OCR 术语表

OCR 术语让你困惑？我们的便捷术语表解释了常用术语。然后使用我们智能的 OCR 工具轻松优化你的文档处理。

100 个术语

中文

ASCII

在计算机中表示文本的字符编码标准，常用于 OCR 输出。

BERT

基于 Transformer 的自然语言理解模型，用于文档 AI 中的语义理解。

BiLSTM

在前向和后向方向处理序列的 RNN 变体，用于手写识别。

布局语言模型

微软的 Transformer 模型，结合文本、布局和图像信息进行文档理解。

标记

NLP 模型处理的文本基本单位（单词、子词、字符）。

编码器-解码器

编码器处理输入，解码器生成输出的架构，用于序列到序列任务。

表单识别

用于结构化文档（如发票、收据和表单）的专用 OCR，具有键值提取功能。

表格检测

使用单元格分割从文档中识别和提取结构化表格数据。

边界框

包围检测到的文本或对象的矩形区域，由 (x, y, 宽度, 高度) 坐标定义。

CLIP

OpenAI 通过对比学习学习视觉-文本关系的模型，用于 DeepSeek-OCR 的编码器。

CRNN

结合 CNN 特征提取和 RNN 序列建模的架构，用于文本识别。

CTC

用于训练序列模型的损失函数，无需输入和输出之间的对齐。

场景文本识别

自然图像中文本的 OCR（街道标志、产品），比文档 OCR 更具挑战性。

查询-键-值

注意力机制的三个组成部分：查询（要查找什么）、键（比较什么）、值（检索）。

超参数

模型训练前设置的配置设置（学习率、批次大小、层数）。

车牌识别

用于交通和安全应用中读取车辆牌照的专用 OCR 技术。

Detectron2

Facebook 的目标检测框架，用于文档布局分析和表格检测。

低秩适应

PEFT 方法，通过训练小适配器矩阵而不是所有权重来微调模型。

多头注意力

运行多个并行注意力操作以获得更丰富表示学习的注意力机制。

对比学习

使用正/负对学习判别性表示的训练方法。

对齐

将提取的文本与原始文档中相应视觉位置匹配的过程。

端到端学习

直接从原始输入到最终输出训练模型，无需手动特征工程。

反向传播

通过计算梯度并向后更新层中权重来训练神经网络的算法。

光学字符识别

使用计算机视觉和 ML 将文本图像转换为机器可读数字文本的技术。

光学布局识别

在 OCR 处理之前将文本区域与非文本区域分割的文档布局分析。

光学标记识别

分析纸质文档上的水印、徽标、符号和图案的技术。

归一化

将输入数据缩放到标准范围，提高模型训练稳定性和收敛性。

hOCR

将 OCR 输出嵌入 HTML 的文件格式，包含布局信息、边界框和置信度分数。

混合专家

具有多个专用子网络（专家）的架构，DeepSeek 使用 64 个专家，每个标记约 6 个活跃。

行分割

将文档页面分离为单个文本行以进行顺序处理。

JPEG

有损图像压缩格式，常用于扫描文档，但 PNG 更适合 OCR。

交叉注意力

关联两个不同序列的注意力机制，对视觉语言模型集成至关重要。

交并比

测量边界框重叠的指标，计算为交集面积 / 并集面积。

卷积核/内核

卷积层中使用的小矩阵，用于检测边缘或纹理等特定特征。

卷积神经网络

使用卷积层从图像中提取空间特征的深度学习架构，是 OCR 的基础。

基准数据集

用于评估 OCR 模型性能的标准数据集，如 MNIST、COCO-Text、ICDAR。

基线检测

识别字符所在的假想线，对于准确的文本行分割至关重要。

激活函数

在神经网络中引入非线性的数学函数（ReLU、Sigmoid、Tanh）。

精确率

真正例与所有预测正例的比率，测量预测正确性。

降噪

从扫描图像中去除噪声和伪影以提高 OCR 准确性。

LSTM

具有门控的 RNN 变体，用于处理长程依赖关系，用于序列到序列 OCR 任务。

量化

降低模型精度（32 位到 8 位/4 位）以减少内存并提高推理速度。

量化 LoRA

内存高效的微调，将预训练模型作为 4 位量化权重加载，并使用 LoRA 适配器。

命名实体识别

识别和分类提取文本中实体（姓名、日期、位置）的 NLP 任务。

每英寸点数

图像分辨率指标。OCR 通常需要 300 DPI 或更高以获得最佳准确性。

锚框

在 YOLO 和 Faster R-CNN 等目标检测模型中使用的各种形状的预定义边界框。

PEFT

像 LoRA 这样的技术，以最少的可训练参数和内存实现模型适应。

批处理

