文本处理方法、装置、介质及设备

技术领域

本公开涉及计算机技术领域，具体地，涉及一种文本处理方法、装置、介质及设备。

背景技术

目前，在文本识别任务过程中，通常是分为两个阶段进行，第一阶段为基于图像分割的检测模型，以用于确定图像中存在文本的部分，第二阶段则是基于图像识别的识别模型对文本内容的识别，如将图像中存在文本的部分提取出来，以用于进行文本内容识别。在该过程中不仅计算量较大，同时检测模型和识别模型之间的交互不足，多阶段下的识别使得当前阶段的结果过多依赖与前一阶段的结果，最终结果的稳定性不足。

发明内容

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。

第一方面，本公开提供一种文本处理方法，所述方法包括：

接收待处理的文本图像；

将所述文本图像输入文本处理模型，获得所述文本图像对应的检测结果和识别结果；

其中，所述文本处理模型包括特征提取层、编码层、解码层和预测层，通过所述特征提取层对所述文本图像进行特征提取，获得所述文本图像对应的图像特征；通过所述编码层对所述图像特征进行编码，以获得所述文本图像对应的检测特征和识别特征，并对检测特征和识别特征进行拼接，以获得图像拼接特征；通过所述解码层对所述图像拼接特征进行解码处理，获得所述文本图像对应的处理特征；通过所述预测层基于所述处理特征进行预测，获得所述文本图像对应的检测结果和识别结果。

第二方面，本公开提供一种文本处理装置，所述装置包括：

接收模块，用于接收待处理的文本图像；

处理模块，用于将所述文本图像输入文本处理模型，获得所述文本图像对应的检测结果和识别结果；

其中，所述文本处理模型包括特征提取层、编码层、解码层和预测层，所述处理模块包括：第一提取子模块，用于通过所述特征提取层对所述文本图像进行特征提取，获得所述文本图像对应的图像特征；第一编码子模块，用于通过所述编码层对所述图像特征进行编码，以获得所述文本图像对应的检测特征和识别特征，并对检测特征和识别特征进行拼接，以获得图像拼接特征；解码子模块，用于通过所述解码层对所述图像拼接特征进行解码处理，获得所述文本图像对应的处理特征；第一处理子模块，用于通过所述预测层基于所述处理特征进行预测，获得所述文本图像对应的检测结果和识别结果。

第三方面，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所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。

通过上述技术方案可以通过端到端的文本处理模型对文本图像进行处理，以同时获得文本图像对应的检测结果和识别结果，从而可以一定程度上提高文本处理的效率。并且，在上述技术方案中，在文本处理模型中检测特征和识别特征的处理可以使用一个共享的解码器，则解码的过程中能够实现对检测特征和识别特征的多模态交互，以便于同时结合检测特征和识别特征进行文本处理，既可以提高文本处理的效率，又能够提高文本图像对应的检测结果和识别结果的准确度。

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

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：

图1是根据本公开的一种实施方式提供的文本处理方法的流程图；

图2是根据本公开的一种实施方式提供的文本处理模型中的解码层的结构示意图；

图3是根据本公开的一种实施方式提供的文本处理装置的框图；

图4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

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。

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。

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。

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。

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”。

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。

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。

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。

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。

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。

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。

图1所示，为根据本公开的一种实施方式提供的文本处理方法的流程图，如图1所示，所述方法包括：

在步骤11中，接收待处理的文本图像。其中，待处理的文本图像可以是用户拍摄的图像，以对其中的文本内容进行识别，也可以是从网页中导出或下载的图像，对此不作限定。

在步骤12中，将文本图像输入文本处理模型，获得文本图像对应的检测结果和识别结果，其中，所述文本处理模型包括特征提取层、编码层、解码层和预测层。

通过所述特征提取层对所述文本图像进行特征提取，获得所述文本图像对应的图像特征；通过所述编码层对所述图像特征进行编码，以获得所述文本图像对应的检测特征和识别特征，并对检测特征和识别特征进行拼接，以获得图像拼接特征；通过所述解码层对所述图像拼接特征进行解码处理，获得所述文本图像对应的处理特征；通过所述预测层基于所述处理特征进行预测，获得所述文本图像对应的检测结果和识别结果。

