CN109241267A - 生成vqa系统的训练数据的方法、装置、设备和介质 - Google Patents
生成vqa系统的训练数据的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN109241267A CN109241267A CN201811134016.6A CN201811134016A CN109241267A CN 109241267 A CN109241267 A CN 109241267A CN 201811134016 A CN201811134016 A CN 201811134016A CN 109241267 A CN109241267 A CN 109241267A
- Authority
- CN
- China
- Prior art keywords
- training data
- information
- constraint conditions
- image
- hypernym
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
- G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
- G06V30/274—Syntactic or semantic context, e.g. balancing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例涉及生成视觉问答(VQA)系统的训练数据的方法、装置、设备和计算机可读介质。一种用于生成VQA系统的训练数据的方法包括获取VQA系统的第一组训练数据,第一组训练数据包括针对VQA系统中的图像的第一问题和与所述第一问题相对应的第一答案。该方法还包括获取与该图像有关的信息。此外,该方法还包括基于该信息来生成与第一答案相对应的第二问题,以得到针对VQA系统中的该图像的第二组训练数据,第二组训练数据包括第二问题和第一答案。本公开的实施例能够自动、低成本且高效地获得用于VQA系统的大量训练数据,从而提高模型训练的效率。此外,由于所获得的训练数据包括针对图像的推理性问题,因此能够提高VQA系统对图像的理解能力。
Description
技术领域
本公开的实施例涉及计算机领域,并且更具体地涉及用于生成视觉问答(VQA)系统的训练数据的方法、装置、电子设备和计算机可读存储介质。
背景技术
VQA系统涉及计算机视觉、自然语言处理和知识表示(KR)等多领域,目前已成为人工智能研究的热点。针对给定的图像,VQA系统能够回答围绕该图像的问题。也就是说,VQA系统接收图像和针对该图像的问题作为输入,并且生成针对该问题的自然语言的答案作为输出。当前VQA系统通常基于有监督的机器学习方法来实现,其中利用大量的训练图像和围绕训练图像的问题和答案来作为训练数据,使得所训练的模型能够根据图像内容对问题进行回答。这种训练方法的效果直接依赖于训练数据的量。
目前,用于VQA系统的训练数据通常通过人工标注而获得。例如,针对给定训练图像,由标注人员对该图像提出问题并标注相应的答案。这种方式的成本高、速度慢并且训练数据量有限。此外,标注人员通常直接围绕图像中的目标对象进行提问,使得训练数据中的问题形式简单,不涉及针对目标对象的更复杂的描述和推理。因此,所训练的模型通常无法实现对图像内容的深层次理解,因而无法回答针对图像的复杂的推理性问题。
发明内容
根据本公开的示例实施例,提供了用于生成VQA系统的训练数据的方案。
在本公开的第一方面中,提供了一种用于生成VQA系统的训练数据的方法。该方法包括获取VQA系统的第一组训练数据,第一组训练数据包括针对VQA系统中的图像的第一问题和与所述第一问题相对应的第一答案。该方法还包括获取与该图像有关的信息。此外,该方法还包括基于该信息来生成与第一答案相对应的第二问题,以得到针对VQA系统中的该图像的第二组训练数据,第二组训练数据包括第二问题和第一答案。
在本公开的第二方面中,提供了一种用于生成VQA系统中的训练数据的装置。该装置包括第一获取模块,被配置为获取VQA系统的第一组训练数据,第一组训练数据包括针对VQA系统中的图像的第一问题和与所述第一问题相对应的第一答案。该装置还包括第二获取模块,被配置为获取与该图像有关的信息。此外,该装置还包括问题生成模块,被配置为基于该信息来生成与第一答案相对应的第二问题,以得到针对VQA系统中的该图像的第二组训练数据,第二组训练数据包括第二问题和第一答案。
在本公开的第三方面中,提供了一种电子设备。该电子设备包括:一个或多个处理器;以及存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据本公开的第一方面的方法。
在本公开的第四方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第一方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了本公开的实施例可以在其中实施的示例环境的示意图;
图2示出了根据本公开实施例的用于生成VQA系统的训练数据的方法的流程图;
图3示出了根据本公开的实施例的示例训练数据的示意图;
图4示出了根据本公开的实施例的用于生成推理性问题的方法的流程图;
图5示出了根据本公开实施例的用于生成VQA系统的训练数据的装置的框图;以及
图6示出了可以实施本公开实施例的计算设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述,在传统方案中,用于VQA系统的训练数据通常通过人工标注而获得。例如,针对给定训练图像,由标注人员对该图像提出问题并标注相应的答案。这种方式的成本高、速度慢并且训练数据量有限。此外,标注人员通常直接围绕图像中的目标对象进行提问,使得训练数据中的问题形式简单,不涉及针对目标对象的更复杂的描述和推理。因此,所训练的模型通常无法实现对图像内容的深层次理解,因而无法回答针对图像的复杂的推理性问题。
