文本检测和文本识别两个过程，其中在文本识别过程中需要将文本检测模块分割好的文字区域子图进行识别得到文本信息。
3.相关技术中，可以基于神经网络进行训练获得相应的文本识别模型，而由于图像的清晰度不足或者图像中的文本存在重复字符，可能会在基于文本识别模型进行解码的过程中发生注意力漂移，从而无法精确地定位当前字符所在位置导致定位跑偏，出现对字符的重复识别或者漏识别的问题。


技术实现要素：

4.提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
5.第一方面，本公开提供一种文本识别模型的解码方法，所述方法包括：
6.获取待识别文本图像对应的编码向量；
7.确定解码器中的注意力层当前时刻进行解码对应的掩膜向量，其中，所述掩膜向量用于表示所述注意力层定位过的位置信息，所述文本识别模型包括编码器和解码器，所述编码器用于对接收到的待识别文本图像进行编码，获得所述编码向量；
8.根据所述掩膜向量对所述注意力层当前时刻的注意力分布信息进行更新，获得当前时刻对应的目标注意力权重；
9.根据所述目标注意力权重和所述编码向量进行解码，获得文本识别模型的识别结果。
10.第二方面，本公开提供一种文本识别方法，所述方法包括：
11.接收待识别文本图像；
12.将所述待识别文本图像输入文本识别模型，获得所述待识别文本图像的识别结果，其中，所述文本识别模型包括编码器和解码器，所述编码器用于对所述待识别文本图像进行编码获得编码向量，所述解码器用于根据第一方面所述的文本识别模型的解码方法对所述编码向量进行解码，以获得所述识别结果。
13.第三方面，本公开提供一种文本识别模型的解码装置，所述装置包括：
14.获取模块，用于获取待识别文本图像对应的编码向量；
15.确定模块，用于确定解码器中的注意力层当前时刻进行解码对应的掩膜向量，其
中，所述掩膜向量用于表示所述注意力层定位过的位置信息，所述文本识别模型包括编码器和解码器，所述编码器用于对接收到的待识别文本图像进行编码，获得所述编码向量；
16.更新模块，用于根据所述掩膜向量对所述注意力层当前时刻的注意力分布信息进行更新，获得当前时刻对应的目标注意力权重；
17.解码模块，用于根据所述目标注意力权重和所述编码向量进行解码，获得文本识别模型的识别结果。
18.第四方面，本公开提供一种文本识别装置，所述装置包括：
19.接收模块，用于接收待识别文本图像；
20.处理模块，用于将所述待识别文本图像输入文本识别模型，获得所述待识别文本图像的识别结果，其中，所述文本识别模型包括编码器和解码器，所述编码器用于对所述待识别文本图像进行编码获得编码向量，所述解码器用于根据第一方面所述的文本识别模型的解码方法对所述编码向量进行解码，以获得所述识别结果。
21.第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面或第二方面所述方法的步骤。
22.第六方面，本公开提供一种电子设备，包括：
23.存储装置，其上存储有计算机程序；
24.处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面或第二方面所述方法的步骤。
25.由此，通过上述技术方案，在文本识别模型的解码器进行解码的过程中，在注意力层进行注意力处理时，可以根据解码过程中已经定位的位置信息对注意力分布信息进行更新，进而生成当前时刻的注意力权重，提高获得的注意力权重的准确性和解码过程的匹配度，在一定程度上避免出现注意力漂移的情况，从而可以避免对文本图像的字符漏识别和对同一位置进行重复定位，保证文本识别的识别结果的准确性，提升用户使用体验。
26.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
27.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
28.图1是根据本公开的一种实施方式提供的文本识别模型的解码方法的流程图；
29.图2是根据本公开的一种实施方式提供的文本识别模型的结构示意图；
30.图3是根据本公开的一种实施方式提供的确定掩膜向量的示意图；
31.图4是根据本公开的一种实施方式提供的文本识别模型的解码装置的框图；
