• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)和殘差結(jié)構(gòu)單元的合同數(shù)據(jù)識(shí)別提取

    2024-11-07 00:00:00張純劉從軍
    軟件工程 2024年11期

    摘要:為提升合同中數(shù)據(jù)項(xiàng)識(shí)別和提取的準(zhǔn)確率,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork,CNN)和殘差結(jié)構(gòu)單元(ResidualBuildingUnit,RBU)結(jié)合優(yōu)化的CNN\|RECR(RealEstateTransactionContractInformationDetectionandRecognitionMethodBasedonImprovedConvolutionalNeuralNetwork)模型,并將其應(yīng)用到不動(dòng)產(chǎn)交易平臺(tái)中合同數(shù)據(jù)項(xiàng)的識(shí)別提取場(chǎng)景。首先,針對(duì)提取特征表示能力弱等問(wèn)題,設(shè)計(jì)了合同數(shù)據(jù)文本檢測(cè)網(wǎng)絡(luò)(ContractDataTextDetectionNetwork,CDTD\|Net)對(duì)合同手寫(xiě)文字的不同尺度特征進(jìn)行提?。黄浯?,與殘差結(jié)構(gòu)單元相結(jié)合,設(shè)計(jì)識(shí)別文字與識(shí)別數(shù)字模型;最后,對(duì)實(shí)例進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果顯示CNN\|RECR模型的識(shí)別準(zhǔn)確率達(dá)到97.62%,證明本方法能有效提高模型的識(shí)別性能,為實(shí)現(xiàn)低成本運(yùn)行奠定了基礎(chǔ)。

    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);殘差結(jié)構(gòu)單元;合同數(shù)據(jù);識(shí)別提取

    中圖分類(lèi)號(hào):TP391.1文獻(xiàn)標(biāo)志碼:A

    0&nbsp;引言(Introduction)

    在不動(dòng)產(chǎn)登記交易領(lǐng)域,為了加快數(shù)據(jù)的處理速度,實(shí)現(xiàn)合同的數(shù)字化管理成為關(guān)鍵。數(shù)字化合同不僅便于備份,還能快速檢索合同中的詳細(xì)信息,確保合同中的數(shù)據(jù)與相關(guān)數(shù)據(jù)庫(kù)中的信息一致,保障交易的合法性和準(zhǔn)確性[1]。因此高效地進(jìn)行合同管理、信息的識(shí)別和提取,是實(shí)現(xiàn)這一目標(biāo)的重要前提條件。

    Hewlett\|Packard公司開(kāi)發(fā)的開(kāi)源OCR(OpticalCharacterRecognition)引擎Tesseract[2]最早是于1985年由HP(Hewlett\|Packard)實(shí)驗(yàn)室的開(kāi)發(fā)團(tuán)隊(duì)發(fā)布的,通常借助光學(xué)字符識(shí)別技術(shù)(OpticalCharacterRecognition,OCR)將圖片中的信息轉(zhuǎn)化為計(jì)算機(jī)可以處理的數(shù)據(jù)[3]。ZHOU[4]提出采用改進(jìn)的連接文本區(qū)域網(wǎng)絡(luò)(CTPN)文本檢測(cè)算法和卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(CRNN)模型對(duì)自然場(chǎng)景文字進(jìn)行檢測(cè)與識(shí)別。2016年,DAI等[5]提出了殘差網(wǎng)絡(luò)(ResNet),通過(guò)引入殘差學(xué)習(xí)解決了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的梯度消失問(wèn)題。YOLO(YouOnlyLookOnce)[6]是由JosephRedmon和AliFarhadi于2016年提出的目標(biāo)檢測(cè)算法,它在實(shí)時(shí)目標(biāo)檢測(cè)方面表現(xiàn)出色。

    在數(shù)據(jù)識(shí)別提取的過(guò)程中,構(gòu)建特征庫(kù)耗時(shí)且耗力,提取的圖片特征容易被噪聲干擾。本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)和殘差結(jié)構(gòu)單元(RBU)結(jié)合優(yōu)化的CNN\|RECR(RealEstateTransactionContractInformationDetectionandRecognitionMethodBasedonImprovedConvolutionalNeuralNetwork)模型。該模型以卷積神經(jīng)網(wǎng)絡(luò)(CNN)為基礎(chǔ),并結(jié)合了殘差結(jié)構(gòu)單元(RBU)進(jìn)行優(yōu)化。通過(guò)在數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證,結(jié)果表明CNN\|RECR模型提升了合同處理任務(wù)的實(shí)用性和可靠性。

    1相關(guān)理論(Correlationtheories)

    1.1卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork,CNN)是一種深度學(xué)習(xí)模型。計(jì)算機(jī)科學(xué)家YANN在1998年提出了卷積神經(jīng)網(wǎng)絡(luò)(CNN)的概念[7],并在手寫(xiě)字符識(shí)別等領(lǐng)域展示了其卓越的性能。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在圖像處理過(guò)程中需要處理的數(shù)據(jù)量大,圖像數(shù)字化處理無(wú)法保留原有的圖像特征,導(dǎo)致圖像識(shí)別效率低下。相比之下,CNN則通過(guò)減少權(quán)重?cái)?shù)量,相比于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò),能有效地提升圖像的識(shí)別能力。卷積神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

    對(duì)于房產(chǎn)交易合同中的手寫(xiě)數(shù)據(jù)項(xiàng)的識(shí)別和提取過(guò)程,其目標(biāo)函數(shù)是連接主干網(wǎng)絡(luò)(BackboneNetwork)及文本識(shí)別頭部(TextRecognitionHead)的綜合損失函數(shù),是由3個(gè)損失函數(shù)加權(quán)在一起的,分別為連接時(shí)序分類(lèi)損失(ConnectionistTemporalClassification)、定位損失(LocalizationLoss)、分類(lèi)損失(ClassificationLoss)。

