基于改进EAST算法的专利附图标记检测

为充分利用发明专利和实用新型专利的附图信息,进一步研究利用专利附图提高专利检索的效率,提出一种基于改进EAST算法的专利附图标记检测方法。对专利附图标记进行检测时,改进特征提取阶段的骨干网络为ResNet50,并且融合空间注意力和通道注意力机制,经过多维度附图标记特征提取和融合,实现对专利附图标记的检测。与原EAST算法相比,改进的算法在专利附图标记检测时的精确率要高1.12%,召回率高4.7%,F1值高3%。实验表明,改进的EAST算法能够有效准确地检测专利附图标记的位置,并且附图标记检测的召回率有显著提升。

基于改进CRNN算法的专利附图标记识别

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。