《表3 特定文本抽取完整性测试结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于循环神经网络的图像特定文本抽取方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表3统计了数据集上所有样本中6种特定文本全部完整抽取的结果以及OCR部分与信息抽取部分的速度。可见，文本抽取部分无论是采用BLSTM-CRF模型还是CRF模型，其抽取速度远远大于OCR部分的识别速度，即利用本文方法与OCR结合进行信息抽取时，可以忽略由信息抽取部分带来的速度损失。整体耗时仍然是由OCR部分主导，体现本文模型具有更强的实时适用性。另外BLSTM-CRF模型虽然在抽取速度上略慢于CRF模型，但是其抽取信息的准确率高于CRF模型16.39个百分点，在有噪声文本的情况下仍能很好地将特定文本抽取出来，体现了模型的稳健性。采用CRF模型进行序列标注时，必须人工设置特征，实际效果受特征的限制，因此在泛化能力上，BLSTM-CRFs模型要优于CRF模型。