• <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.

    国产午夜精品久久久久久一区二区三区| 免费观看的影片在线观看| 久久热精品热| 国产色婷婷99| av国产久精品久网站免费入址| 亚洲精品成人久久久久久| 亚洲av成人精品一区久久| 国产成人a∨麻豆精品| 国产精品成人在线| 国产精品人妻久久久久久| 中文乱码字字幕精品一区二区三区| 99久久精品国产国产毛片| 亚洲久久久久久中文字幕| 在线观看美女被高潮喷水网站| 男女边摸边吃奶| 久久久欧美国产精品| 国产黄色视频一区二区在线观看| 国产精品国产三级国产av玫瑰| 成人亚洲精品一区在线观看 | 波野结衣二区三区在线| 国产日韩欧美亚洲二区| 国产精品一区www在线观看| 日韩强制内射视频| 国产极品天堂在线| 国产成人freesex在线| 亚洲高清免费不卡视频| 看非洲黑人一级黄片| 欧美日韩视频精品一区| av在线观看视频网站免费| 日韩一区二区视频免费看| 日韩亚洲欧美综合| 亚洲国产欧美在线一区| 中文字幕av成人在线电影| 美女脱内裤让男人舔精品视频| videos熟女内射| 99久国产av精品国产电影| 日本爱情动作片www.在线观看| 99视频精品全部免费 在线| 亚洲国产精品国产精品| 少妇猛男粗大的猛烈进出视频 | 日韩强制内射视频| 国产精品福利在线免费观看| 国产探花极品一区二区| 欧美日韩亚洲高清精品| 欧美激情在线99| 一区二区av电影网| av天堂中文字幕网| 真实男女啪啪啪动态图| 国产精品熟女久久久久浪| 亚洲av福利一区| 国产永久视频网站| 免费av观看视频| 亚洲成人一二三区av| 91在线精品国自产拍蜜月| 国产精品av视频在线免费观看| 在线a可以看的网站| 最近最新中文字幕大全电影3| 老司机影院成人| 麻豆国产97在线/欧美| 亚洲av国产av综合av卡| 亚洲,欧美,日韩| 18禁动态无遮挡网站| 18禁在线无遮挡免费观看视频| 18禁裸乳无遮挡动漫免费视频 | av国产精品久久久久影院| 精品国产三级普通话版| 国产熟女欧美一区二区| 一级毛片aaaaaa免费看小| 少妇人妻精品综合一区二区| 视频中文字幕在线观看| 最新中文字幕久久久久| 99视频精品全部免费 在线| 大又大粗又爽又黄少妇毛片口| 狂野欧美激情性bbbbbb| 99九九线精品视频在线观看视频| 成人亚洲精品一区在线观看 | 亚洲精品国产色婷婷电影| 国产精品国产三级专区第一集| 国产探花极品一区二区| 久久精品国产鲁丝片午夜精品| 日本欧美国产在线视频| 亚洲av电影在线观看一区二区三区 | 国产免费一级a男人的天堂| 成人午夜精彩视频在线观看| 国产精品伦人一区二区| 一本久久精品| 欧美另类一区| 3wmmmm亚洲av在线观看| 精品熟女少妇av免费看| 一级毛片aaaaaa免费看小| 男人狂女人下面高潮的视频| 插阴视频在线观看视频| 国产亚洲午夜精品一区二区久久 | 午夜福利视频1000在线观看| 成人特级av手机在线观看| 亚洲熟女精品中文字幕| 一级毛片黄色毛片免费观看视频| 制服丝袜香蕉在线| 亚洲精品久久久久久婷婷小说| 色5月婷婷丁香| 国产大屁股一区二区在线视频| 超碰av人人做人人爽久久| 看非洲黑人一级黄片| 成人免费观看视频高清| 亚洲国产成人一精品久久久| 国产av国产精品国产| 亚洲av福利一区| 激情五月婷婷亚洲| 人人妻人人看人人澡| 99热全是精品| av国产精品久久久久影院| 亚洲精品乱码久久久久久按摩| 亚洲国产成人一精品久久久| 午夜福利视频精品| 国产黄色免费在线视频| 