• <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.

    巨乳人妻的诱惑在线观看| 18禁裸乳无遮挡动漫免费视频| 亚洲欧美激情在线| 一区二区三区四区激情视频| 亚洲激情五月婷婷啪啪| 久久久久久久大尺度免费视频| 亚洲精品国产色婷婷电影| 亚洲一卡2卡3卡4卡5卡精品中文| 久久精品人人爽人人爽视色| 婷婷色av中文字幕| 日韩av在线免费看完整版不卡| 欧美黑人欧美精品刺激| av电影中文网址| svipshipincom国产片| 国产精品久久久久久人妻精品电影 | 国产成人欧美在线观看 | 精品福利永久在线观看| 亚洲少妇的诱惑av| 国产老妇伦熟女老妇高清| 狂野欧美激情性xxxx| 男女边摸边吃奶| 精品国产一区二区三区四区第35| 一级黄色大片毛片| 国产成人啪精品午夜网站| 99香蕉大伊视频| 叶爱在线成人免费视频播放| 久久亚洲精品不卡| 亚洲欧美一区二区三区国产| 91麻豆av在线| 十八禁网站网址无遮挡| 亚洲欧美日韩高清在线视频 | 久久热在线av| 美女午夜性视频免费| 欧美精品av麻豆av| 欧美黑人欧美精品刺激| 亚洲av片天天在线观看| 欧美日韩亚洲综合一区二区三区_| 亚洲成国产人片在线观看| 最近手机中文字幕大全| 美女视频免费永久观看网站| 国产精品久久久久久精品古装| 亚洲国产日韩一区二区| netflix在线观看网站| 又粗又硬又长又爽又黄的视频| 国产成人精品久久二区二区91| 亚洲,欧美精品.| 日韩制服丝袜自拍偷拍| 国产精品久久久久久精品电影小说| 亚洲av电影在线观看一区二区三区| 免费在线观看黄色视频的| 你懂的网址亚洲精品在线观看| 亚洲精品久久成人aⅴ小说| 亚洲精品国产区一区二| 色播在线永久视频| 国产精品 欧美亚洲| 中文欧美无线码| 国产亚洲精品久久久久5区| 国产淫语在线视频| 啦啦啦啦在线视频资源| 亚洲国产欧美在线一区| 肉色欧美久久久久久久蜜桃| a级片在线免费高清观看视频| 中文字幕制服av| 成年人午夜在线观看视频| 亚洲综合色网址| 婷婷色麻豆天堂久久| 波野结衣二区三区在线| 午夜免费成人在线视频| a 毛片基地| 亚洲欧美一区二区三区久久| 黑人欧美特级aaaaaa片| 中文精品一卡2卡3卡4更新| 国产精品国产三级专区第一集| 国产免费现黄频在线看| 高清视频免费观看一区二区| 中文字幕人妻丝袜一区二区| 欧美变态另类bdsm刘玥| 男人添女人高潮全过程视频| 国产精品久久久av美女十八| 无遮挡黄片免费观看| 国产又爽黄色视频| 日韩精品免费视频一区二区三区| 老汉色∧v一级毛片| 国产成人啪精品午夜网站| 午夜av观看不卡| 国产黄a三级三级三级人| 嫩草影院精品99| 美国免费a级毛片| 18禁裸乳无遮挡免费网站照片 | 天堂√8在线中文| 99国产精品一区二区三区| 中文字幕人妻熟女乱码| 亚洲黑人精品在线| 露出奶头的视频| 日韩欧美一区视频在线观看| 亚洲电影在线观看av| 精品一区二区三区av网在线观看| 久久精品国产99精品国产亚洲性色| 男女视频在线观看网站免费 | 男男h啪啪无遮挡| 亚洲欧美精品综合久久99| 欧美色视频一区免费| 夜夜爽天天搞| 久久中文字幕人妻熟女| 男女下面进入的视频免费午夜 | 久99久视频精品免费| 日韩视频一区二区在线观看| 久久久国产欧美日韩av| 亚洲中文字幕日韩| 欧美精品啪啪一区二区三区| 一区二区三区国产精品乱码| 亚洲男人的天堂狠狠| 在线看三级毛片| 欧美人与性动交α欧美精品济南到| 黑丝袜美女国产一区| 99精品欧美一区二区三区四区| 丁香欧美五月| 999久久久精品免费观看国产| 