32.图5示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
33.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的
是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
34.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
35.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
36.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
37.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
38.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
39.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
40.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
41.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
42.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
43.同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
44.图1所示，为根据本公开的一种实施方式提供的文本识别模型的解码方法的流程图，如图1所示，所述方法可以包括：
45.在步骤11中，获取待识别文本图像对应的编码向量。
46.在步骤12中，确定解码器中的注意力层当前时刻进行解码对应的掩膜向量，其中，所述掩膜向量用于表示所述注意力层定位过的位置信息，所述文本识别模型包括编码器和解码器，所述编码器用于对接收到的待识别文本图像进行编码，获得所述编码向量。
47.其中，该文本识别模型可以通过transformer模型实现，如图2所示，为文本识别模型的结构示意图，文本识别模型中可以包括编码器encoder和解码器decoder，其中a1用于表示该编码器的结构，其可以通过本领域中transformer模型中的编码器实现，在此不再赘述，a2用于表示该解码器的结构，其中，a21用于表示解码器中的注意力层，图示中的多头注
意力为示例性说明，不对本公开进行限定。
48.示例地，在解码器进行解码的过程中，解码器每一步都只解码一个词，解码器的输入为编码器的输出，以及解码器在上一时刻i-1的输出结果，即图2中的输出向量，之后经过注意力层进行注意力特征处理获得注意力特征，进而经过前馈神经网络获得当前时刻i的输出词的概率分布，以确定当前时刻i的输出结果，并进一步作为解码器在下一时刻i 1的输入，重复上述操作直到解码结束，获得识别结果。
49.在注意力层中进行注意力特征处理获得注意力特征时，可以确定在当前时刻生成注意力特征时已经关注过的位置，即注意力层定位过的位置信息，则在该实施例中可以通过掩膜向量对注意力层已经关注过的位置信息进行显性表征，以为后续解码过程提供数据支持。
50.在步骤13中，根据掩膜向量对注意力层的注意力分布信息进行更新，获得当前时刻对应的目标注意力权重。
51.其中，在注意力层中可以基于该注意力层的输入(即编码向量和上一时刻解码器的输出)形成的输入矩阵x，并对矩阵x进行线性变化获得矩阵q(query)、k(key)和v(value)，之后则可以通过矩阵q和k
t
(k的转置矩阵)进行矩阵乘法计算获得相似度矩阵。作为示例，可以将该相似度矩阵作为该注意力分布信息。作为另一示例，可以对相似度矩阵中的每一元素除以以对相似度矩阵中的元素进行调整，其中dk为矩阵k的维度。相应地，可以将调整后的相似度矩阵作为该注意力分布信息。