    連接時(shí)序分類(lèi)損失的數(shù)學(xué)表達(dá)式為

    其中:S表示訓(xùn)練集;LCTC(S)表示給定序列和輸入后,最終輸出正確序列的概率。

    定位損失的數(shù)學(xué)表達(dá)式為

    其中:LNLL(Y,Y′)是一整個(gè)數(shù)據(jù)集中的交叉熵?fù)p失,n是樣本數(shù)量,C是類(lèi)別數(shù)量,yij是第i個(gè)樣本的實(shí)際類(lèi)別分布,y′[KG-1mm]ij是第i個(gè)樣本的模型預(yù)測(cè)的類(lèi)別概率分布。

    對(duì)于文字識(shí)別,分類(lèi)損失選取使用交叉熵?fù)p失(Cross\|EntropyLoss)作為損失函數(shù),交叉熵?fù)p失結(jié)合Softmax函數(shù)的輸出與實(shí)際標(biāo)簽之間的差異,用于衡量模型的性能。交叉熵?fù)p失的數(shù)學(xué)表達(dá)式為

    其中:xi表示真實(shí)標(biāo)簽的第i個(gè)元素,yi表示模型預(yù)測(cè)x屬于第i個(gè)類(lèi)別的概率。

    1.2殘差結(jié)構(gòu)單元

    殘差結(jié)構(gòu)單元(RBU)是深度學(xué)習(xí)中用于構(gòu)建殘差神經(jīng)網(wǎng)絡(luò)(ResidualNeuralNetwork,ResNet)的基本組成部分。LIU等[8]的研究表明,RBU模塊能有效地提升圖像處理任務(wù)性能。殘差結(jié)構(gòu)單元模塊通過(guò)引入捷徑連接的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),有效地解決了深層網(wǎng)絡(luò)訓(xùn)練中的梯度消失問(wèn)題,它是在提出的CNN模型的基礎(chǔ)上進(jìn)行了優(yōu)化,旨在得到更高質(zhì)量的識(shí)別結(jié)果。本文通過(guò)在CNN中引入殘差模塊解決了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練困難的問(wèn)題。

    本文在文字識(shí)別模型中采用了殘差結(jié)構(gòu)單元,以緩解梯度消失問(wèn)題,同時(shí)提升特征提取能力并加速模型訓(xùn)練。

    RBU結(jié)構(gòu)如公式(4)所示:

    特征映射如公式(5)所示,是指未添加捷徑連接的公式。

    特征映射如公式(6)所示,是指添加了捷徑連接后,降低了模型優(yōu)化難度。在這里,擬合函數(shù)屬于一種數(shù)學(xué)模型,通常用于表示觀(guān)測(cè)數(shù)據(jù)之間的關(guān)系,用來(lái)學(xué)習(xí)恒等映射轉(zhuǎn)變成特征映射以及輸入的數(shù)據(jù)之間的差值。

    公式(7)表示的是一個(gè)殘差塊,通過(guò)引入殘差連接,也就是將輸入添加到映射F(x),能更好地進(jìn)行深層次網(wǎng)絡(luò)訓(xùn)練。

    基于優(yōu)化卷積的神經(jīng)網(wǎng)絡(luò)模型是在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建的,它首先對(duì)數(shù)據(jù)集進(jìn)行圖像預(yù)處理,其次在殘差結(jié)構(gòu)單元的基礎(chǔ)上進(jìn)行文本行處理及文字識(shí)別,判斷數(shù)據(jù)屬于哪一種類(lèi)型,并構(gòu)建相應(yīng)的數(shù)據(jù)模型,最后得到結(jié)果輸出。

    基于優(yōu)化卷積的神經(jīng)網(wǎng)絡(luò)模型的流程如圖3所示。

    2.1圖像預(yù)處理

    圖像預(yù)處理是在將圖像輸入計(jì)算機(jī)視覺(jué)或圖像處理任務(wù)之前,對(duì)圖像進(jìn)行的一系列操作和變換,旨在準(zhǔn)備和優(yōu)化數(shù)據(jù)。圖像預(yù)處理有利于提高模型的性能,減少噪聲和一些不必要的信息,并且可以讓模型容易學(xué)習(xí)到有用的特征。圖像預(yù)處理的模塊包括圖像的銳化、圖像二值化、圖像形態(tài)學(xué)運(yùn)算及模板匹配等。

    對(duì)于房產(chǎn)交易合同的圖像預(yù)處理,通常是在準(zhǔn)備圖像的同時(shí)進(jìn)行一些其他任務(wù),比如數(shù)據(jù)分析、文本提取等。該模塊對(duì)房產(chǎn)交易合同的掃描圖像輸入進(jìn)行整體分析,并匹配每個(gè)數(shù)據(jù)項(xiàng)的位置坐標(biāo)。其中使用高斯模糊技術(shù)對(duì)圖像中的噪點(diǎn)和一些不必要的要素進(jìn)行去除,不僅可以提高圖像的質(zhì)量,還能對(duì)識(shí)別到的合同數(shù)據(jù)圖像進(jìn)行平滑處理。公式(8)為高斯函數(shù)的概率密度函數(shù)。