韩国av一区二区三区四区| 99热这里只有精品一区 | 日韩国内少妇激情av| 免费在线观看亚洲国产| 国产精品久久久久久人妻精品电影| 天天添夜夜摸| 久久久水蜜桃国产精品网| 国产精品,欧美在线| 最好的美女福利视频网| 12—13女人毛片做爰片一| 成年女人毛片免费观看观看9| 亚洲一卡2卡3卡4卡5卡精品中文| 18禁裸乳无遮挡免费网站照片 | 少妇被粗大的猛进出69影院| 人人妻人人澡欧美一区二区| 99久久久亚洲精品蜜臀av| 亚洲五月色婷婷综合| 国产成+人综合+亚洲专区| 精品久久久久久久久久久久久 | 亚洲av日韩精品久久久久久密| 久久久久久人人人人人| 国产精品电影一区二区三区| 啦啦啦观看免费观看视频高清| 黄色丝袜av网址大全| 欧美日韩亚洲国产一区二区在线观看| 国产一区二区在线av高清观看| 国产精品免费一区二区三区在线| 国产乱人伦免费视频| 精品一区二区三区av网在线观看| 成熟少妇高潮喷水视频| 国产成人影院久久av| 91av网站免费观看| 亚洲成人国产一区在线观看| 国产野战对白在线观看| 悠悠久久av| 亚洲 欧美 日韩 在线 免费| 美女扒开内裤让男人捅视频| aaaaa片日本免费| 中文字幕人妻熟女乱码| 操出白浆在线播放| 亚洲成av人片免费观看| 久久久久久久精品吃奶| 91av网站免费观看| 日韩三级视频一区二区三区| 亚洲真实伦在线观看| 丝袜在线中文字幕| 免费在线观看日本一区| 欧美黑人巨大hd| av有码第一页| 久久99热这里只有精品18| 欧美av亚洲av综合av国产av| 男女午夜视频在线观看| 好男人电影高清在线观看| 一边摸一边做爽爽视频免费| 香蕉丝袜av| 婷婷精品国产亚洲av在线| 少妇粗大呻吟视频| 久久欧美精品欧美久久欧美| 久久国产精品影院| 黄色成人免费大全| 无限看片的www在线观看| 搡老熟女国产l中国老女人| 99精品在免费线老司机午夜| 国产精品亚洲美女久久久| 亚洲一区二区三区不卡视频| 狂野欧美激情性xxxx| 91老司机精品| 国产高清videossex| 亚洲av电影不卡..在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| e午夜精品久久久久久久| e午夜精品久久久久久久| 黑人欧美特级aaaaaa片| 日日夜夜操网爽| 国产1区2区3区精品| 又黄又爽又免费观看的视频| 日本熟妇午夜| 天天一区二区日本电影三级| 91在线观看av| 又紧又爽又黄一区二区| 欧美精品啪啪一区二区三区| 日韩国内少妇激情av| 国产99久久九九免费精品| 欧美日韩瑟瑟在线播放| 国产伦在线观看视频一区| 搞女人的毛片| 免费在线观看视频国产中文字幕亚洲| 欧美久久黑人一区二区| 黄色丝袜av网址大全| 中文字幕最新亚洲高清| 成人永久免费在线观看视频| 好看av亚洲va欧美ⅴa在| 午夜日韩欧美国产| 日日摸夜夜添夜夜添小说| 正在播放国产对白刺激| 久久久久免费精品人妻一区二区 | 国产国语露脸激情在线看| 中国美女看黄片| www.www免费av| 狂野欧美激情性xxxx| 婷婷丁香在线五月| 一卡2卡三卡四卡精品乱码亚洲| 午夜免费鲁丝| 亚洲中文日韩欧美视频| 日日摸夜夜添夜夜添小说| √禁漫天堂资源中文www| 看片在线看免费视频| 欧美乱色亚洲激情| 亚洲精品国产区一区二| 亚洲国产欧美日韩在线播放| 国产精品亚洲一级av第二区| 在线十欧美十亚洲十日本专区| 国产成人欧美| 12—13女人毛片做爰片一| 国产高清视频在线播放一区| 久久久久久九九精品二区国产 | 亚洲一区高清亚洲精品| 久久久久久久精品吃奶| 大型av网站在线播放| 