由此，通过上述技术方案可以通过端到端的文本处理模型对文本图像进行处理，以同时获得文本图像对应的检测结果和识别结果，从而可以一定程度上提高文本处理的效率。并且，在上述技术方案中，在文本处理模型中检测特征和识别特征的处理可以使用一个共享的解码器，则解码的过程中能够实现对检测特征和识别特征的多模态交互，以便于同时结合检测特征和识别特征进行文本处理，既可以提高文本处理的效率，又能够提高文本图像对应的检测结果和识别结果的准确度。

在一种可能的实施例中，所述通过所述特征提取层对所述文本图像进行特征提取，获得所述文本图像对应的图像特征，可以包括：

基于所述特征提取层中的多尺度特征提取模块对所述文本图像进行特征提取，获得多尺度特征。

作为示例，可以对文本图像进行预处理，以将输入的文本图像resize至固定的宽高比，以保证对多种尺寸的输入图像进行兼容和适配，提高文本处理方法的适用范围。由此，可以基于resize后所得的文本图像进行特征提取。

示例地，该多尺度特征提取模块可以是ResNet50网络实现，在进行多尺度特征提取时，可以采用本领域中ResNet50网络的通用提取方式，在此不再赘述。通过多尺度特征提取，使得获得的多尺度特征能够获得文本图像在多个尺度下的特征表示，提高多尺度特征的表达能力，为后续的文本处理提供更全面的特征表示。

在所述多尺度特征中增加位置编码和层级编码，并将增加所述位置编码和所述层级编码后的特征转换至一维特征表示，以获得所述图像特征。

其中，该位置编码Position Embedding可以是基于transformer架构中的Positional Encoding实现，其构造方式可以采用transformer架构下的任一位置编码的确定方式进行构造，如整数值标记、二进制向量标记、周期函数等，本公开对此不做限定。并且，本公开中对文本图像进行特征提取获得多尺度特征，位于不同特征层的特征点可能拥有相同的(w,h)坐标，若只通过位置编码不足以准确表征多尺度特征图上元素的位置信息，由此，在该实施例中，可以进一步增加层级编码scale-level embedding，其用于区分不同特征层，同一特征层中的所有特征点会对应相同的scale-level embedding，不同特征层的特征点对应的层级编码不同。示例地，该层级编码可以是随机初始化后跟随网络一起训练的，是可学习的。

进一步地，在编码层对特征进行编码时，是基于一维的特征进行处理的，则可以进一步地将增加所述位置编码和所述层级编码后的特征转换至一维特征表示，其中可以transformer架构中二维的特征图拆分成transformer所能接收的一维序列特征的变换方式进行转换，如可以通过patch embedding的方式文本图像对应二维的特征图转换至一维特征表示，获得该图像特征，以便后续进行编码。

由此，在上述技术方案中，通过对文本图像进行多尺度特征提取，从而可以获得文本图像对应的更全面的特征，并且通过在提取的特征中增加位置编码，以保证后续文本处理过程中保证文本处理时的位置敏感性，保证后续检测结果的准确性，并且通过增加层级编码以对多尺度特征下的不同特征层进行区分，进一步提高图像特征中的特征全面性和精度，为后续进行文本处理提供可靠的数据支持。

在一种可能的实施例中，所述通过所述编码层对所述图像特征进行编码，以获得所述文本图像对应的检测特征和识别特征，可以包括：

根据所述图像特征，基于transformer编码层进行特征编码，获得所述文本图像对应的编码特征。

其中，该编码层可以通过transformer的编码器实现，如其可以包含6层结构，每一层结构之间是串联的，每一层结构可以由可变形注意力模块deformableattention module和FFN(Feed Forward Network，前馈网络)组成。其中，deformableattention的计算过程中所述图像特征中的每一特征均可以作为一个query，以确定该特征与图像特征中的其他每一特征之间的相关度，并将相关度按照由大到小的顺序排序前N的特征作为该query的相关特征，以对特征之间的关系进行建模。