    2.2文本行處理

    文本行處理是指房產(chǎn)交易合同中的文本行處理模塊提取文本行的操作。進(jìn)行掃描的合同是經(jīng)過(guò)審核且留有檔案的合同,要求對(duì)每項(xiàng)對(duì)應(yīng)的數(shù)據(jù)項(xiàng)和數(shù)據(jù)類(lèi)型進(jìn)行識(shí)別和處理。但是,對(duì)傾斜的文本進(jìn)行識(shí)別和處理時(shí),提取到的特征向量中字符特征發(fā)生了形變。在傳統(tǒng)的CRNN模型中,由于其具有時(shí)序性,因此有時(shí)會(huì)導(dǎo)致對(duì)輸入的圖像識(shí)別不完整的情況,要對(duì)特征f沿h維度進(jìn)行平局池化,以此得到序列特征f∈Rc1h×1×〖SX(〗1〖〗8〖SX)〗w。如圖4所示,模型無(wú)法識(shí)別圖像中的“張”與“健”,無(wú)法確定與標(biāo)簽相對(duì)應(yīng)的關(guān)系,圖4中c、h、w分別為輸入圖像的統(tǒng)一通道數(shù)量、通道高、通道寬。

    2.3文字的識(shí)別

    在房產(chǎn)交易合同中的識(shí)別任務(wù)可以理解為是對(duì)數(shù)據(jù)的分類(lèi)任務(wù)。通過(guò)統(tǒng)計(jì)分析,觀(guān)察到文本內(nèi)容存在文字和數(shù)字混合的情況。針對(duì)兩種不同類(lèi)型的數(shù)據(jù)進(jìn)行分析,本文設(shè)計(jì)了CDTD\|Net檢測(cè)算法用于提取不同尺度特征并進(jìn)行融合,該網(wǎng)絡(luò)基于FPN(FeaturePyramidNetworks)進(jìn)行了改進(jìn)和優(yōu)化,增加了特征提取層,它可以用于檢測(cè)和識(shí)別更小的手寫(xiě)文字,CNN\|RECR模型包含識(shí)別文字模型和識(shí)別數(shù)字模型。

    2.3.1識(shí)別文字模型構(gòu)建

    識(shí)別文字模型的構(gòu)建步驟如下。

    步驟1:圖像獲取和預(yù)處理。

    初始階段,通過(guò)在圖像采集過(guò)程獲取輸入圖像,并對(duì)獲取圖像進(jìn)行預(yù)處理操作,保證之后的分析可以在優(yōu)化的數(shù)據(jù)表示上進(jìn)行。

    步驟2:文字載體的識(shí)別獲取。

    通過(guò)模型進(jìn)行圖像識(shí)別,識(shí)別所有的文字載體[9],判斷其數(shù)據(jù)類(lèi)型,若是文字,則將其轉(zhuǎn)換為對(duì)應(yīng)的文本表示,若不是文字,則跳過(guò)該數(shù)據(jù)。在這一階段中,模型用捕獲文本信息和記錄文字在圖像中位置信息的方式,建立文字的空間分布信息。

    步驟3:轉(zhuǎn)換為對(duì)應(yīng)的文字。

    判斷識(shí)別的文字?jǐn)?shù)據(jù)類(lèi)型,若是文字,則將其轉(zhuǎn)換為對(duì)應(yīng)的文本表示。

    步驟4:記載文字的位置。

    通過(guò)識(shí)別文字具體的方位信息并進(jìn)行記載,有利于精確定位圖像中的文字,讓模型在文本的具體位置上提供更準(zhǔn)確的信息。

    步驟5:獲取語(yǔ)句結(jié)構(gòu)分布情況。

    通過(guò)RBU,模型對(duì)特征向量進(jìn)行處理并對(duì)模型的參數(shù)量進(jìn)行修改,同時(shí)通過(guò)捷徑連接加速模型參數(shù)向前傳遞。經(jīng)過(guò)RBU之后,模型執(zhí)行一維卷積層的轉(zhuǎn)換,將特征向量轉(zhuǎn)換為多維形式,獲取到語(yǔ)句結(jié)構(gòu)的分布情況[10]。最后取識(shí)別的中間特征向量中概率最大的索引值為識(shí)別結(jié)果。

    識(shí)別文字模型的流程圖如圖6所示。

    3 實(shí)驗(yàn)結(jié)果與分析(Experimentalresultsandanalysis)

    3.1實(shí)驗(yàn)數(shù)據(jù)及環(huán)境配置

    為了驗(yàn)證本文提出的CNN\|RECR模型對(duì)于房產(chǎn)交易合同文字進(jìn)行提取和識(shí)別的效果,在實(shí)驗(yàn)過(guò)程中采用存量房房產(chǎn)交易簽約合同圖片數(shù)據(jù)集進(jìn)行模型的性能測(cè)試,并對(duì)比其他模型的數(shù)據(jù)項(xiàng)識(shí)別提取效果[12]。

    3.1.1實(shí)驗(yàn)數(shù)據(jù)

    存量房房產(chǎn)交易簽約合同圖片數(shù)據(jù)集的數(shù)據(jù)集規(guī)模如表2所示;各類(lèi)數(shù)據(jù)所含信息實(shí)例如表3所示。

    3.1.2環(huán)境配置

    實(shí)驗(yàn)使用了Python編程語(yǔ)言和PyTorch框架,訓(xùn)練和測(cè)試的硬件環(huán)境是AMDRyzen54500UCPU,軟件環(huán)境基于Python3.11版本實(shí)現(xiàn)。

    3.2實(shí)驗(yàn)結(jié)果分析

    3.2.1手寫(xiě)文本檢測(cè)算法驗(yàn)證

    本文采用精確率、召回率及加權(quán)調(diào)和的平均F作為合同中手寫(xiě)文本檢測(cè)效果的指標(biāo),并與一些特征提取模型進(jìn)行了實(shí)驗(yàn)對(duì)比,如GoogleNet[13]、BertNet[14]及VGG16[15]等,驗(yàn)證CDTD\|Net在特征提取方面的優(yōu)勢(shì),對(duì)比結(jié)果如表4所示。實(shí)驗(yàn)結(jié)果表明,相比于其他的算法,CDTD\|Net在提取文本特征準(zhǔn)確率方面有了明顯的提高。