日本免费a在线| 久9热在线精品视频| 操出白浆在线播放| 三级毛片av免费| 狠狠狠狠99中文字幕| 欧美日韩一级在线毛片| 女警被强在线播放| 国产欧美日韩一区二区精品| 午夜激情福利司机影院| 最新美女视频免费是黄的| 怎么达到女性高潮| 国产伦在线观看视频一区| 亚洲国产欧美日韩在线播放| 亚洲全国av大片| 伊人久久大香线蕉亚洲五| 人人妻人人澡欧美一区二区| 国产视频一区二区在线看| av中文乱码字幕在线| 国产又色又爽无遮挡免费看| 女性被躁到高潮视频| 国产激情欧美一区二区| 亚洲中文字幕日韩| 久久欧美精品欧美久久欧美| 欧美又色又爽又黄视频| 日本精品一区二区三区蜜桃| 母亲3免费完整高清在线观看| 在线av久久热| 悠悠久久av| 国产成人一区二区三区免费视频网站| 一本精品99久久精品77| 美女国产高潮福利片在线看| 97碰自拍视频| 久久久久久久午夜电影| 在线观看日韩欧美| 精品一区二区三区av网在线观看| 国产99白浆流出| 亚洲第一av免费看| 88av欧美| 18美女黄网站色大片免费观看| 日本三级黄在线观看| 国产亚洲精品av在线| 国产精品久久久av美女十八| 日日干狠狠操夜夜爽| 一卡2卡三卡四卡精品乱码亚洲| 国产成+人综合+亚洲专区| 国产精品免费视频内射| 美女午夜性视频免费| 黑丝袜美女国产一区| 麻豆成人午夜福利视频| 人人澡人人妻人| 久久精品亚洲精品国产色婷小说| 999久久久精品免费观看国产| 久热这里只有精品99| 亚洲电影在线观看av| 国产精品久久久久久亚洲av鲁大| 999精品在线视频| 又紧又爽又黄一区二区| svipshipincom国产片| 国产亚洲av高清不卡| 香蕉av资源在线| 久久久精品国产亚洲av高清涩受| 精品国产国语对白av| 国产在线观看jvid| 日本a在线网址| www.精华液| 国产一级毛片七仙女欲春2 | 国产人伦9x9x在线观看| 欧美三级亚洲精品| 18禁美女被吸乳视频| 人人澡人人妻人| 国产又爽黄色视频| 免费在线观看成人毛片| 人人妻人人看人人澡| 美女免费视频网站| 欧美乱妇无乱码| 日韩国内少妇激情av| 国内揄拍国产精品人妻在线 | 久久伊人香网站| 日韩免费av在线播放| 91麻豆精品激情在线观看国产| 一进一出抽搐动态| 欧美日韩精品网址| 美女高潮到喷水免费观看| 午夜久久久在线观看| 麻豆久久精品国产亚洲av| videosex国产| 美女扒开内裤让男人捅视频| 久久人人精品亚洲av| 丝袜人妻中文字幕| 99国产精品一区二区三区| 精品乱码久久久久久99久播| 亚洲国产中文字幕在线视频| 男人舔女人的私密视频| 最近最新免费中文字幕在线| 脱女人内裤的视频| 黄片小视频在线播放| 久久精品国产99精品国产亚洲性色| 夜夜看夜夜爽夜夜摸| 亚洲av第一区精品v没综合| 久久午夜综合久久蜜桃| 国产野战对白在线观看| 亚洲熟妇中文字幕五十中出| 国产成人精品无人区| 看片在线看免费视频| 国产精品久久久久久精品电影 | 精品国产一区二区三区四区第35| av福利片在线| 欧美日韩黄片免| 一个人观看的视频www高清免费观看 | 久久精品国产99精品国产亚洲性色| 国产一区二区三区视频了| 琪琪午夜伦伦电影理论片6080| 亚洲男人的天堂狠狠| 午夜福利18| 18美女黄网站色大片免费观看| 一级毛片高清免费大全| 国产精品二区激情视频| 亚洲av电影不卡..