52.在该实施例中，注意力分布信息为基于当前时刻的输入特征确定出的注意力分布特征，掩膜向量用于表示所述注意力层已经定位过的位置信息，因此针对此类已经定位过的位置信息对应的特征，在后续的解码过程中不应再被关注，则该实施例中，可以基于掩膜向量对注意力层确定出的注意力分布信息进行更新，以避免对已经定位过的位置信息的特征再次定位而导致的注意力漂移。
53.在步骤14中，根据目标注意力权重和编码向量进行解码，获得文本识别模型的识别结果。
54.其中，在确定出目标注意力权重后，则可以将该目标注意力权重与基于上一时刻编码器的输出和该编码向量生成的矩阵v进行矩阵乘法计算，即基于目标注意力权重对注意力层的输入特征进行加权求和，获得注意力层的输出特征，即注意力特征。之后，将该注意力特征输入解码器中的前馈神经网络进行线性变化获得当前时刻i对应的输出词的概率分布，进而获得当前时刻i的识别结果。通过重复上述过程到解码结束，获得待识别文本图像对应的识别结果。其中，前馈神经网络的结构和设置可以基于本领域中常用的transformer模型中的网络结构，本公开对此不作限定。
55.由此，通过上述技术方案，在文本识别模型的解码器进行解码的过程中，在注意力层进行注意力处理时，可以根据解码过程中已经定位的位置信息对注意力分布信息进行更新，进而生成当前时刻的注意力权重，提高获得的注意力权重的准确性和解码过程的匹配度，在一定程度上避免出现注意力漂移的情况，从而可以避免对文本图像的字符漏识别和对同一位置进行重复定位，保证文本识别的识别结果的准确性，提升用户使用体验。
56.在一种可能的实施例中，步骤12中确定解码器中的注意力层当前时刻进行解码对
应的掩膜向量的示例性实现方式如下，该步骤可以包括：
57.若当前时刻为解码的第一个时刻，则将预置向量确定为所述掩膜向量。其中，当前时刻为解码的第一个时刻时，文本图像中的各个位置均未被关注过，则可以将不包含屏蔽信息的预置向量作为掩膜向量。该预置向量的表示形式可以根据实际应用场景进行设置，只需要保证文本图像中各个位置的特征被关注的概率相同即可。
58.若当前时刻不是解码的第一个时刻，则获取当前时刻之前的历史时刻解码对应的目标注意力权重，根据所述历史时刻解码对应的目标注意力权重确定所述当前时刻对应的掩膜向量。
59.示例地，当前时刻不是解码的第一个时刻，表示在当前时刻之前有部分解码步，则之前的解码步中必然已经关注定位过该文本图像中部分位置的特征。而在注意力层中通过注意力权重表示各个位置的特征被关注的程度，相应地，在该步骤中，可以获得当前时刻之前的历史时刻解码对应的目标注意力权重，则可以基于历史时刻对应的目标注意力权重确定历史时刻都关注过文本图像中的哪些位置的特征，如可以将各个历史时刻对应的目标注意力权重分别进行归一化之后进行累加，累加值大于阈值的位置可以认为已经在之前的解码过程中被关注定位，则可以将此类位置进行屏蔽，以获得该掩膜向量。
60.由此，通过上述技术方案，在当前时刻进行解码时，可以结合之前的各个历史时刻的目标注意力权重确定出当前时刻对应的掩膜向量，可以使得确定出的掩膜向量与解码过程相匹配，基于解码过程自适应确定相应的掩膜向量，保证掩膜向量的准确性。
61.在一种可能的实施例中，根据所述历史时刻解码对应的目标注意力权重确定所述当前时刻对应的掩膜向量的示例性实现方式如下，该步骤可以包括：
62.对当前时刻的上一时刻解码对应的目标注意力权重进行二值化处理，获得二值特征向量。
63.其中，可以基于预设的二值化阈值进行二值化处理。如，将目标注意力权重中对应的权重大于该二值化阈值的取值设置为1，将权重小于该二值化阈值的取值设置为0。示例地，二值化阈值可以根据实际应用场景进行设置，其可以设置为0～1中的数值，如设置为0.6，则针对目标注意力权重[0.1,0.75,0.15]，则可以进行二值化处理得出二值特征向量[0,1,0]。
[0064]
将所述二值特征向量中的每一元素取反，并与上一时刻对应的掩膜向量进行并集处理，获得所述当前时刻对应的掩膜向量。
[0065]
如图3所示为确定掩膜向量的示意图，示例地，文本图像中包含文本为ssd，第一个时刻(t0)对应的掩膜向量mask为[1,1,1]，即第一个时刻解码时不存在需要进行屏蔽的特征。在确定t1时刻对应的掩膜向量时，则是获取t0时刻的目标注意力权重，如p0所示，p0表示在第一次解码时关注第一个位置对应的特征，示例地t0时刻解码出的字符为s。
[0066]