    3.2.2不同模型對(duì)于文本識(shí)別結(jié)果對(duì)比

    其中:precision(精準(zhǔn)度/插準(zhǔn)率)指被分類(lèi)器判斷為1中預(yù)測(cè)正確的比重,recall(召回率/查全率)指被預(yù)測(cè)為正例的占總正例的比重。

    本文提出了一種優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)算法。該算法使用CNN\|RECR模型,結(jié)合了殘差結(jié)構(gòu)單元,提高了對(duì)合同中數(shù)據(jù)項(xiàng)的識(shí)別、提取速度和精度。在以下4個(gè)不同的模型上進(jìn)行了數(shù)據(jù)識(shí)別提取實(shí)驗(yàn),選取了YOLOv3\|CRNN[16]、PSENet\|CRNN[17]及Tesseract[18]3個(gè)模型與本文提出的CNN\|RECR模型在對(duì)數(shù)據(jù)項(xiàng)的識(shí)別準(zhǔn)確性方面進(jìn)行了對(duì)比(圖8),實(shí)驗(yàn)結(jié)果顯示YOLOv3\|CRNN模型的識(shí)別準(zhǔn)確率為77.10%,PSENet\|CRNN模型的識(shí)別準(zhǔn)確率為80.60%,Tesseract模型的識(shí)別準(zhǔn)確率為50.02%,本文提出的CNN\|RECR模型的識(shí)別準(zhǔn)確率為97.62%。

    根據(jù)圖8和表5中的數(shù)據(jù)可以看出,在房產(chǎn)交易合同數(shù)據(jù)項(xiàng)的識(shí)別、提取過(guò)程中,在相同的數(shù)據(jù)集條件下,與YOLOv3\|CRNN、PSENet\|CRNN及Tesseract相比,CNN\|RECR模型的識(shí)別準(zhǔn)確率分別提高了20.52百分點(diǎn)、17.02百分點(diǎn)、47.60百分點(diǎn)。CNN\|RECR模型可以明顯地提高模型的識(shí)別準(zhǔn)確率。

    4結(jié)論(Conclusion)

    本文基于FPN構(gòu)造了CDTD\|Net,旨在提取手寫(xiě)數(shù)據(jù)的不同特征,并提出了基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的房產(chǎn)交易合同數(shù)據(jù)識(shí)別方法,設(shè)計(jì)了CNN\|RECR模型。CDTD\|Net可以使難以完整識(shí)別的手寫(xiě)數(shù)據(jù)更準(zhǔn)確地被識(shí)別,結(jié)合CNN與殘差結(jié)構(gòu)單元,減輕了模型的優(yōu)化難度,增強(qiáng)了其特征表示能力,同時(shí)提高了網(wǎng)絡(luò)對(duì)于文字特征的抽取能力。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的CNN模型相比,本文提出的方法對(duì)文本數(shù)據(jù)提取和識(shí)別的準(zhǔn)確率更高,并降低了存儲(chǔ)開(kāi)銷(xiāo)和計(jì)算復(fù)雜性。

    參考文獻(xiàn)(References)

    [1]趙旭升,趙前.電子合同的應(yīng)用與展望[J].中國(guó)石油企業(yè),2021(9):77\|80.

    [2]SMITHR.AnoverviewoftheTesseractOCRengine[C]∥IEEE.ProceedingsoftheNinthinternationalconferenceondocumentanalysisandrecognition(ICDAR2007.LosAlamitos:ntix4PGVjgSyva785hN5R2fnzHHL5Y5TZcrhhRlatB0=IEEEComputerSociety,2007,2:629\|633.

    [3]SABUAM,DASAS.ASurveyonvariousOpticalCharacterRecognitionTechniques[C]∥IEEE.Proceedingsofthe2018ConferenceonEmergingDevicesandSmartSystems.Piscataway:IEEE,2018:152\|155.

    [4]ZHOUY.ResearchontextdetectionandrecognitionalgorithmbasedonCNNinnaturalscene[D].Shanxi:shanxiuniversity,2020:14\|34.

    [5]DAIJF,HEKM,SUNJ.Instance\|awaresemanticsegmentationviamulti\|tasknetworkcascades[C]∥IEEE.Proceedingsofthe2016IEEEconferenceoncomputervisionandpatternrecognition.Piscataway:IEEE,2016:3150\|3158.

    [6]REDMONJ,DIVVALAS,GIRSHICKR,etal.Youonlylookonce:Unified,real\|timeobjectdetection[C]∥IEEE.Proceedingsofthe2016IEEEconferenceoncomputervisionandpatternrecognition.Piscataway:IEEE,2016:779\|788.

    [7]BONTARJ,LECUNY.Computingthestereomatchingcostwithaconvolutionalneuralnetwork[C]∥IEEE.Proceedingsofthe2015IEEEConferenceonComputerVisionandPatternRecognition.Piscataway:IEEE,2015:1592\|1599.

    [8]LIUX,SUGANUMAM,SUNZ,etal.Dualresidualnetworksleveragingthepotentialofpairedoperationsforimagerestoration[C]∥IEEE.Proceedingsofthe2019IEEE/CVFconferenceoncomputervisionandpatternrecognition.Piscataway:IEEE,2019:7007\|7016.

    [9]劉影,余進(jìn),陳莉.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多標(biāo)簽文本自動(dòng)化分類(lèi)研究[J].自動(dòng)化與儀器儀表,2023(11):62\|66.

    [10]&nbsp;徐歡,張喜銘,楊秋勇,等.基于卷積神經(jīng)網(wǎng)絡(luò)算法的電網(wǎng)數(shù)據(jù)治理方法[J].南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版),2023,43(6):102\|111.