在线观看| 男女午夜视频在线观看| 亚洲人成77777在线视频| 久久精品国产亚洲av高清一级| 免费在线观看完整版高清| 男女下面进入的视频免费午夜 | xxx96com| 亚洲天堂国产精品一区在线| 国产成人啪精品午夜网站| 欧美一级毛片孕妇| 欧美黄色淫秽网站| 成年人黄色毛片网站| 亚洲九九香蕉| 满18在线观看网站| 精品久久久久久久末码| 午夜福利在线观看吧| 禁无遮挡网站| 久久精品国产99精品国产亚洲性色| 色尼玛亚洲综合影院| 怎么达到女性高潮| 亚洲国产日韩欧美精品在线观看 | 欧美日韩一级在线毛片| 日本熟妇午夜| 18禁黄网站禁片免费观看直播| 在线观看www视频免费| 老司机深夜福利视频在线观看| 国产又黄又爽又无遮挡在线| 久久草成人影院| 日本在线视频免费播放| 国产精品野战在线观看| 女人爽到高潮嗷嗷叫在线视频| 成人精品一区二区免费| netflix在线观看网站| 9191精品国产免费久久| 亚洲第一电影网av| 成人18禁在线播放| 欧美久久黑人一区二区| 看免费av毛片| 亚洲av五月六月丁香网| 老司机靠b影院| 18禁黄网站禁片免费观看直播| 国产欧美日韩一区二区三| 制服丝袜大香蕉在线| 大香蕉久久成人网| 十分钟在线观看高清视频www| 精品一区二区三区四区五区乱码| 久久午夜亚洲精品久久| 成人午夜高清在线视频 | 久久中文字幕人妻熟女| a在线观看视频网站| 女警被强在线播放| 亚洲欧美精品综合久久99| 日本在线视频免费播放| 99精品在免费线老司机午夜| 淫妇啪啪啪对白视频| 精品久久蜜臀av无| xxx96com| 激情在线观看视频在线高清| 麻豆久久精品国产亚洲av| 亚洲精品在线观看二区| 国产私拍福利视频在线观看| 午夜亚洲福利在线播放| 香蕉国产在线看| 亚洲天堂国产精品一区在线| 99国产精品一区二区三区| 天天躁夜夜躁狠狠躁躁| 宅男免费午夜| 叶爱在线成人免费视频播放| 欧美在线一区亚洲| 国产免费男女视频| 满18在线观看网站| 久久精品国产综合久久久| 久久久精品欧美日韩精品| 99久久99久久久精品蜜桃| 天天添夜夜摸| 亚洲中文日韩欧美视频| 亚洲av电影在线进入| 热re99久久国产66热| 久久久久久大精品| netflix在线观看网站| 哪里可以看免费的av片| 丁香六月欧美| 欧美性猛交黑人性爽| 久久久久久久久中文| 欧美性猛交╳xxx乱大交人| 中文字幕av电影在线播放| 国产亚洲欧美在线一区二区| 在线观看一区二区三区| av片东京热男人的天堂| 国产激情久久老熟女| 国产蜜桃级精品一区二区三区| 精品久久久久久久久久久久久 | 午夜福利在线观看吧| 亚洲国产精品合色在线| 久久天躁狠狠躁夜夜2o2o| 中文字幕精品免费在线观看视频| 人成视频在线观看免费观看| 中文资源天堂在线| 色综合站精品国产| 国产伦一二天堂av在线观看| 中文字幕另类日韩欧美亚洲嫩草| 手机成人av网站| 日本a在线网址| 黄色成人免费大全| 给我免费播放毛片高清在线观看| 亚洲成人免费电影在线观看| 99在线视频只有这里精品首页| 久久精品91蜜桃| 久久久国产成人免费| 亚洲成人久久性| 99热6这里只有精品| 欧美+亚洲+日韩+国产| 狂野欧美激情性xxxx| 人人妻人人澡欧美一区二区| 亚洲av电影不卡..在线观看| 免费在线观看完整版高清| 男女那种视频在线观看| 中文字幕人妻丝袜一区二区| 精品国产乱子伦一区二区三区| 久久久久久国产a免费观看| 国产99久久九九免费精品| 90打野战视频偷拍视频| 免费一级毛片在线播放高清视频| 久久久久久久午夜电影| 天天一区二区日本电影三级| 亚洲黑人精品在线| 一区二区三区激情视频| 最近最新中文字幕大全免费视频| 麻豆成人av在线观看| 视频区欧美日本亚洲| 国产伦在线观看视频一区| 国产精品久久久久久人妻精品电影| 久久久久国产精品人妻aⅴ院| 丝袜人妻中文字幕| 国产一级毛片七仙女欲春2 | 