国产成人精品一,二区| 欧美性猛交╳xxx乱大交人| 亚洲激情五月婷婷啪啪| 伦精品一区二区三区| 精品99又大又爽又粗少妇毛片| 亚洲精品国产av成人精品| 夫妻午夜视频| 美女主播在线视频| 欧美日韩综合久久久久久| 国产伦精品一区二区三区四那| 日本黄色片子视频| 色播亚洲综合网| 国产精品一及| 91久久精品电影网| 不卡视频在线观看欧美| 别揉我奶头 嗯啊视频| 好男人在线观看高清免费视频| a级毛片免费高清观看在线播放| 日韩中字成人| 免费观看av网站的网址| 人妻 亚洲 视频| 国产精品蜜桃在线观看| 高清欧美精品videossex| 91久久精品国产一区二区三区| av国产免费在线观看| 免费观看av网站的网址| 国产精品人妻久久久久久| 熟妇人妻不卡中文字幕| 男人舔奶头视频| 精品亚洲乱码少妇综合久久| 日本欧美国产在线视频| 亚洲av.av天堂| 欧美高清性xxxxhd video| 精品少妇久久久久久888优播| 久久久成人免费电影| 亚洲精品乱码久久久久久按摩| 成人亚洲欧美一区二区av| 日韩国内少妇激情av| 男女无遮挡免费网站观看| 成人亚洲精品av一区二区| 国产精品一区www在线观看| 亚洲高清免费不卡视频| 成人漫画全彩无遮挡| 爱豆传媒免费全集在线观看| 欧美日韩在线观看h| 1000部很黄的大片| 国产男女超爽视频在线观看| 久久亚洲国产成人精品v| 在线观看人妻少妇| 如何舔出高潮| 亚洲欧美中文字幕日韩二区| 国内揄拍国产精品人妻在线| 亚洲欧美精品自产自拍| 国产91av在线免费观看| 国产精品麻豆人妻色哟哟久久| 少妇高潮的动态图| 亚洲一区二区三区欧美精品 | 夫妻午夜视频| 精品少妇久久久久久888优播| 听说在线观看完整版免费高清| 99九九线精品视频在线观看视频| 能在线免费看毛片的网站| 老司机影院成人| 免费看av在线观看网站| 在线免费观看不下载黄p国产| 下体分泌物呈黄色| 亚洲av免费高清在线观看| 欧美成人a在线观看| 成人特级av手机在线观看| 自拍欧美九色日韩亚洲蝌蚪91 | 久久韩国三级中文字幕| 久久精品综合一区二区三区| 色吧在线观看| 男女下面进入的视频免费午夜| 亚洲一区二区三区欧美精品 | 校园人妻丝袜中文字幕| 精品久久国产蜜桃| 99热网站在线观看| 婷婷色麻豆天堂久久| 亚洲精品aⅴ在线观看| 免费观看在线日韩| 美女脱内裤让男人舔精品视频| 国产男女超爽视频在线观看| 最近中文字幕2019免费版| 色综合色国产| 日韩国内少妇激情av| 欧美老熟妇乱子伦牲交| 又黄又爽又刺激的免费视频.| 国产爽快片一区二区三区| 国产一级毛片在线| 亚洲国产av新网站| 国产 精品1| 日本av手机在线免费观看| 麻豆国产97在线/欧美| 中国三级夫妇交换| 日韩欧美精品v在线| 中文天堂在线官网| 免费观看在线日韩| 亚洲国产高清在线一区二区三| 国产男女超爽视频在线观看| 久久久久久久久久人人人人人人| 亚洲成人av在线免费| 国产av码专区亚洲av| 在线播放无遮挡| 亚洲精华国产精华液的使用体验| 男女无遮挡免费网站观看| 国产高清三级在线| 亚洲av在线观看美女高潮| 狠狠精品人妻久久久久久综合| 美女高潮的动态| 性色av一级| 嘟嘟电影网在线观看| 嘟嘟电影网在线观看| 欧美高清性xxxxhd video| 欧美高清性xxxxhd video| 中文字幕制服av| 免费看av在线观看网站| 免费在线观看成人毛片| 建设人人有责人人尽责人人享有的 | 亚洲国产色片| 亚洲欧美一区二区三区国产| 久久精品夜色国产| 又爽又黄无遮挡网站| 女的被弄到高潮叫床怎么办| 