无需手动干预即可自动处理多个文档。现代系统每天处理数千页。

F1 分数

精确度和召回率的调和平均值，用于分类性能的综合指标。

PDF 解析

从 PDF 文件中提取文本、布局和结构，结合文本提取和 OCR 处理扫描的 PDF。

二值化

将图像转换为黑白（二进制）格式以简化 OCR 处理并改善字符检测。

优化

调整模型参数以最小化损失并提高性能的过程。

倾斜校正

在 OCR 处理之前将旋转或倾斜的文档图像校正为水平对齐。

嵌入

在连续空间中捕获语义含义的标记的密集向量表示。

知识蒸馏

迁移学习技术，较小的学生模型从较大的教师模型中学习。

置信度分数

指示 OCR 系统对识别结果有多确定的概率值。

迁移学习

使用预训练模型的知识以更少的数据提高新任务的性能。

过拟合

模型记忆训练数据而不是学习可泛化模式，在新数据上表现不佳。

融合模型

合并多个模态（视觉 + 文本）表示以实现统一理解的架构。

SAM

Meta 的图像分割视觉模型，用于 DeepSeek-OCR 编码器捕获局部细节。

上下文光学压缩

DeepSeek 将文档压缩为最少视觉标记的技术。在 97% 准确率下实现 10× 压缩。

手写文本识别

识别手写文本的机器学习技术，比印刷文本 OCR 更具挑战性。

损失函数

测量预测与真实值之间差异的数学函数，指导训练。

数据增强

通过旋转、缩放和添加噪声等变换人工扩展训练数据集的技术。

数据增强

通过旋转、缩放、噪声、透视变换扩展训练数据的技术。

束搜索

在序列生成期间维护多个假设以获得更好准确性的解码算法。

深度学习

使用多层神经网络学习分层表示的机器学习。

深度编码器

DeepSeek-OCR 的 3.8 亿参数视觉编码器，结合 SAM（局部）和 CLIP（全局）以及 16× 压缩。

神经架构搜索

发现最佳神经网络架构的自动化方法。

随机失活

训练期间随机丢弃神经元以防止过拟合的正则化技术。

Tesseract

支持 100 多种语言的开源 OCR 引擎，广泛使用的基线系统。

Transformer

使用自注意力机制的架构，是现代 NLP 和视觉模型的基础。

图像预处理

OCR 前应用的技术，如二值化、倾斜校正、降噪，以提高质量。

图形处理单元

用于并行处理的专用硬件，对深度学习模型训练和推理至关重要。

推理

使用训练好的模型对新的、未见过的数据进行预测。

梯度下降

通过迭代调整模型参数来最小化损失的优化算法。

特征图

卷积层的输出，显示不同抽象级别检测到的特征。

特征提取

从输入数据中识别和提取相关模式以进行模型处理的过程。

位置编码

在 Transformer 中向标记嵌入添加位置信息以保持序列顺序。

微调

通过在特定领域数据上训练，将预训练模型适应特定任务。

文本行提取

将文档页面分割为单个文本行以进行处理。

文档人工智能

用于理解、提取和处理文档信息的 AI 技术。

文档布局分析

通过几何和逻辑分析识别和分类文档区域（文本、表格、图像）。

学习率

控制梯度下降优化中步长的超参数。

应用程序编程接口

实现软件集成的协议集。OCR API 使开发人员能够将文本提取功能集成到应用程序中。

语义分割

像素级分类，将每个像素分配给一个类别，用于布局分析。

语言模型

预测单词序列的统计模型，用于 OCR 的拼写检查和上下文理解。

预处理

通过二值化、倾斜校正、噪声去除准备原始图像，然后进行 OCR。

准确率

OCR 系统正确识别字符的度量标准。现代系统通过先进的神经网络实现97%以上的准确率。

召回率

真正例与所有实际正例的比率，测量找到多少正例。

字体识别

识别文档图像中的字体类型和样式以提高 OCR 准确性。

字符分割

从连接文本中分离单个字符以进行识别的过程。

字符错误率

测量 OCR 准确性的指标 = (替换 + 删除 + 插入) / 总字符数。越低越好。

字节对编码

通过合并频繁字符序列来构建词汇表的标记化方法，用于现代 NLP。

智能字符识别

使用 ML 识别各种字体的打印和手写文本的高级 OCR。

智能词语识别

使用 OCR/ICR 字符输出从用户定义的字典中识别单词的 AI 技术。

正则化

通过约束模型复杂性来防止过拟合的技术（dropout、权重衰减、L1/L2）。

注意力机制

允许模型使用查询、键和值参数关注相关输入部分的神经网络组件。

自动编码器

通过编码和解码学习高效数据表示的神经网络，用于压缩和特征提取。

自注意力

每个标记关注同一序列中所有其他标记的注意力机制。