    [11]王治學(xué).基于圖卷積神經(jīng)網(wǎng)絡(luò)的主題模型文本分類(lèi)探究[J].科技創(chuàng)新與應(yīng)用,2023,13(36):83\|86.

    [12]陳暄,吳吉義.基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛特征識(shí)別算法研究[J].電信科學(xué),2023,39(10):101\|111.

    [13]SIMONYANK,VEDALDIA,ZISSERMANA.Descriptorlearningusingconvexoptimisation[M]∥LectureNotesinComputerScience.Berlin,Heidelberg:SpringerBerlinHeidelberg,2012:243\|256.

    [14]LIUW,ANGUELOVD,ERHAND,etal.Ssd:Singleshotmultiboxdetector[C]∥Springer.ProceedingsoftheComputerVision\|ECCV2016:14theuropeanconference,amsterdam,thenetherlands,October11\|14,2016,proceedings,partI14.springerinternationalpublishing.Berlin:Springer,2016:21\|37.

    [15]SINGHS,GARGNK,KUMARM.VGG16:offlinehandwrittenDevanagariwordrecognitionusingtransferlearning[J].Multimediatoolsandapplications,2024,83(29):72561\|72594.

    [16]WUQM,SONGYT.TextdetectioninnaturalscenesbasedonYOLOv3andCRNN[J].Computerengineeringanddesign,2022,43(8):2352\|2360.

    [17]YUEB,ZHANGZT.Englishbillboardtextrecognitionusingdeeplearning[J].Journalofphysics:conferenceseries,2021,1994(1):012003.

    [18]ZENGY,MAMD.ResearchontextrecognitionbasedonTesseractOCR[J].Computertechnologyanddevelopment,2021,31(11):76\|80.