之后，基于所述相关特征的相关度确定相关特征对应的权重，如可以按照相关度的比例分别确定相关特征对应的权重，所述相关特征对应的权重之和为1，以基于相关特征进行注意力权重的分配。则在注意力计算过程中，能够通过建模对应的权重进行注意力计算，使得在特征的编码计算过程中，每一特征优先关注与其比较相关的特征，在降低数据计算量的同时有效保证编码特征的准确性和有效性。进一步地，得到的特征图通过FFN输出给下一层，将最后一层输出的特征作为该编码特征。

基于编码全连接层对所述编码特征中的每一特征进行预测，获得所述编码特征中的每一特征对应的预测位置信息，并从所述预测位置信息中确定目标位置信息。

示例地，该编码全连接层可以基于通用的全连接层结构实现，在此不再赘述。进一步地，针对编码特征中的每一特征，可以预测该特征对应的预测位置信息以及该预测位置信息对应的置信度，如针对每一特征生成该特征对应的预测框和该预测框对应的置信度。之后，可以按照置信度由高到低的顺序选择前m个预测位置信息作为该目标位置信息。其中，m可以根据实际应用场景进行设置，如m预先设置为100。预测位置信息可以通过8*25的矩形框进行表示。

针对每一所述目标位置信息，根据所述目标位置信息指示的位置，确定所述目标位置信息对应的识别特征，并将所述编码特征中用于预测所述目标位置信息的特征确定为所述检测特征。

则针对每一目标位置信息，可以根据该目标位置信息指示的位置，如上文所述的8*25的矩形框，则根据该矩形框内的特征确定识别特征。其中，可以将矩形框的中心线对应的特征作为该目标位置信息对应的识别特征，即选择中间的1*25的特征作为该目标位置信息对应的识别特征。如上文所述，该目标位置信息是基于编码特征中的某一特征预测出的，则可以将所述编码特征中用于预测所述目标位置信息的特征确定为所述检测特征，并将目标位置信息对应的检测特征和识别特征进行拼接，如针对每一目标位置信息，其可以获得1*26的特征。

由此，通过上述技术方案，可以通过对图像特征进行编码以获得准确的编码特征，同时可以对检测特征和识别特征进行初步预测，以保证检测特征和识别特征的准确性。在该技术方案中，针对每一目标位置信息，在编码特征中确定该目标位置信息对应的检测特征和识别特征，一方面可以提高检测特征和识别特征的准确性，另一方面可以为后续基于检测特征和识别特征进行多模态交互解码提供可靠的数据支持。

在一种可能的实施例中，如图2所示，所述解码层如图2中的A所示，所述通过所述解码层对所述图像拼接特征进行解码处理，获得所述文本图像对应的处理特征，可以包括：

根据所述图像拼接特征进行多模态注意力处理，获得第一注意力特征。

如图2所示S可以表示该图像拼接特征，其中D用于表示检测特征，R用于表示识别特征，作为示例，所述多模态注意力处理可以采用本领域通用的multi-modal attention进行计算，以获得第一注意力特征。

作为另一示例，所述根据所述图像拼接特征进行多模态注意力处理，获得第一注意力特征的步骤可以包括：

对所述识别特征进行文本分类处理，将所述文本分类处理过程中最后一个特征层的特征作为所述识别特征的文本特征。

如针对识别特征，可以对该识别特征向各个字符类进行分类和归一化，以获得识别特征对应的字符概率矩阵，作为该文本特征，基于该文本特征可以获得该识别特征对应的初始识别结果，如可以通过如下方式确定：