之后，针对t1时刻而言，对p0进行二值化处理获得t1时刻的上一时刻(即t0时刻)二值特征向量b0(其中白色表示1，黑色表示0)。并对二值特征向量b0[1,0,0]中每一元素取反获得向量b0’
[0,1,1]，则可以将向量b0’
与t0时刻对应的掩膜向量进行并集处理，即将[0,1,1]和[1,1,1]进行并集处理，获得t1时刻对应的掩膜向量[0,1,1]，则基于该掩膜向量可以在t1时刻进行解码时不再关注第一个位置的特征，即取值为0的位置对应的特征，从而实现对已定位的位置的特征的屏蔽。示例地t1时刻解码出的字符为s。
[0067]
在确定t2时刻对应的掩膜向量时，则是获取t1时刻的目标注意力权重如上文所述[0.1,0.75,0.15]，对应图3中的p1，对其进行二值化处理获得二值特征向量b1，即[0,1,0]，即对于t2时刻而言，上一时刻即t1时刻对应的二值特征向量[0,1,0]，即上一时刻关注的特征为取值为1的位置对应的特征，则其在当前时刻解码时不需要关注，则可以将二值特征向量中的每一元素取反，即获得向量b1’
[1,0,1]。而在实际应用场景中上一时刻未关注的特征可以是上一时刻已经屏蔽过的特征或者上一时刻未被屏蔽但也未关注的特征，则可以进一步获取上一时刻对应的掩膜向量，以进一步从上一时刻未关注的特征中确定出哪些是上一时刻已经屏蔽过的特征，哪些是上一时刻未被屏蔽但也未关注的特征，则可以进一步获取上一时刻t1对应的掩膜向量，为[0,1,1]，其表示第一个位置是上一时刻屏蔽的位置，则当前时刻也应该屏蔽，将b1’
[1,0,1]和t1时刻对应的掩膜向量[0,1,1]进行并集处理，获得t2时刻对应的掩膜向量[0,0,1]，则基于该掩膜向量可以在t2时刻进行解码时不再关注第一个位置和第二个位置的特征，示例地t2时刻解码出的字符为d。由此，通过上述可知，在解码获得第一个s后可以对其定位的位置信息进行屏蔽，后续可以基于未定位过的特征进行识别，实现对重复字符的准确识别，保证注意力特征的准确性，有效降低对文本图像中的字符的漏识别和重复识别。
[0068]
由此，通过上述技术方案，可以在解码过程中依次对之前已经关注定位过的位置进行屏蔽合并，则在确定当前时刻对应的掩膜向量时，只需要结合上一时刻对应的目标注意力权重和上一时刻的掩膜向量，便可以确定各个历史时刻已经关注定位过的位置，保证掩膜向量的准确性的同时，可以减少计算掩膜向量所需的数据量，提高文本识别的解码效率。
[0069]
在一种可能的实施例中，所述根据所述掩膜向量对所述注意力层当前时刻的注意力分布信息进行更新，获得当前时刻对应的目标注意力权重的示例性实现方式可以包括：
[0070]
将所述注意力分布信息中、与所述掩膜向量中取值为0的位置对应的注意力分布值更新为预设值，获得更新后的注意力分布信息；
[0071]
对更新后的注意力分布信息进行归一化处理，获得所述目标注意力权重。
[0072]
如上文所述，注意力分布信息可以是矩阵q与矩阵k进行矩阵乘法计算所得的矩阵，其表示了矩阵v中每一元素对应的权重，而针对之前解码过程中已经关注的特征，可以基于掩膜向量进行屏蔽。其中，该预设值可以根据实际应用场景进行设置，示例地，其可以设置为比注意力分布信息中的最小值更小的数值，如可以设置为负无穷-inf。在掩膜向量中取值为0的位置为解码的历史时刻已经定位过的位置，将注意力分布信息中的该位置对应的注意力分布值更新预设值，即将其更新为可忽略的数值，从而使得该位置对应的特征不参与后续计算。
[0073]
其中，该归一化处理的方式可以是对更新后的注意力分布信息进行softmax处理，则在对更新后的注意力分布信息进行softmax处理时，可以将其中取值为-inf映射至0，实现对相应位置的特征的屏蔽。相应地，在后续基于目标注意力权重计算注意力特征时，则会屏蔽掉之前的历史时刻已经关注过的位置的特征，而只关注其他未被关注过的位置的特征，由此避免解码过程中的特征重复定位，保证文本识别的解码准确性，进而保证识别结果的准确性和有效性。
[0074]
在一种可能的实施例中，所述根据所述掩膜向量对所述注意力层当前时刻的注意
力分布信息进行更新，获得当前时刻对应的目标注意力权重的示例性实现方式可以包括：
[0075]
将所述掩膜向量的矩阵和所述注意力分布信息的矩阵进行矩阵点乘，获得更新后的注意力分布信息。
[0076]