    亚洲国产看品久久| 国产极品精品免费视频能看的| 波多野结衣巨乳人妻| www.熟女人妻精品国产| 亚洲国产中文字幕在线视频| 97超级碰碰碰精品色视频在线观看| 这个男人来自地球电影免费观看| cao死你这个sao货| 少妇裸体淫交视频免费看高清| 亚洲精品美女久久久久99蜜臀| 亚洲美女视频黄频| 欧美av亚洲av综合av国产av| 麻豆成人午夜福利视频| 国产私拍福利视频在线观看| 丁香欧美五月| 午夜福利在线在线| 18禁观看日本| 亚洲熟女毛片儿| 国产亚洲av高清不卡| 亚洲午夜精品一区,二区,三区| netflix在线观看网站| 搡老熟女国产l中国老女人| 免费一级毛片在线播放高清视频| 级片在线观看| 老司机福利观看| 99久久精品国产亚洲精品| 亚洲人成电影免费在线| 成年人黄色毛片网站| 亚洲精华国产精华精| 精品久久久久久久毛片微露脸| 九色成人免费人妻av| 十八禁网站免费在线| 91麻豆精品激情在线观看国产| 日本 av在线| 午夜免费成人在线视频| 熟女电影av网| 亚洲 欧美 日韩 在线 免费| 又黄又爽又免费观看的视频| 网址你懂的国产日韩在线| 在线观看舔阴道视频| 国产激情欧美一区二区| 亚洲成av人片在线播放无| 手机成人av网站| 亚洲午夜精品一区,二区,三区| 久久久久国产精品人妻aⅴ院| 少妇熟女aⅴ在线视频| 国内精品一区二区在线观看| 757午夜福利合集在线观看| 午夜福利免费观看在线| 日本成人三级电影网站| 好看av亚洲va欧美ⅴa在| 色综合婷婷激情| 国产探花在线观看一区二区| 制服人妻中文乱码| 校园春色视频在线观看| 日本三级黄在线观看| 亚洲国产中文字幕在线视频| 校园春色视频在线观看| 久久伊人香网站| 国产精品久久电影中文字幕| 少妇的丰满在线观看| 国产69精品久久久久777片 | av福利片在线观看| 婷婷亚洲欧美| 婷婷精品国产亚洲av| 亚洲专区国产一区二区| 久久国产精品影院| 夜夜看夜夜爽夜夜摸| 女同久久另类99精品国产91| 成人高潮视频无遮挡免费网站| 免费看光身美女| 99久久精品一区二区三区| 99热这里只有是精品50| 国产在线精品亚洲第一网站| 在线播放国产精品三级| www.精华液| 国产久久久一区二区三区| 亚洲avbb在线观看| 国产久久久一区二区三区| svipshipincom国产片| 中文在线观看免费www的网站| 欧美大码av| 国产激情偷乱视频一区二区| 一级毛片高清免费大全| 国产激情偷乱视频一区二区| 欧美乱码精品一区二区三区| 在线观看舔阴道视频| 波多野结衣巨乳人妻| 91九色精品人成在线观看| 一级毛片女人18水好多| 日韩大尺度精品在线看网址| 看片在线看免费视频| 国产精品电影一区二区三区| 日日摸夜夜添夜夜添小说| 国产亚洲精品一区二区www| 亚洲自偷自拍图片 自拍| 欧美日韩瑟瑟在线播放| 又黄又粗又硬又大视频| 欧美乱色亚洲激情| 黄色日韩在线| 成年女人看的毛片在线观看| 国产一级毛片七仙女欲春2| 波多野结衣高清无吗| 日本五十路高清| 啦啦啦免费观看视频1| 欧美在线黄色| 午夜免费观看网址| АⅤ资源中文在线天堂| 久久精品影院6| 久久精品影院6| 国内毛片毛片毛片毛片毛片| 制服丝袜大香蕉在线| 亚洲aⅴ乱码一区二区在线播放| 久久天躁狠狠躁夜夜2o2o| 日本一二三区视频观看| 在线观看日韩欧美| 桃色一区二区三区在线观看| 亚洲avbb在线观看| 精品久久久久久久久久免费视频| 黑人欧美特级aaaaaa片| 好看av亚洲va欧美ⅴa在| 国产精品一区二区精品视频观看| 在线观看免费视频日本深夜| 国产精品综合久久久久久久免费| 国产爱豆传媒在线观看| av天堂在线播放| 日韩 欧美 亚洲 中文字幕| 国产蜜桃级精品一区二区三区| 国产欧美日韩精品亚洲av| 成年女人永久免费观看视频| 国产精品女同一区二区软件 | 亚洲狠狠婷婷综合久久图片| 51午夜福利影视在线观看| 久久久久九九精品影院| 麻豆国产av国片精品| 在线观看日韩欧美| 97超级碰碰碰精品色视频在线观看| 亚洲国产中文字幕在线视频| 可以在线观看毛片的网站| 一本综合久久免费| 黄色成人免费大全| 亚洲成人久久性| 神马国产精品三级电影在线观看| 久久久国产欧美日韩av| 国产高清激情床上av| 九色成人免费人妻av| 在线观看美女被高潮喷水网站 | 99久国产av精品| 久久人妻av系列| 欧美日韩国产亚洲二区| 精品不卡国产一区二区三区| 久久久久久人人人人人| 国产av在哪里看| 久久精品国产亚洲av香蕉五月| 亚洲av成人av| 99国产精品一区二区蜜桃av| 日本一二三区视频观看| 国产精品亚洲av一区麻豆| 中文字幕最新亚洲高清| 岛国在线观看网站| 国产精品综合久久久久久久免费| 99re在线观看精品视频| 欧美黑人欧美精品刺激| 制服丝袜大香蕉在线| 俺也久久电影网| bbb黄色大片| 国产激情久久老熟女| 免费观看精品视频网站| 国产伦在线观看视频一区| 一区二区三区激情视频| 国产av在哪里看| 美女黄网站色视频| 色播亚洲综合网| 国产成人av教育| 欧美一级毛片孕妇| 真人做人爱边吃奶动态| 国语自产精品视频在线第100页| 亚洲专区中文字幕在线| 久久这里只有精品中国| 国产欧美日韩精品亚洲av| 亚洲av熟女| 久9热在线精品视频| 欧美极品一区二区三区四区| 午夜精品一区二区三区免费看| 757午夜福利合集在线观看| 老汉色∧v一级毛片| 男女下面进入的视频免费午夜| 国产精品日韩av在线免费观看| 中亚洲国语对白在线视频| 精品一区二区三区四区五区乱码| 在线播放国产精品三级| 国产午夜精品论理片| 黄色 视频免费看| 色在线成人网| 日本精品一区二区三区蜜桃| 亚洲欧美日韩卡通动漫| 精品一区二区三区四区五区乱码| 国产高清videossex| 国产成+人综合+亚洲专区| 一个人看的www免费观看视频| 嫩草影视91久久| 黄色 视频免费看| 色在线成人网| 午夜福利在线在线| 