最近手机中文字幕大全| 国产一区二区在线观看日韩| 草草在线视频免费看| 亚洲国产欧美在线一区| 欧美国产精品一级二级三级 | 韩国av在线不卡| 建设人人有责人人尽责人人享有的 | 在线精品无人区一区二区三 | 亚洲三级黄色毛片| 久久久精品免费免费高清| 国产在线男女| 免费看不卡的av| 国产又色又爽无遮挡免| 在线精品无人区一区二区三 | 国产 一区 欧美 日韩| 国产综合懂色| 乱码一卡2卡4卡精品| 精品一区二区三卡| 国产精品人妻久久久久久| 亚洲欧美日韩东京热| 精品国产一区二区三区久久久樱花 | 亚洲国产欧美在线一区| 夫妻午夜视频| 日本av手机在线免费观看| 成人无遮挡网站| 在线免费十八禁| 国产精品国产三级国产专区5o| 成年免费大片在线观看| 韩国高清视频一区二区三区| 又爽又黄无遮挡网站| 欧美极品一区二区三区四区| 国产乱人偷精品视频| 亚洲在线观看片| 亚洲欧美成人精品一区二区| 国产精品一区二区在线观看99| 永久网站在线| 91午夜精品亚洲一区二区三区| 午夜福利在线在线| 国产极品天堂在线| 哪个播放器可以免费观看大片| 精品久久久久久电影网| 国产精品国产三级国产av玫瑰| 欧美少妇被猛烈插入视频| av在线播放精品| 免费观看的影片在线观看| 亚洲人与动物交配视频| 亚洲成人一二三区av| 中文字幕免费在线视频6| videos熟女内射| 午夜免费男女啪啪视频观看| 十八禁网站网址无遮挡 | 国产伦在线观看视频一区| 内射极品少妇av片p| 国产精品一区二区在线观看99| 肉色欧美久久久久久久蜜桃 | 国产av国产精品国产| 18禁裸乳无遮挡免费网站照片| 久久久久网色| 国产一级毛片在线| 极品少妇高潮喷水抽搐| 天堂网av新在线| 久久精品国产亚洲av涩爱| 寂寞人妻少妇视频99o| 久久99蜜桃精品久久| 国产精品久久久久久精品电影| 亚洲av福利一区| 欧美性感艳星| 99久久精品国产国产毛片| 国产精品一二三区在线看| 国产乱人偷精品视频| 欧美老熟妇乱子伦牲交| 国产男女超爽视频在线观看| 午夜福利高清视频| 精华霜和精华液先用哪个| 色吧在线观看| 色视频在线一区二区三区| 久久国内精品自在自线图片| 色视频www国产| 男女无遮挡免费网站观看| 亚洲国产日韩一区二区| 大话2 男鬼变身卡| av播播在线观看一区| 99久久精品热视频| 久久ye,这里只有精品| 精品久久久久久久末码| 青春草国产在线视频| 精品一区二区三卡| 成人免费观看视频高清| 纵有疾风起免费观看全集完整版| 国产一区二区三区av在线| 亚洲一级一片aⅴ在线观看| 久久人人爽av亚洲精品天堂 | 国产精品无大码| 亚洲欧洲国产日韩| 一级毛片电影观看| 性插视频无遮挡在线免费观看| 简卡轻食公司| 伊人久久国产一区二区| 亚洲欧美成人精品一区二区| 日本-黄色视频高清免费观看| 少妇被粗大猛烈的视频| 丰满乱子伦码专区| av国产久精品久网站免费入址| 亚洲欧美一区二区三区国产| 国产久久久一区二区三区| 中国美白少妇内射xxxbb| 国产成人精品久久久久久| 精华霜和精华液先用哪个| 男女国产视频网站| 毛片女人毛片| 国产精品久久久久久精品古装| 天堂网av新在线| 国产老妇女一区| 国产一区二区在线观看日韩| 嫩草影院精品99| 久久久久网色| 国产久久久一区二区三区| 18+在线观看网站| 肉色欧美久久久久久久蜜桃 | 最近2019中文字幕mv第一页| 涩涩av久久男人的天堂| 亚洲,欧美,日韩| av在线蜜桃| 搡女人真爽免费视频火全软件| 色视频在线一区二区三区| 狂野欧美激情性bbbbbb| 老女人水多毛片| 