其中，矩阵点乘即两个矩阵中对应元素做乘法获得矩阵。示例地，掩膜向量为[0,1,1]，注意力分布信息为[1,2,3]，则将两者进行矩阵点乘获得更新后的注意力分布信息为[0,2,3]，以此实现对第一个位置的特征的屏蔽。
[0077]
对所述更新后的注意力分布信息进行归一化处理，获得所述目标注意力权重。
[0078]
相应地，该归一化处理的方式可以是对更新后的注意力分布信息进行softmax处理，从而获得目标注意力权重，经过使用指数形式的softmax函数能够将差距大的数值距离拉的更大，从而更加突出各个特征之间的注意力权重。由此通过上述技术方案，可以基于掩膜向量和注意力分布信息对应的矩阵直接计算出更新后的注意力分布信息，提高数据处理的效率，从而为后续确定注意力特征并进行解码提供准确且有效的数据支持，避免解码过程中的特征重复定位，保证文本识别的解码准确性，进而保证识别结果的准确性和有效性。
[0079]
本公开还提供一种文本识别方法，所述方法可以包括：
[0080]
接收待识别文本图像，即可以是用户输入的图像，也可以是从其他应用中获得到的图像。
[0081]
将所述待识别文本图像输入文本识别模型，获得所述待识别文本图像的识别结果，其中，所述文本识别模型包括编码器和解码器，所述编码器用于对所述待识别文本图像进行编码获得编码向量，所述解码器用于根据上文任一所述的文本识别模型的解码方法对所述编码向量进行解码，以获得所述识别结果。
[0082]
由此，通过上述技术方案，在文本识别模型对待识别文本图像进行识别的过程中，可以根据解码过程中已经定位的位置信息确定当前时刻解码的注意力权重，从而在一定程度上避免出现注意力漂移的情况，避免对文本图像中字符漏识别或者同一位置进行重复定位，保证文本识别的识别结果的准确性，提升用户使用体验。
[0083]
本公开还提供一种文本识别模型的解码装置，如图4所示，所述装置10包括：
[0084]
获取模块100，用于获取待识别文本图像对应的编码向量；
[0085]
确定模块200，用于确定解码器中的注意力层当前时刻进行解码对应的掩膜向量，其中，所述掩膜向量用于表示所述注意力层定位过的位置信息，所述文本识别模型包括编码器和解码器，所述编码器用于对接收到的待识别文本图像进行编码，获得所述编码向量；
[0086]
更新模块300，用于根据所述掩膜向量对所述注意力层当前时刻的注意力分布信息进行更新，获得当前时刻对应的目标注意力权重；
[0087]
解码模块400，用于根据所述目标注意力权重和所述编码向量进行解码，获得文本识别模型的识别结果。
[0088]
可选地，所述确定模块包括：
[0089]
第一确定子模块，用于若当前时刻为解码的第一个时刻，则将预置向量确定为所述掩膜向量；
[0090]
第二确定子模块，用于若当前时刻不是解码的第一个时刻，则获取当前时刻之前的历史时刻解码对应的目标注意力权重，根据所述历史时刻解码对应的目标注意力权重确定所述当前时刻对应的掩膜向量。
[0091]
可选地，所述第二确定子模块包括：
[0092]
第一处理子模块，用于对当前时刻的上一时刻解码对应的目标注意力权重进行二值化处理，获得二值特征向量；
[0093]
第二处理子模块，用于将所述二值特征向量中的每一元素取反，并与上一时刻对应的掩膜向量进行并集处理，获得所述当前时刻对应的掩膜向量。
[0094]
可选地，所述更新模块包括：
[0095]
第一更新子模块，用于将所述注意力分布信息中、与所述掩膜向量中取值为0的位置对应的注意力分布值更新为预设值，获得更新后的注意力分布信息；
[0096]
第三处理子模块，用于对更新后的注意力分布信息进行归一化处理，获得所述目标注意力权重。
[0097]
可选地，所述更新模块包括：
[0098]
第二更新子模块，用于将所述掩膜向量的矩阵和所述注意力分布信息的矩阵进行矩阵点乘，获得更新后的注意力分布信息；
[0099]
第四处理子模块，用于对所述更新后的注意力分布信息进行归一化处理，获得所述目标注意力权重。
[0100]
本公开还提供一种文本识别装置，所述装置包括：
[0101]
接收模块，用于接收待识别文本图像；
[0102]