在线永久观看黄色视频| 搡老妇女老女人老熟妇| 国产成人aa在线观看| 色尼玛亚洲综合影院| 国产亚洲精品av在线| 精品国产亚洲在线| 午夜福利欧美成人| 最近视频中文字幕2019在线8| 免费观看的影片在线观看| 国产激情久久老熟女| 窝窝影院91人妻| 丝袜人妻中文字幕| 午夜免费激情av| 一进一出抽搐动态| 欧洲精品卡2卡3卡4卡5卡区| 国产伦在线观看视频一区| 黄色 视频免费看| 久久天堂一区二区三区四区| 制服丝袜大香蕉在线| 女警被强在线播放| 99热这里只有是精品50| 免费看光身美女| 免费看a级黄色片| 欧美日韩中文字幕国产精品一区二区三区| 色精品久久人妻99蜜桃| 中文字幕精品亚洲无线码一区| 在线播放国产精品三级| 两性午夜刺激爽爽歪歪视频在线观看| 91字幕亚洲| 国产一区二区在线av高清观看| 一边摸一边抽搐一进一小说| 少妇的丰满在线观看| 国产精品野战在线观看| 欧美日韩综合久久久久久 | 亚洲一区二区三区色噜噜| 99久久精品热视频| 亚洲九九香蕉| 在线免费观看不下载黄p国产 | 看片在线看免费视频| 999久久久精品免费观看国产| 色综合亚洲欧美另类图片| 91av网站免费观看| 亚洲人与动物交配视频| 黄色丝袜av网址大全| 久久久久国产精品人妻aⅴ院| 国产精品影院久久| 国产一区二区在线av高清观看| 日本一二三区视频观看| av黄色大香蕉| 757午夜福利合集在线观看| 99国产极品粉嫩在线观看| 波多野结衣高清作品| 精品欧美国产一区二区三| 制服人妻中文乱码| 国产亚洲av高清不卡| 久久婷婷人人爽人人干人人爱| 日日干狠狠操夜夜爽| aaaaa片日本免费| 高潮久久久久久久久久久不卡| 黑人巨大精品欧美一区二区mp4| 国产精品av视频在线免费观看| 国产精品久久久久久人妻精品电影| 日本黄色片子视频| 少妇的逼水好多| 12—13女人毛片做爰片一| 欧美黑人欧美精品刺激| 国产精品 国内视频| 国产精品亚洲av一区麻豆| 国产成人精品久久二区二区免费| 久久精品91蜜桃| 色噜噜av男人的天堂激情| 国产成人精品久久二区二区91| 99久国产av精品| 国产精品99久久久久久久久| 日本与韩国留学比较| 国产三级黄色录像| 一级作爱视频免费观看| 中文字幕久久专区| 一区二区三区高清视频在线| 男女床上黄色一级片免费看| 日韩高清综合在线| 亚洲国产精品久久男人天堂| 欧美乱色亚洲激情| 久久欧美精品欧美久久欧美| 色综合站精品国产| 在线观看日韩欧美| 久久久久免费精品人妻一区二区| 欧美一区二区精品小视频在线| 亚洲18禁久久av| 国产精品久久久久久精品电影| 两个人视频免费观看高清| 欧美黄色淫秽网站| 一个人看视频在线观看www免费 | 男人舔女人的私密视频| 19禁男女啪啪无遮挡网站| 亚洲人成电影免费在线| 啦啦啦韩国在线观看视频| 人妻夜夜爽99麻豆av| 亚洲av美国av| 黄片大片在线免费观看| xxx96com| 在线a可以看的网站| 国产欧美日韩一区二区三| 免费观看的影片在线观看| 99精品在免费线老司机午夜| 人妻夜夜爽99麻豆av| 欧美黄色片欧美黄色片| 久99久视频精品免费| 成人一区二区视频在线观看| 老汉色∧v一级毛片| 国产精品一区二区三区四区久久| 久久久久九九精品影院| 日韩大尺度精品在线看网址| 国产乱人视频| 中文字幕熟女人妻在线| 成年免费大片在线观看| 欧美乱色亚洲激情| 国产一区在线观看成人免费| 99久久无色码亚洲精品果冻| 伦理电影免费视频| 身体一侧抽搐| 长腿黑丝高跟| 精品一区二区三区视频在线 | 亚洲 欧美一区二区三区| 日韩免费av在线播放| or卡值多少钱| 国产成人欧美在线观看| 亚洲色图av天堂| 香蕉av资源在线| 免费av不卡在线播放| 欧美色欧美亚洲另类二区| ponron亚洲| 亚洲欧美激情综合另类| 国产精品久久电影中文字幕| 岛国在线观看网站| 国产蜜桃级精品一区二区三区| 99riav亚洲国产免费| 亚洲人成网站高清观看| 老熟妇仑乱视频hdxx| 偷拍熟女少妇极品色| 特大巨黑吊av在线直播| 一二三四在线观看免费中文在| 88av欧美| 精品一区二区三区四区五区乱码| 国产精品乱码一区二三区的特点| 男女下面进入的视频免费午夜| 一边摸一边抽搐一进一小说| 精品国内亚洲2022精品成人| 午夜福利在线在线| 亚洲精品中文字幕一二三四区| 色尼玛亚洲综合影院| 久久精品91蜜桃| 日韩三级视频一区二区三区| 很黄的视频免费| 手机成人av网站| 十八禁网站免费在线| 熟女人妻精品中文字幕| 国产伦在线观看视频一区| 国产精品av视频在线免费观看| 国产欧美日韩一区二区精品| 亚洲无线观看免费| 国内揄拍国产精品人妻在线| 午夜福利视频1000在线观看| 麻豆一二三区av精品| 欧美av亚洲av综合av国产av| 午夜福利在线观看吧| 人妻丰满熟妇av一区二区三区| 人人妻,人人澡人人爽秒播| 国产精品久久久久久人妻精品电影| 欧美大码av| 亚洲精品一区av在线观看| 日本免费a在线| 国内久久婷婷六月综合欲色啪| 悠悠久久av| 香蕉丝袜av| www.熟女人妻精品国产| 国内少妇人妻偷人精品xxx网站 | 国产精品野战在线观看| 久久国产乱子免费精品| 一边摸一边抽搐一进一小说| 联通29元200g的流量卡| 国产精品福利在线免费观看| 成人无遮挡网站| 成人欧美大片| 日本午夜av视频| 亚洲精品国产av成人精品| 午夜免费男女啪啪视频观看| 草草在线视频免费看| 日本欧美国产在线视频| 国产亚洲精品av在线| av国产免费在线观看| 男插女下体视频免费在线播放| 日韩欧美在线乱码| 亚洲av成人精品一二三区| 国产麻豆成人av免费视频| 亚洲经典国产精华液单| 亚洲一级一片aⅴ在线观看| 人妻系列 视频| 国语自产精品视频在线第100页| 精品午夜福利在线看| 欧美成人精品欧美一级黄| 国产极品精品免费视频能看的| 久久久精品欧美日韩精品| 老师上课跳d突然被开到最大视频| 日韩精品青青久久久久久| 性插视频无遮挡在线免费观看| 99久久精品一区二区三区| 欧美日韩精品成人综合77777| 99久国产av精品国产电影| 欧美激情国产日韩精品一区| 免费不卡的大黄色大毛片视频在线观看 | 久久久久久九九精品二区国产| 日本av手机在线免费观看| 日本一本二区三区精品| 国产一区二区三区av在线| 日韩高清综合在线| 午夜免费男女啪啪视频观看| 亚洲欧洲国产日韩| 久久久色成人| 国内精品一区二区在线观看| 床上黄色一级片| 亚洲精品乱码久久久v下载方式| 日本-黄色视频高清免费观看| 校园人妻丝袜中文字幕| 日韩视频在线欧美| 欧美日韩精品成人综合77777| 亚洲欧美中文字幕日韩二区| 高清视频免费观看一区二区 | 亚洲伊人久久精品综合 | 波多野结衣巨乳人妻| www.