亚洲av二区三区四区| 街头女战士在线观看网站| 在线观看三级黄色| 18禁在线无遮挡免费观看视频| 在线亚洲精品国产二区图片欧美 | 少妇人妻精品综合一区二区| 国产日韩欧美亚洲二区| 日韩国内少妇激情av| 国产黄色免费在线视频| 五月玫瑰六月丁香| 成人无遮挡网站| 亚洲av不卡在线观看| 久久久欧美国产精品| 国产熟女欧美一区二区| 哪个播放器可以免费观看大片| 成人漫画全彩无遮挡| 人妻少妇偷人精品九色| 真实男女啪啪啪动态图| 国产男女超爽视频在线观看| 3wmmmm亚洲av在线观看| 在线观看国产h片| 成年人午夜在线观看视频| 久久久久久久亚洲中文字幕| 精品酒店卫生间| 3wmmmm亚洲av在线观看| 九九在线视频观看精品| 久久精品夜色国产| av线在线观看网站| 久久精品国产亚洲av涩爱| 国产黄频视频在线观看| 精品一区在线观看国产| 午夜爱爱视频在线播放| 欧美97在线视频| 高清午夜精品一区二区三区| 黄片无遮挡物在线观看| 久久ye,这里只有精品| 性插视频无遮挡在线免费观看| 国产人妻一区二区三区在| 男女无遮挡免费网站观看| 国产成人精品久久久久久| av免费在线看不卡| 国产精品久久久久久av不卡| 婷婷色av中文字幕| 黄色配什么色好看| 亚洲成人中文字幕在线播放| 国产黄片视频在线免费观看| 亚洲精品中文字幕在线视频 | 十八禁网站网址无遮挡 | 国产精品爽爽va在线观看网站| 男插女下体视频免费在线播放| 最近最新中文字幕大全电影3| 在线天堂最新版资源| 国产成人免费观看mmmm| 最后的刺客免费高清国语| 久久精品国产亚洲av天美| 免费看光身美女| 日本色播在线视频| 久久97久久精品| 性色av一级| a级一级毛片免费在线观看| 久久久亚洲精品成人影院| 色哟哟·www| 免费黄色在线免费观看| 精品久久久久久久人妻蜜臀av| 人妻夜夜爽99麻豆av| 国产亚洲午夜精品一区二区久久 | 国产探花极品一区二区| 免费观看a级毛片全部| 国精品久久久久久国模美| 亚洲精品中文字幕在线视频 | 亚洲aⅴ乱码一区二区在线播放| 少妇猛男粗大的猛烈进出视频 | 国产成人精品一,二区| 国产精品不卡视频一区二区| 啦啦啦在线观看免费高清www| 在线观看三级黄色| av在线天堂中文字幕| 亚洲国产精品成人综合色| 久久午夜福利片| 国产黄色视频一区二区在线观看| 久久99热6这里只有精品| 日日啪夜夜爽| 秋霞伦理黄片| 精品人妻偷拍中文字幕| 激情五月婷婷亚洲| 秋霞在线观看毛片| 日韩国内少妇激情av| 在线观看一区二区三区| 久久久久九九精品影院| 又黄又爽又刺激的免费视频.| 1000部很黄的大片| 亚洲内射少妇av| 国产人妻一区二区三区在| 久久久精品免费免费高清| 亚洲成人精品中文字幕电影| 最近中文字幕高清免费大全6| 熟妇人妻不卡中文字幕| 高清午夜精品一区二区三区| 亚洲av福利一区| 乱系列少妇在线播放| 免费看不卡的av| 国内揄拍国产精品人妻在线| 97热精品久久久久久| 久久精品熟女亚洲av麻豆精品| 日韩人妻高清精品专区| 噜噜噜噜噜久久久久久91| 啦啦啦啦在线视频资源| 久久精品人妻少妇| 日韩av在线免费看完整版不卡| 亚洲精品国产色婷婷电影| 日本黄色片子视频| 天天一区二区日本电影三级| 日本wwww免费看| 男插女下体视频免费在线播放| 成人美女网站在线观看视频| 午夜福利高清视频| 国产av国产精品国产| 国产综合懂色| 天天躁夜夜躁狠狠久久av| 一级毛片久久久久久久久女| 成年av动漫网址| 夜夜看夜夜爽夜夜摸| 91久久精品国产一区二区三区| 男人狂女人下面高潮的视频| 