处理模块，用于将所述待识别文本图像输入文本识别模型，获得所述待识别文本图像的识别结果，其中，所述文本识别模型包括编码器和解码器，所述编码器用于对所述待识别文本图像进行编码获得编码向量，所述解码器用于根据上文任一所述的文本识别模型的解码方法对所述编码向量进行解码，以获得所述识别结果。
[0103]
下面参考图5，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0104]
如图5所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0105]
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0106]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可
读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
[0107]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0108]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0109]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0110]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待识别文本图像对应的编码向量；确定解码器中的注意力层当前时刻进行解码对应的掩膜向量，其中，所述掩膜向量用于表示所述注意力层定位过的位置信息，所述文本识别模型包括编码器和解码器，所述编码器用于对接收到的待识别文本图像进行编码，获得所述编码向量；根据所述掩膜向量对所述注意力层当前时刻的注意力分布信息进行更新，获得当前时刻对应的目标注意力权重；根据所述目标注意力权重和所述编码向量进行解码，获得文本识别模型的识别结果。
[0111]
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收待识别文本图像；将所述待识别文本图像输入文本识别模型，获得所述待识别文本图像的识别结果，其中，所述文本识别模型包括编码器和解码器，所述编码器用于对所述待识别文本图像进行编码获得编码向量，所述解码器用于根据上文任一所述的文本识别模型的解码方法对所述编码向量进行解码，以获得所述识别结果。
[0112]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0113]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0114]
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取待识别文本图像对应的编码向量的模块”。
[0115]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0116]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、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。
[0117]
根据本公开的一个或多个实施例，示例1提供了一种文本识别模型的解码方法，其中，所述方法包括：
[0118]
获取待识别文本图像对应的编码向量；
[0119]
确定解码器中的注意力层当前时刻进行解码对应的掩膜向量，其中，所述掩膜向量用于表示所述注意力层定位过的位置信息，所述文本识别模型包括编码器和解码器，所述编码器用于对接收到的待识别文本图像进行编码，获得所述编码向量；
[0120]
根据所述掩膜向量对所述注意力层当前时刻的注意力分布信息进行更新，获得当
前时刻对应的目标注意力权重；
[0121]
根据所述目标注意力权重和所述编码向量进行解码，获得文本识别模型的识别结果。
[0122]
根据本公开的一个或多个实施例，示例2提供了示例1的方法，其中，所述确定解码器中的注意力层当前时刻进行解码对应的掩膜向量，包括：
[0123]
若当前时刻为解码的第一个时刻，则将预置向量确定为所述掩膜向量；
[0124]