色视频.com| 少妇熟女欧美另类| 看十八女毛片水多多多| 日韩强制内射视频| 国产亚洲av片在线观看秒播厂 | 国产一级毛片在线| 建设人人有责人人尽责人人享有的 | 日本免费a在线| 观看免费一级毛片| 国产精品国产三级专区第一集| 美女内射精品一级片tv| 亚洲无线观看免费| 色吧在线观看| 少妇人妻精品综合一区二区| 在线a可以看的网站| 真实男女啪啪啪动态图| 男女啪啪激烈高潮av片| 亚洲婷婷狠狠爱综合网| 久久久久久久久中文| 久久久久久久久大av| 女人被狂操c到高潮| 国产免费一级a男人的天堂| 18禁在线无遮挡免费观看视频| 18+在线观看网站| 中文精品一卡2卡3卡4更新| av线在线观看网站| 国产av在哪里看| 免费观看的影片在线观看| 九草在线视频观看| 国产视频首页在线观看| 十八禁国产超污无遮挡网站| av免费观看日本| 热99re8久久精品国产| 美女脱内裤让男人舔精品视频| 免费大片18禁| 亚洲天堂国产精品一区在线| 汤姆久久久久久久影院中文字幕 | 久久久久久久久久黄片| 一级av片app| 午夜福利高清视频| 日韩欧美精品免费久久| 国产午夜精品论理片| 亚洲熟妇中文字幕五十中出| 九九爱精品视频在线观看| 日本与韩国留学比较| 成人av在线播放网站| 老司机影院毛片| 搡老妇女老女人老熟妇| 一级爰片在线观看| 国产伦精品一区二区三区视频9| 青春草国产在线视频| ponron亚洲| 2021少妇久久久久久久久久久| 国语自产精品视频在线第100页| 狂野欧美激情性xxxx在线观看| 黄色欧美视频在线观看| 色综合亚洲欧美另类图片| 如何舔出高潮| 91午夜精品亚洲一区二区三区| 亚洲四区av| 成人亚洲欧美一区二区av| 日日摸夜夜添夜夜爱| 国产免费男女视频| 色综合站精品国产| 夜夜爽夜夜爽视频| 国产精品国产三级国产av玫瑰| 亚洲久久久久久中文字幕| av免费观看日本| 国产精品国产三级国产专区5o | 国产精品久久视频播放| 天天一区二区日本电影三级| 久久综合国产亚洲精品| a级一级毛片免费在线观看| 国产成年人精品一区二区| 日本三级黄在线观看| 国产精品无大码| 99热6这里只有精品| 国产av码专区亚洲av| 六月丁香七月| 亚洲在久久综合| 视频中文字幕在线观看| av在线亚洲专区| a级毛片免费高清观看在线播放| 啦啦啦观看免费观看视频高清| 亚洲av男天堂| 高清在线视频一区二区三区 | 久久韩国三级中文字幕| 亚洲欧美日韩东京热| 国产黄片视频在线免费观看| 久久久久免费精品人妻一区二区| 97在线视频观看| 免费人成在线观看视频色| 亚州av有码| av黄色大香蕉| 亚洲怡红院男人天堂| 久久精品国产鲁丝片午夜精品| 热99在线观看视频| 欧美丝袜亚洲另类| 亚洲av日韩在线播放| 好男人在线观看高清免费视频| 国内精品美女久久久久久| 一区二区三区乱码不卡18| 三级男女做爰猛烈吃奶摸视频| 69人妻影院| 成人高潮视频无遮挡免费网站| 视频中文字幕在线观看| 中文资源天堂在线| av在线天堂中文字幕| 麻豆成人av视频| 18禁在线播放成人免费| 亚洲性久久影院| av在线天堂中文字幕| 高清视频免费观看一区二区 | 日日干狠狠操夜夜爽| 国内精品一区二区在线观看| 女人十人毛片免费观看3o分钟| 日本熟妇午夜| 两个人视频免费观看高清| 久久久久国产网址| 嫩草影院新地址| 九草在线视频观看| 卡戴珊不雅视频在线播放| 一级黄色大片毛片| av卡一久久| 搞女人的毛片| 久久99热这里只频精品6学生 | av播播在线观看一区| 超碰97精品在线观看| 少妇人妻一区二区三区视频| 日本黄色片子视频| 亚洲自拍偷在线| 久久精品国产亚洲网站| 91aial.com中文字幕在线观看| 99热这里只有是精品在线观看| 村上凉子中文字幕在线| 又爽又黄无遮挡网站| av国产免费在线观看| 高清毛片免费看| 美女国产视频在线观看| 别揉我奶头 嗯啊视频| www.色视频.com| 国产色爽女视频免费观看| АⅤ资源中文在线天堂| 免费一级毛片在线播放高清视频| 91久久精品国产一区二区三区| 欧美日韩国产亚洲二区| 日本av手机在线免费观看| 人妻制服诱惑在线中文字幕| 欧美zozozo另类| 国产精品1区2区在线观看.| 一本久久精品| 国产成人精品久久久久久| 亚洲成人久久爱视频| 男的添女的下面高潮视频| 秋霞在线观看毛片| 日本午夜av视频| 色尼玛亚洲综合影院| 在线免费观看的www视频| 欧美97在线视频| 国产精品爽爽va在线观看网站| 亚洲欧美成人精品一区二区| 日本免费a在线| av福利片在线观看| 精品欧美国产一区二区三| 婷婷色麻豆天堂久久 | 亚洲精品,欧美精品| 免费看av在线观看网站| 日韩中字成人| 尤物成人国产欧美一区二区三区| 国产欧美另类精品又又久久亚洲欧美| av专区在线播放| 美女xxoo啪啪120秒动态图| 99久久九九国产精品国产免费| 国产精华一区二区三区| 成人毛片a级毛片在线播放| 久久精品夜色国产| 91av网一区二区| av黄色大香蕉| 国产av不卡久久| 亚洲精华国产精华液的使用体验| 搡老妇女老女人老熟妇|