P＝softmax(W

其中，P用于表示该文本特征，

将所述检测特征和所述文本特征进行拼接，获得文本拼接特征。

示例地，可以通过如下方式将识别特征映射至语言特征下的文本特征与其对应检测特征进行拼接，如：

L＝cat(D，W

其中，L用于表示该文本拼接特征，D用于表示检测特征，cat用于表示连接操作，以将两个特征连接成一个向量，

进一步地，可以通过图像拼接特征和文本拼接特征进行多模态注意力处理。其中，在通用的注意力处理机制中，是基于同一输入特征确定查询向量、键向量和值向量，而在该实施例中，可以根据所述图像拼接特征和所述文本拼接特征进行所述多模态注意力处理，获得所述第一注意力特征，如可以根据所述图像拼接特征确定查询向量，并根据所述文本拼接特征生成键向量和值向量，并基于所述查询向量、所述键向量和所述值向量进行所述多模态注意力处理，获得所述第一注意力特征。

作为示例，查询向量Q、键向量K和值向量V的确定方式可以通过本领域中常用的方式进行转化确定，并基于通用注意力计算方式进行确定，以获得该第一注意力特征，在此不再赘述。

作为另一示例，可以在多模态注意力处理过程中确定多模态注意力权重矩阵时增加注意力掩膜矩阵，如可以通过以下方式确定注第一注意力特征F：

其中，M用于表示注意力掩膜矩阵，

由此，通过上述技术方案，在多模态注意力处理过程中，不仅可以同时对检测特征和识别特征进行交互，以进行注意力处理，以结合检测特征和识别特征，保证该第一注意力特征的准确性。另外，输入的图像拼接特征中的识别特征为图像特征，在该实施例中通过将其转换中语言特征，从而可以进一步为后续进行文本识别提高有效且可靠的数据支持，可以从图像和语言的角度进行特征处理，提高特征处理的精度。

之后，对所述第一注意力特征进行因子化注意力处理，获得第二注意力特征。

在该实施例中，可以将第一注意力特征通过FFN网络进行特征的映射，基于映射之后的特征进行因子化注意力处理。其中，因子化注意力处理可以采用本领域中的factorized self-attention算法进行处理，在factorized self-attention算法中，可以进行属于同一特征内的self-attention计算，即建模同一特征对应的文本行内的关联关系，同时可以进行不同特征之间的self-attention计算，即针对不同的特征即不同的文本之间的关联关系进行建模，从而可以进一步提高第二注意力特征中对文本图像的文本内容的关联特征表示。

对所述第二注意力特征进行交叉注意力处理，获得所述处理特征。

其中，交叉注意力处理可以基于本领域中的deformable cross attention进行计算，其具体计算方式在此不再赘述。由此，可以进一步在文本图像的图像特征中进行特征提取，并将提取到的特征通过FFN进行映射输出，作为该处理特征，如图2中C所示。

由此，通过上述技术方案，可以通过共享同一解码层对检测特征和识别特征进行同步解码，并且在该过程中通过多模态注意力处理有效增加检测特征和识别特征之间的交互，以在一定程度上提高处理特征对检测信息和识别信息进行表征的准确性，并且通过因子化注意力处理和交叉注意力处理，可以进一步建模特征内部和特征之间的关联性，同时可以提高处理特征中的特征的全面性和丰富性为，后续对检测结果和识别结果进行准确识别提供有效的数据支持。

在一种可能的实施例中，所述通过预测层基于所述处理特征进行预测，获得所述文本图像对应的检测结果和识别结果，可以包括：

基于所述预测层中的第一全连接层对所述处理特征进行分类，确定所述处理特征对应的目标分类；

基于所述预测层中的第二全连接层对所述处理特征进行位置回归，确定所述处理特征对应的位置信息；

基于所述预测层中的第三全连接层对所述处理特征进行文本识别，确定所述处理特征对应的文本信息；

根据所述处理特征对应的目标分类、所述位置信息和所述文本信息，确定所述检测结果和识别结果。

其中，所述预测层中的第一全连接层、第二全连接层和第三全连接层均可以基于本领域中通用的全连接层的结构实现，并在文本处理模型的训练过程中对其对应的参数进行调整优化，以在训练完成的文本处理模型中，直接将第一全连接层输出的结果作为目标分类，将第二全连接层输出的结果作为位置信息，并将第三全连接层输出的结果作为文本信息。