若当前时刻不是解码的第一个时刻，则获取当前时刻之前的历史时刻解码对应的目标注意力权重，根据所述历史时刻解码对应的目标注意力权重确定所述当前时刻对应的掩膜向量。
[0125]
根据本公开的一个或多个实施例，示例3提供了示例2的方法，其中，所述根据所述历史时刻解码对应的目标注意力权重确定所述当前时刻对应的掩膜向量，包括：
[0126]
对当前时刻的上一时刻解码对应的目标注意力权重进行二值化处理，获得二值特征向量；
[0127]
将所述二值特征向量中的每一元素取反，并与上一时刻对应的掩膜向量进行并集处理，获得所述当前时刻对应的掩膜向量。
[0128]
根据本公开的一个或多个实施例，示例4提供了示例1的方法，其中，所述根据所述掩膜向量对所述注意力层当前时刻的注意力分布信息进行更新，获得当前时刻对应的目标注意力权重，包括：
[0129]
将所述注意力分布信息中、与所述掩膜向量中取值为0的位置对应的注意力分布值更新为预设值，获得更新后的注意力分布信息；
[0130]
对更新后的注意力分布信息进行归一化处理，获得所述目标注意力权重。
[0131]
根据本公开的一个或多个实施例，示例5提供了示例1的方法，其中，所述根据所述掩膜向量对所述注意力层当前时刻的注意力分布信息进行更新，获得当前时刻对应的目标注意力权重，包括：
[0132]
将所述掩膜向量的矩阵和所述注意力分布信息的矩阵进行矩阵点乘，获得更新后的注意力分布信息；
[0133]
对所述更新后的注意力分布信息进行归一化处理，获得所述目标注意力权重。
[0134]
根据本公开的一个或多个实施例，示例6提供了一种文本识别方法，其中，所述方法包括：
[0135]
接收待识别文本图像；
[0136]
将所述待识别文本图像输入文本识别模型，获得所述待识别文本图像的识别结果，其中，所述文本识别模型包括编码器和解码器，所述编码器用于对所述待识别文本图像进行编码获得编码向量，所述解码器用于根据示例1-5中任一项所述的文本识别模型的解码方法对所述编码向量进行解码，以获得所述识别结果。
[0137]
根据本公开的一个或多个实施例，示例7提供了一种文本识别模型的解码装置，其中，所述装置包括：
[0138]
获取模块，用于获取待识别文本图像对应的编码向量；
[0139]
确定模块，用于确定解码器中的注意力层当前时刻进行解码对应的掩膜向量，其中，所述掩膜向量用于表示所述注意力层定位过的位置信息，所述文本识别模型包括编码
器和解码器，所述编码器用于对接收到的待识别文本图像进行编码，获得所述编码向量；
[0140]
更新模块，用于根据所述掩膜向量对所述注意力层当前时刻的注意力分布信息进行更新，获得当前时刻对应的目标注意力权重；
[0141]
解码模块，用于根据所述目标注意力权重和所述编码向量进行解码，获得文本识别模型的识别结果。
[0142]
根据本公开的一个或多个实施例，示例8提供了一种文本识别装置，其中，所述装置包括：
[0143]
接收模块，用于接收待识别文本图像；
[0144]
处理模块，用于将所述待识别文本图像输入文本识别模型，获得所述待识别文本图像的识别结果，其中，所述文本识别模型包括编码器和解码器，所述编码器用于对所述待识别文本图像进行编码获得编码向量，所述解码器用于根据示例1-5中任一项所述的文本识别模型的解码方法对所述编码向量进行解码，以获得所述识别结果。
[0145]
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理装置执行时实现示例1-6中任一项所述方法的步骤。
[0146]
根据本公开的一个或多个实施例，示例10提供了一种电子设备，其中，包括：
[0147]
存储装置，其上存储有计算机程序；
[0148]
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-6中任一项所述方法的步骤。
[0149]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0150]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0151]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。