[发明专利]基于卷积神经网络堆叠泛化的文档图像分类方法和系统在审

专利信息
申请号: 201811089962.3 申请日: 2018-09-18
公开(公告)号: CN109344309A 公开(公告)日: 2019-02-15
发明(设计)人: 姚毅 申请(专利权)人: 上海唯识律简信息科技有限公司
主分类号: G06F16/93 分类号: G06F16/93
代理公司: 上海专利商标事务所有限公司 31100 代理人: 施浩
地址: 200120 上海市浦*** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 文档图像 卷积神经网络 训练样本 堆叠 预处理 分类识别 分类文档 网络模型 分类 准确率 文档 图像 概率 评估 优化
【权利要求书】:

1.一种基于卷积神经网络堆叠泛化的文档图像分类方法,其特征在于,包括:

将文档图像转换为与文档图像分类模型训练时一致的格式和大小,其中文档图像分类模型是基于卷积神经网络模型训练得到;

将转换后的文档图像经过文档图像分类模型处理得到多个包括类别和概率在内的分类结果;

将文档图像的多个分类结果进行堆叠泛化得到文档图像最终的类别及其概率。

2.根据权利要求1所述的基于卷积神经网络堆叠泛化的文档图像分类方法,其特征在于,卷积神经网络模型训练得到文档图像分类模型进一步包括:

收集多个文档图像;

预处理收集到的文档图像;

对用于训练模型的文档图像进行预处理,制作基于整体和部分的训练样本;

建立基于VGG卷积神经网络模型,并分别用上一步骤中的包括整体和部分在内的多个训练样本训练VGG卷积神经网络模型,并基于Adam算法进行训练的梯度优化;

将上一步骤中的VGG卷积神经网络模型的多个输出进行堆叠泛化,得到文档图像分类模型。

3.根据权利要求2所述的基于卷积神经网络堆叠泛化的文档图像分类方法,其特征在于,预处理收集到的文档图像包括:

将收集到的文档图像转换为统一的编码格式并按照类别进行分类,对每个类别都赋予一个编号,将处理后的文档图像缩放为统一的尺寸大小,预处理后的文档图像中的一部分用于训练模型,另一部分用于测试模型。

4.根据权利要求3所述的基于卷积神经网络堆叠泛化的文档图像分类方法,其特征在于,制作基于整体和部分的训练样本的步骤包括:

将用于训练模型的文档图像按一定比例划分为多部分图像,再分别按照上述划分方式取出所有用于训练模型的文档图像中的数据,分别制作对应该多部分的多组训练样本,最后将所述这些训练样本转换为统一的尺寸大小,其中多部分包括但不限于头部、底部、左半部分、右半部分、或整体。

5.一种基于卷积神经网络堆叠泛化的文档图像分类系统,其特征在于,包括:

文档转换模块,用于将文档图像转换为与文档图像分类模型训练时一致的格式和尺寸;

模型处理模块,用于将文档转换模块处理后的文档图像经过模型构建系统所构建的文档图像分类模型处理得到多个包括类别和概率在内的分类结果;

堆叠泛化处理模块,用于将文档图像经过模型处理模块处理后的多个分类结果进行堆叠泛化得到文档图像最终的类别及其概率;

模型构建系统,用于基于卷积神经网络模型构建并训练得到文档图像分类模型。

6.根据权利要求5所述的基于卷积神经网络堆叠泛化的文档图像分类系统,其特征在于,模型构建系统进一步包括:

文档图像收集单元,用于收集多个文档图像;

预处理单元,预处理收集到的文档图像;

训练样本制作单元,对用于训练模型的文档图像进行预处理,制作基于整体和部分的训练样本;

模型训练单元,建立基于VGG卷积神经网络模型,并分别用训练样本制作单元所制作的包括整体和部分在内的多个训练样本训练VGG卷积神经网络模型,并基于Adam算法进行训练的梯度优化;

堆叠泛化单元,将模型训练单元训练得到的VGG卷积神经网络模型的多个输出进行堆叠泛化,得到文档图像分类模型。

7.根据权利要求6所述的基于卷积神经网络堆叠泛化的文档图像分类系统,其特征在于,预处理单元将收集到的文档图像转换为统一的编码格式并按照类别进行分类,对每个类别都赋予一个编号,将处理后的文档图像缩放为统一的尺寸大小,预处理后的文档图像中的一部分用于训练模型,另一部分用于测试模型。

8.根据权利要求7所述的基于卷积神经网络堆叠泛化的文档图像分类系统,其特征在于,训练样本制作单元将用于训练模型的文档图像按一定比例划分为多部分图像,再分别按照上述划分方式取出所有用于训练模型的文档图像中的数据,分别制作对应该多部分的多组训练样本,最后将所述这些训练样本转换为统一的尺寸大小,其中多部分包括但不限于头部、底部、左半部分、右半部分、或整体。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海唯识律简信息科技有限公司,未经上海唯识律简信息科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201811089962.3/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code