欧美三级亚洲精品| x7x7x7水蜜桃| 日韩 欧美 亚洲 中文字幕| 99久久综合精品五月天人人| 色在线成人网| 中出人妻视频一区二区| av在线播放免费不卡| 国产又黄又爽又无遮挡在线| a级毛片a级免费在线| 精品国产国语对白av| a级毛片在线看网站| 亚洲精品国产区一区二| 麻豆成人午夜福利视频| 日本免费一区二区三区高清不卡| 亚洲一码二码三码区别大吗| 一本大道久久a久久精品| 女人高潮潮喷娇喘18禁视频| 天堂√8在线中文| 午夜成年电影在线免费观看| 亚洲成人久久性| tocl精华| 亚洲色图av天堂| 亚洲av熟女| 一级毛片高清免费大全| 啦啦啦 在线观看视频| 国产片内射在线| 国产蜜桃级精品一区二区三区| 欧美丝袜亚洲另类 | 十分钟在线观看高清视频www| 欧美亚洲日本最大视频资源| 欧美乱妇无乱码| 成年版毛片免费区| 久久中文字幕人妻熟女| 怎么达到女性高潮| 亚洲av成人av| 成人18禁在线播放| 国产免费av片在线观看野外av| 少妇的丰满在线观看| 日本五十路高清| 麻豆国产av国片精品| 亚洲成人久久性| 99riav亚洲国产免费| 757午夜福利合集在线观看| videosex国产| 欧美国产精品va在线观看不卡| 国产精品 国内视频| 99久久久亚洲精品蜜臀av| 国产极品粉嫩免费观看在线| 国产高清激情床上av| 国产精品野战在线观看| 日本免费a在线| 久久精品91蜜桃| 午夜精品久久久久久毛片777| 久久国产精品男人的天堂亚洲| 最近最新中文字幕大全电影3 | 91国产中文字幕| 日本五十路高清| 成人18禁高潮啪啪吃奶动态图| 国产黄a三级三级三级人| www日本在线高清视频| cao死你这个sao货| 久久久久久九九精品二区国产 | 99国产精品99久久久久| 亚洲人成77777在线视频| 一级黄色大片毛片| 精品无人区乱码1区二区| 亚洲国产精品999在线| 亚洲欧美日韩高清在线视频| 久久久久久大精品| 亚洲五月色婷婷综合| 欧美色欧美亚洲另类二区| 巨乳人妻的诱惑在线观看| 夜夜躁狠狠躁天天躁| 日日干狠狠操夜夜爽| 亚洲人成网站在线播放欧美日韩| 亚洲免费av在线视频| 国产主播在线观看一区二区| 亚洲中文日韩欧美视频| 国产成人影院久久av| 少妇粗大呻吟视频| 国产亚洲欧美精品永久| 日韩欧美一区视频在线观看| 看片在线看免费视频| 中亚洲国语对白在线视频| 欧美日韩黄片免| 欧美日韩亚洲国产一区二区在线观看| 国产高清激情床上av| 久久 成人 亚洲| 老鸭窝网址在线观看| 亚洲成人久久性| 欧美中文综合在线视频| 亚洲av日韩精品久久久久久密| 色婷婷久久久亚洲欧美| 国产真实乱freesex| 精品电影一区二区在线| 国产精品永久免费网站| 嫩草影院精品99| 国产黄片美女视频| 国产成人一区二区三区免费视频网站| 国产精品久久久久久亚洲av鲁大| 校园春色视频在线观看| 老汉色av国产亚洲站长工具| 亚洲午夜理论影院| 亚洲精华国产精华精| 免费在线观看影片大全网站| 女警被强在线播放| 丰满的人妻完整版| 国产熟女xx| 久久久久国内视频| 日韩成人在线观看一区二区三区| 国产精品电影一区二区三区| 日本a在线网址| 伊人久久大香线蕉亚洲五| 天堂影院成人在线观看| 国产一区二区在线av高清观看| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美黄色片欧美黄色片| 757午夜福利合集在线观看| 美女 人体艺术 gogo| 久久亚洲精品不卡| 亚洲国产欧美网| 国产成人精品久久二区二区91| 熟女电影av网| 在线av久久热| 村上凉子中文字幕在线| 91大片在线观看|