作为示例，所述根据所述处理特征对应的目标分类、所述位置信息和所述文本信息，确定所述检测结果和识别结果，可以包括：

针对每一所述处理特征，若所述处理特征对应的目标分类为前景分类，则将所述处理特征对应的位置信息作为所述检测结果，并将所述处理特征对应的文本信息确定为所述识别结果。

其中，如上文所述，在基于文本处理模型对文本图像进行处理的过程中，在确定检测特征时，可以选择前m个预测位置信息作为该目标位置信息，即在该过程中可以确定出m个检测结果和识别结果。进一步地，在该实施例中可以通过第一全连接层对处理特征进行分类，分类类别可以包括前景分类和背景分类，其中前景分类用于表示该处理特征对应的是真实的文本的特征，该背景分类用于表示该处理特征对应的是噪声的特征。相应地，若确定该处理特征对应的分类为前景分类，即表示该处理特征对应的检测结果和识别结果为对应的真实的文本的结果，则可以将该处理特征对应的位置信息作为所述检测结果，并将所述处理特征对应的文本信息确定为所述识别结果，以同时实现文本图像的检测和识别。

作为示例，文本图像中的文本边界可能是不规则的，则在该实施例中，可以通过多个位置点对该位置信息进行表示，如可以基于8个点对该位置信息进行表示，将该8个点的位置信息对应的区域作为该文本图像中的文本区域，以进一步提高文本处理方法的精度和准确性。

本公开还提供一种文本处理模型的训练方法，该方法可以包括：

获取训练样本集，其中，所述训练样本集中的每一样本包含训练文本图像以及所述训练文本图像对应的标注检测信息和标注识别信息；

通过预设模型中的特征提取层对所述训练文本图像进行特征提取，获得所述训练文本图像对应的训练图像特征；

通过所述预设模型中的编码层对所述训练图像特征进行编码，以获得所述训练文本图像对应的训练检测特征和训练识别特征，并对训练检测特征和训练识别特征进行拼接，以获得训练图像拼接特征；

通过所述预设模型中的解码层对所述训练图像拼接特征进行解码处理，获得所述训练文本图像对应的训练处理特征；

通过所述预设模型中的预测层基于所述训练处理特征进行预测，获得所述训练文本图像对应的训练检测结果和训练识别结果；

基于所述训练文本图像对应的标注检测信息和标注识别信息以及所述训练文本图像对应的训练检测结果和训练识别结果，确定所述预设模型的目标损失，并基于所述目标损失对所述预设模型进行训练，将训练完成的预设模型确定为所述文本处理模型。

由此，在文本处理模型的训练过程中，可以将训练文本图像输入文本处理模型，从而可以基于上文所述类似的过程确定训练检测结果和训练识别结果，则基于所述训练文本图像对应的标注检测信息和标注识别信息以及所述训练文本图像对应的训练检测结果和训练识别结果，确定所述预设模型的目标损失，可以包括：

示例地，模型输出训练检测结果的顺序不一定与ground truth的序列相同，则可以基于所述训练文本图像对应的标注检测信息中的标注框和训练检测结果中的预测框进行二元匹配，以确定出与各个预测框对应的标注框，如可以基于bipartite matching实现。

在确定出与每一预测框对应的标注框后，则可以基于匹配的预测框和标注框计算检测损失和识别损失，示例地，检测损失可以包含GIoU损失、L1损失以及分类loss，识别损失可以包含分类loss，上述损失的计算方式可以采用本领域中的常用损失计算方式。进一步地可以将检测方向下的检测损失和识别方向下的识别损失进行加权求和，以确定所述预设模型的目标损失，其分别对应的权重可以根据实际应用场景进行设置，本公开对此不作限定。

在确定出目标损失后，则可以基于该目标损失对预设模型的特征提取层、编码层、解码层、预测层中的参数进行优化更新，如可以采用梯度下降法进行参数优化，直至预设模型的目标损失小于预设阈值，或者该预设模型的训练次数达到预设次数，以完成预设模型的训练。

