票据类版面分析算法
当前OCR之后的版面分析工作大家都是规则写的，本人也深受规则之苦,看到ocr输出的一大堆文字和坐标就头皮发麻。最近受了chineseocr作者模板引擎的启发，做了个基于seq2seq的端到端版面分析算法，希望能够帮到各位ocrer。
思路：通过有监督方式训练句向量，然后通过seq2seq的方式学习box类别
链接：https://blog.csdn.net/mochp/article/details/109491521
使用方法
-
准备数据
- 首先利用自己的OCR算法，将票据图片文字识别出来
- 将结果存入labelme可读json
- 使用labelme在groupid里标注所需要提取的box类别
- 将标注数据放入data对应的train和test文件夹下
- 数据样例参考data/train/1.json
-
修改config.py其中5个参数，其余可根据情况调试
self.class_char # 标签列表（对应groupid） self.max_text_len = 20 # 最大文本长度 self.max_box_num = 50 # 最大box个数 self.expend_box_times = 8 # box扩增倍数 self.rnn_hidden_size = 64 # 句向量维度 -
训练句向量
python processing.py #数据预处理 python rnn_w2v.py #训练词向量 python rnn_train.py #训练句向量 -
训练版面分析
python s2s_train.py -
推理
python infer.py