国产白丝娇喘喷水9色精品| 18禁裸乳无遮挡动漫免费视频 | 联通29元200g的流量卡| 欧美亚洲 丝袜 人妻 在线| av国产精品久久久久影院| 涩涩av久久男人的天堂| 久久久亚洲精品成人影院| 性插视频无遮挡在线免费观看| 十八禁网站网址无遮挡 | 亚洲欧美一区二区三区国产| 99re6热这里在线精品视频| 精品一区二区免费观看| 日本欧美国产在线视频| 日韩电影二区| 日韩欧美精品v在线| 日韩欧美精品免费久久| 成人午夜精彩视频在线观看| 美女主播在线视频| 男人和女人高潮做爰伦理| 中国美白少妇内射xxxbb| 日韩不卡一区二区三区视频在线| 午夜爱爱视频在线播放| 亚洲国产日韩一区二区| av又黄又爽大尺度在线免费看| 建设人人有责人人尽责人人享有的 | 日日啪夜夜撸| 天天躁日日操中文字幕| 男女那种视频在线观看| 亚洲激情五月婷婷啪啪| av国产精品久久久久影院| 国产日韩欧美在线精品| 日本色播在线视频| 中文乱码字字幕精品一区二区三区| 又黄又爽又刺激的免费视频.| 亚洲av二区三区四区| 91aial.com中文字幕在线观看| 麻豆国产97在线/欧美| 久久久久精品性色| 日本av手机在线免费观看| 韩国av在线不卡| 80岁老熟妇乱子伦牲交| 寂寞人妻少妇视频99o| 最近最新中文字幕免费大全7| 日韩欧美精品免费久久| 涩涩av久久男人的天堂| 欧美区成人在线视频| 亚洲欧洲国产日韩| 日日摸夜夜添夜夜爱| 女的被弄到高潮叫床怎么办| 看十八女毛片水多多多| 九九久久精品国产亚洲av麻豆| 男男h啪啪无遮挡| 亚洲图色成人| 中国美白少妇内射xxxbb| 欧美日韩在线观看h| 简卡轻食公司| 久久久久国产网址| 自拍欧美九色日韩亚洲蝌蚪91 | 欧美日韩一区二区视频在线观看视频在线 | 免费观看a级毛片全部| 国产精品一区www在线观看| 久久女婷五月综合色啪小说 | 欧美日韩国产mv在线观看视频 | 在线观看一区二区三区激情| eeuss影院久久| 久久人人爽人人片av| 天堂中文最新版在线下载 | 下体分泌物呈黄色| 免费av不卡在线播放| 舔av片在线| 成人综合一区亚洲| 亚洲av男天堂| 中文字幕制服av| 国产精品国产三级专区第一集| 成人无遮挡网站| 特级一级黄色大片| 精品久久国产蜜桃| av在线app专区| 久久国产乱子免费精品| 亚洲国产色片| 夫妻性生交免费视频一级片| 免费大片18禁| 午夜免费观看性视频| 亚洲精品色激情综合| 久久精品国产亚洲av天美| 亚洲自拍偷在线| 男人爽女人下面视频在线观看| .国产精品久久| 69av精品久久久久久| 欧美人与善性xxx| av一本久久久久| 黄色欧美视频在线观看| 久久久成人免费电影| 亚洲人成网站在线播| 亚洲成人精品中文字幕电影| 亚洲精品第二区| 国产女主播在线喷水免费视频网站| 精品久久久久久久末码| 国产毛片a区久久久久| 嫩草影院新地址| 色5月婷婷丁香| 亚洲精品国产色婷婷电影| 亚洲三级黄色毛片| 亚州av有码| 亚洲精品一区蜜桃| 精品久久久久久久久亚洲| 一二三四中文在线观看免费高清| 日韩视频在线欧美| 免费电影在线观看免费观看| 国产爽快片一区二区三区| 午夜日本视频在线| 亚洲欧美中文字幕日韩二区| 夜夜看夜夜爽夜夜摸| 久久午夜福利片| 看十八女毛片水多多多| 嫩草影院新地址| 国产精品99久久久久久久久| 一级二级三级毛片免费看| 另类亚洲欧美激情| 国产亚洲91精品色在线| 久久久a久久爽久久v久久| 国产伦精品一区二区三区视频9| 亚洲av不卡在线观看| 精华霜和精华液先用哪个| 天堂俺去俺来也www色官网|