由此，通过上述技术方案可以训练端到端的文本处理模型，以便于对文本图像进行处理时，能够同时获得文本图像对应的检测结果和识别结果，提高文本处理的效率。并且，在文本处理模型中检测特征和识别特征的处理可以使用一个共享的解码器，则解码的过程中能够实现对检测特征和识别特征的多模态交互，以便于同时结合检测特征和识别特征进行文本处理，提高该文本处理模型的训练效率，并降低文本处理模型的计算数据量，以便于提高基于该文本处理模型进行文本处理的效率和准确率。

本公开还提供一种文本处理装置，如图3所示，所述装置30包括：

接收模块31，用于接收待处理的文本图像；

处理模块32，用于将所述文本图像输入文本处理模型，获得所述文本图像对应的检测结果和识别结果；

其中，所述文本处理模型包括特征提取层、编码层、解码层和预测层，所述处理模块包括：第一提取子模块，用于通过所述特征提取层对所述文本图像进行特征提取，获得所述文本图像对应的图像特征；第一编码子模块，用于通过所述编码层对所述图像特征进行编码，以获得所述文本图像对应的检测特征和识别特征，并对检测特征和识别特征进行拼接，以获得图像拼接特征；解码子模块，用于通过所述解码层对所述图像拼接特征进行解码处理，获得所述文本图像对应的处理特征；第一处理子模块，用于通过所述预测层基于所述处理特征进行预测，获得所述文本图像对应的检测结果和识别结果。

可选地，所述解码子模块包括：

第二处理子模块，用于根据所述图像拼接特征进行多模态注意力处理，获得第一注意力特征；

第三处理子模块，用于对所述第一注意力特征进行因子化注意力处理，获得第二注意力特征；

第四处理子模块，用于对所述第二注意力特征进行交叉注意力处理，获得所述处理特征。

可选地，所述第二处理子模块包括：

第一确定子模块，用于对所述识别特征进行文本分类处理，将所述文本分类处理过程中最后一个特征层的特征作为所述识别特征的文本特征；

拼接子模块，用于将所述检测特征和所述文本特征进行拼接，获得文本拼接特征；

第五处理子模块，用于根据所述图像拼接特征确定查询向量，并根据所述文本拼接特征生成键向量和值向量，并基于所述查询向量、所述键向量和所述值向量进行所述多模态注意力处理，获得所述第一注意力特征。

可选地，所述第一提取子模块包括：

第二提取子模块，用于基于所述特征提取层中的多尺度特征提取模块对所述文本图像进行特征提取，获得多尺度特征；

添加子模块，用于在所述多尺度特征中增加位置编码和层级编码，并将增加所述位置编码和所述层级编码后的特征转换至一维特征表示，以获得所述图像特征。

可选地，所述第一编码子模块包括：

第二编码子模块，用于根据所述图像特征，基于transformer编码层进行特征编码，获得所述文本图像对应的编码特征；

第一预测子模块，用于基于编码全连接层对所述编码特征中的每一特征进行预测，获得所述编码特征中的每一特征对应的预测位置信息，并从所述预测位置信息中确定目标位置信息；

第二确定子模块，用于针对每一所述目标位置信息，根据所述目标位置信息指示的位置，确定所述目标位置信息对应的识别特征，并将所述编码特征中用于预测所述目标位置信息的特征确定为所述检测特征。

