CN114708601B 一种基于深度学习的手写字擦除方法 （南京大学）

本发明公开了一种基于深度学习的手写字擦除方法。该方法针对文档图像进行手写字擦2阶段图像生成模块G1和第二阶段图像生成模块G2输目标图损失smoothl1(F,y)计算方法包括：2.根据权利要求1所述的一种基于深度学习的手写步骤1-1，准备含有手写字和印刷内容的文档，使用拍照设备或扫描设备获取文档图3步骤1-2，采用图像编辑软件对原始图中的手写字进行逐像素去除和填补，得到目标3.根据权利要求2所述的一种基于深度学习的手5.根据权利要求4所述的一种基于深度学习的手6.根据权利要求5所述的一种基于深度学习的手写字擦一阶段图像生成模块的解码器与第二阶段图像生成模块的掩码生成模块采用注意力机制，用掩码特征图生成空间域注意第二阶段图像生成模块中，编码器与解码器交将训练样本归一化至相同尺寸，并使用随机水平翻转以及随机角度旋转进行数据增在含有印刷内容的纸质文档上任意添加手写字笔迹，使用拍9.根据权利要求8所述的一种基于深度学习的手将文档图像尺寸归一化后，输入至训练完成后的深度学习模型，45[0020]本发明步骤2中所述深度学习模型的每个模块均采用编码器-解码器的结构，其器与解码器之间以及第一阶段图像生成模块的解码器与第二阶段图像生成模块的编码器过第一阶段图像生成模块G1和第二阶段图像生成模块G2输[0031]掩码图损失Dice(F,y)计算方法为：[0033]目标图损失smoothl1F,y)计算方法包括：6[0041]本发明利用编码器-解码器结构为基本模块的全卷积神经网络，实现对文档图像[0044]下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述7[0067]所述计算损失的方法包括：使用SmoothL1损失函数(参考文献：RenS,HeK,GirshickR,etal.Fasterr-cnn:Towardsreal-timeobjectdetectionwithregionproposalnetworks[J].Advancesinneuralinformationprocessingsystems,2015,28.)计算目标图损失，使用Dice损失函数(参考文献：MilletariF,NavabN,AhmadiSA.V-net:Fullyconvolutionalneuralnetworksforvolumetricmedicalimagesegmentation[C]//2016fourthinternationalconferenceon3Dvision(3DV).IEEE,8过第一阶段图像生成模块G1和第二阶段图像生成模块G2输[0072]掩码图损失Dice(F,y)计[0074]目标图损失smoothl1F,y)计算方法包括：[0084]本实施例提供了一种基于深度学习的手写字擦除模型训练方法，训练流程如图29[0095]m⃞=M(img[0104]计算分数score来衡量模型擦除手写字的性能，score值越高，模型性能越佳。andImagecompression,Barni,Mauro,2018,CRCpress)和MSSSIM(Multi-Scalesimilarityforimagequalityassessment，Wang,ZhouandSimoncelli,EeroPandBovik,AlanC，TheThrity-SeventhAsilomarConferenceonSignals,Systems&[0114]本实施例提供了一种基于深度学习的手写字擦除模型推断方法，推断流程如图