典型文献
基于改进CRNN算法的专利附图标记识别
文献摘要：
基于深度学习技术对机械领域的专利附图进行研究,充分发掘与利用专利附图信息,寻求专利检索的补充手段,提出一种基于改进CRNN算法的专利附图标记识别方法CRNN_Eca.将特征提取的骨干网络改为ResNet34,融合ECA-Net中的ECA模块构成Eca-ResNet特征提取网络,其中的ECA模块是一种极轻量级且高效的通道注意力机制,原始图像经过Eca-ResNet网络特征提取后,经过序列转换生成对应的特征序列,通过深度双向GRU网络与CTC预测输出附图标记识别结果.该算法在附图标记的验证集与测试集上准确率分别达到了90.15％和88.27％,相比原CRNN算法提高了4.09％、4.17％,同时检测速率得到大幅提升.实验结果表明,CRNN_Eca算法可以使专利附图标记识别实现较高的识别准确率和较快的识别速度,是一种有效的专利附图标记识别算法.
文献关键词：
专利附图标记;文本识别;注意力机制;自然语言处理;深度学习
中图分类号：
作者姓名：
孙雪姣;肖诗斌;都云程
作者机构：
北京信息科技大学计算机学院;拓尔思信息技术股份有限公司,北京 100101
文献出处：
引用格式：
[1]孙雪姣;肖诗斌;都云程-.基于改进CRNN算法的专利附图标记识别)[J].软件导刊,2022(12):38-45
A类：
专利附图标记,附图标记
B类：
CRNN,标记识别,深度学习技术,机械领域,图信息,专利检索,Eca,骨干网络,ResNet34,ECA,特征提取网络,极轻,轻量级,通道注意力机制,原始图像,网络特征,序列转换,特征序列,GRU,CTC,验证集,测试集,同时检测,检测速率,识别准确率,识别算法,文本识别,自然语言处理
AB值：
0.238349
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