可选地，所述第一处理子模块包括：

分类子模块，用于基于所述预测层中的第一全连接层对所述处理特征进行分类，确定所述处理特征对应的目标分类；

回归子模块，用于基于所述预测层中的第二全连接层对所述处理特征进行位置回归，确定所述处理特征对应的位置信息；

识别子模块，用于基于所述预测层中的第三全连接层对所述处理特征进行文本识别，确定所述处理特征对应的文本信息；

第三确定子模块，用于根据所述处理特征对应的目标分类、所述位置信息和所述文本信息，确定所述检测结果和识别结果。

可选地，所述第三确定子模块进一步用于：

针对每一所述处理特征，若所述处理特征对应的目标分类为前景分类，则将所述处理特征对应的位置信息作为所述检测结果，并将所述处理特征对应的文本信息确定为所述识别结果。

本公开还提供一种文本处理模型的训练装置，所述装置包括：

获取模块，用于获取训练样本集，其中，所述训练样本集中的每一样本包含训练文本图像以及所述训练文本图像对应的标注检测信息和标注识别信息；

提取模块，用于通过预设模型中的特征提取层对所述训练文本图像进行特征提取，获得所述训练文本图像对应的训练图像特征；

编码模块，用于通过所述预设模型中的编码层对所述训练图像特征进行编码，以获得所述训练文本图像对应的训练检测特征和训练识别特征，并对训练检测特征和训练识别特征进行拼接，以获得训练图像拼接特征；

解码模块，用于通过所述预设模型中的解码层对所述训练图像拼接特征进行解码处理，获得所述训练文本图像对应的训练处理特征；

预测模块，用于通过所述预设模型中的预测层基于所述训练处理特征进行预测，获得所述训练文本图像对应的训练检测结果和训练识别结果；

训练模块，用于基于所述训练文本图像对应的标注检测信息和标注识别信息以及所述训练文本图像对应的训练检测结果和训练识别结果，确定所述预设模型的目标损失，并基于所述目标损失对所述预设模型进行训练，将训练完成的预设模型确定为所述文本处理模型。

下面参考图4，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4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。

如图4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。

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4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。

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。

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。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，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。

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。

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：接收待处理的文本图像；将所述文本图像输入文本处理模型，获得所述文本图像对应的检测结果和识别结果；其中，所述文本处理模型包括特征提取层、编码层、解码层和预测层，通过所述特征提取层对所述文本图像进行特征提取，获得所述文本图像对应的图像特征；通过所述编码层对所述图像特征进行编码，以获得所述文本图像对应的检测特征和识别特征，并对检测特征和识别特征进行拼接，以获得图像拼接特征；通过所述解码层对所述图像拼接特征进行解码处理，获得所述文本图像对应的处理特征；通过所述预测层基于所述处理特征进行预测，获得所述文本图像对应的检测结果和识别结果。

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：获取训练样本集，其中，所述训练样本集中的每一样本包含训练文本图像以及所述训练文本图像对应的标注检测信息和标注识别信息；通过预设模型中的特征提取层对所述训练文本图像进行特征提取，获得所述训练文本图像对应的训练图像特征；通过所述预设模型中的编码层对所述训练图像特征进行编码，以获得所述训练文本图像对应的训练检测特征和训练识别特征，并对训练检测特征和训练识别特征进行拼接，以获得训练图像拼接特征；通过所述预设模型中的解码层对所述训练图像拼接特征进行解码处理，获得所述训练文本图像对应的训练处理特征；通过所述预设模型中的预测层基于所述训练处理特征进行预测，获得所述训练文本图像对应的训练检测结果和训练识别结果；基于所述训练文本图像对应的标注检测信息和标注识别信息以及所述训练文本图像对应的训练检测结果和训练识别结果，确定所述预设模型的目标损失，并基于所述目标损失对所述预设模型进行训练，将训练完成的预设模型确定为所述文本处理模型。

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)。

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。

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，接收模块还可以被描述为“接收待处理的文本图像的模块”。

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。

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。

根据本公开的一个或多个实施例，示例1提供了一种文本处理方法，其中，所述方法包括：

接收待处理的文本图像；

将所述文本图像输入文本处理模型，获得所述文本图像对应的检测结果和识别结果；

其中，所述文本处理模型包括特征提取层、编码层、解码层和预测层，通过所述特征提取层对所述文本图像进行特征提取，获得所述文本图像对应的图像特征；通过所述编码层对所述图像特征进行编码，以获得所述文本图像对应的检测特征和识别特征，并对检测特征和识别特征进行拼接，以获得图像拼接特征；通过所述解码层对所述图像拼接特征进行解码处理，获得所述文本图像对应的处理特征；通过所述预测层基于所述处理特征进行预测，获得所述文本图像对应的检测结果和识别结果。

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，所述通过所述解码层对所述图像拼接特征进行解码处理，获得所述文本图像对应的处理特征，包括：

根据所述图像拼接特征进行多模态注意力处理，获得第一注意力特征；

对所述第一注意力特征进行因子化注意力处理，获得第二注意力特征；

对所述第二注意力特征进行交叉注意力处理，获得所述处理特征。

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，所述根据所述图像拼接特征进行多模态注意力处理，获得第一注意力特征，包括：

对所述识别特征进行文本分类处理，将所述文本分类处理过程中最后一个特征层的特征作为所述识别特征的文本特征；

将所述检测特征和所述文本特征进行拼接，获得文本拼接特征；

根据所述图像拼接特征确定查询向量，并根据所述文本拼接特征生成键向量和值向量，并基于所述查询向量、所述键向量和所述值向量进行所述多模态注意力处理，获得所述第一注意力特征。

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，所述通过所述特征提取层对所述文本图像进行特征提取，获得所述文本图像对应的图像特征，包括：

基于所述特征提取层中的多尺度特征提取模块对所述文本图像进行特征提取，获得多尺度特征；

在所述多尺度特征中增加位置编码和层级编码，并将增加所述位置编码和所述层级编码后的特征转换至一维特征表示，以获得所述图像特征。

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，所述通过所述编码层对所述图像特征进行编码，以获得所述文本图像对应的检测特征和识别特征，包括：

根据所述图像特征，基于transformer编码层进行特征编码，获得所述文本图像对应的编码特征；

基于编码全连接层对所述编码特征中的每一特征进行预测，获得所述编码特征中的每一特征对应的预测位置信息，并从所述预测位置信息中确定目标位置信息；

针对每一所述目标位置信息，根据所述目标位置信息指示的位置，确定所述目标位置信息对应的识别特征，并将所述编码特征中用于预测所述目标位置信息的特征确定为所述检测特征。

根据本公开的一个或多个实施例，示例6提供了示例1的方法，其中，所述通过所述预测层基于所述处理特征进行预测，获得所述文本图像对应的检测结果和识别结果，包括：

基于所述预测层中的第一全连接层对所述处理特征进行分类，确定所述处理特征对应的目标分类；

基于所述预测层中的第二全连接层对所述处理特征进行位置回归，确定所述处理特征对应的位置信息；

基于所述预测层中的第三全连接层对所述处理特征进行文本识别，确定所述处理特征对应的文本信息；

根据所述处理特征对应的目标分类、所述位置信息和所述文本信息，确定所述检测结果和识别结果。

根据本公开的一个或多个实施例，示例7提供了示例6的方法，其中，所述根据所述处理特征对应的目标分类、所述位置信息和所述文本信息，确定所述检测结果和识别结果，包括：

针对每一所述处理特征，若所述处理特征对应的目标分类为前景分类，则将所述处理特征对应的位置信息作为所述检测结果，并将所述处理特征对应的文本信息确定为所述识别结果。

根据本公开的一个或多个实施例，示例8提供了一种文本处理装置，所述装置包括：

接收模块，用于接收待处理的文本图像；

处理模块，用于将所述文本图像输入文本处理模型，获得所述文本图像对应的检测结果和识别结果；

其中，所述文本处理模型包括特征提取层、编码层、解码层和预测层，所述处理模块包括：第一提取子模块，用于通过所述特征提取层对所述文本图像进行特征提取，获得所述文本图像对应的图像特征；第一编码子模块，用于通过所述编码层对所述图像特征进行编码，以获得所述文本图像对应的检测特征和识别特征，并对检测特征和识别特征进行拼接，以获得图像拼接特征；解码子模块，用于通过所述解码层对所述图像拼接特征进行解码处理，获得所述文本图像对应的处理特征；第一处理子模块，用于通过所述预测层基于所述处理特征进行预测，获得所述文本图像对应的检测结果和识别结果。

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，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。

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，包括：

存储装置，其上存储有计算机程序；

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1-7中任一项所述方法的步骤。

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。

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。

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。