根据本公开的实施例,提出了一种用于生成VQA系统的训练数据的方案。该方案利用针对训练图像而预先标注的物体关系和物体属性等信息,基于原训练数据集中人工标注的具有简单问题的训练数据来自动生成具有推理性问题的训练数据,以此方式,该方案能够自动、低成本且高效地获得用于VQA系统的大量训练数据,从而提高模型训练的效率。此外,由于所获得的训练数据中包括针对图像的推理性问题,因此能够提高VQA系统对图像的理解能力。这使得经训练的VQA系统能够回答针对图像的更复杂的推理性问题。
以下将参照附图来具体描述本公开的实施例。图1示出了本公开的实施例可以在其中实施的示例环境100的示意图。示例环境100示出了用于VQA系统的模型(也称为“VQA模型”)的训练过程。在本文中,术语“模型”可以从训练数据中学习到相应的输入与输出之间的关联,从而在训练完成后可以针对给定的输入,生成对应的输出。应当理解,在图1中仅出于示例性的目的描述环境100的结构和功能,而不暗示对于本公开的范围的任何限制。本公开的实施例还可以被应用到具有不同的结构和/或功能的环境中。
如图1所示,示例环境100总体上可以包括训练数据扩展装置110和模型训练装置120。在一些实施例中,训练数据扩展装置110和模型训练装置120可以被实现在同一设备中。备选地,在另一些实施例中,训练数据扩展装置110和模型训练装置120可以被分别实现在不同设备中。
在一些实施例中,训练数据扩展装置110可以获取预先标注的、针对VQA系统的训练数据集合101。例如,训练数据扩展装置110可以从现有的Visual Genome数据集获取训练数据集合101。训练数据集合101可以包括多组训练数据。例如,训练数据集合101中的第一组训练数据可以包括针对特定训练图像的问题(以下也称为“第一问题”)和该问题的答案(以下也称为“第一答案”)。
在一些实施例中,训练数据扩展装置110可以基于训练数据集合101来生成另一训练数据集合102。例如,训练数据扩展装置110可以基于训练数据集合101中的第一组训练数据来生成与之对应的第二组训练数据。第二训练数据可以包括基于第一问题而生成的推理性问题(以下也称为“第二问题”)和该推理性问题的答案。例如,该推理性问题和第一问题可以具有相同的答案。
在一些实施例中,如图1所示,训练数据集合101和训练数据集合102两者可以被提供给模型训练装置120,以用于训练VQA模型103。附加地或者备选地,在一些实施例中,可以仅向模型训练装置120提供训练数据集合102,以用于训练VQA模型103。经训练的VQA模型103能够被用于回答针对输入图像而提出的问题。
图2示出了根据本公开实施例的用于生成VQA系统的训练数据的方法200的流程图。例如,方法200可以由如图1所示的训练数据扩展装置110来执行。以下将结合图1来详细描述方法200。应当理解,方法200还可以包括未示出的附加框和/或可以省略所示出的框。本公开的范围在此方面不受限制。
如图2所示,在框210,训练数据扩展装置110获取VQA系统的第一组训练数据。第一组训练数据可以包括针对用于VQA系统的训练图像的第一问题和与第一问题相对应的第一答案。
在一些实施例中,第一组训练数据中的第一问题和第一答案可以以任意自然语言来表述。自然语言的示例包括但不限于中文、英文、德文、西班牙文、法文等等。在以下描述中,将以中文和英文作为自然语言的示例。然而应当理解,这仅仅出于示例的目的,而无意于限制本公开的范围。本公开的实施例可以适用于各种不同的自然语言。
在一些实施例中,训练数据扩展装置110可以从预先标注的训练数据集合101中获取第一组训练数据。图3示出了根据本公开的实施例的示例训练数据的示意图。图3示出了训练图像310,其中包括黄色的消防栓、跳过该消防栓的男人以及穿着短裤站在男人后面的女人。图3还示例性地示出了针对该训练图像310而预先标注的训练数据集合101,其包括问题311和与问题311相对应的答案312、以及问题321和与问题321相对应的答案322。如图3所示,问题311为“女人站在什么东西旁边(What is the woman standing next to)?”,其答案312为“她的随身物品(Her belongings)”。问题321为“消防栓是什么颜色(What coloris the fire hydrant)?”,其答案322为“黄色(Yellow)”。如图3所示的问题311与答案312的组合、或者问题321和答案322的组合可以作为第一组训练数据的示例。
在框220,训练数据扩展装置110获取与该训练图像有关的信息。
在一些实施例中,训练数据扩展装置110可以获取针对该图像而预先标注的以下信息中的至少一项:标识该图像中的一个或多个对象的第一信息;标识一个或多个对象之间的关系的第二信息;以及标识一个或多个对象的相应属性的第三信息。
在一些实施例中,这些针对图像而预先标注的信息(即,对象、关系和属性)可以被对齐至预定语义词典(例如,wordNet语义词典)。也即,用于描述对象、关系和属性的词语均来自该预定语义词典,以保证不存在歧义。
以如图3所示的图像310为例。在一些实施例中,与图像310有关的信息可以标识图像310中的对象,诸如男人、女人和消防栓。附加地或者备选地,与图像310有关的信息还可以标识图像310中的不同对象之间的关系,诸如女人在男人后面(例如,该关系可以被表示为is_behind(woman,man))、男人跳过消防栓(例如,该关系可以被表示为jumping_over(man,fire hydrant))等。附加地或者备选地,与图像310有关的信息还可以标识图像310中的不同对象的相应属性,诸如消防栓是黄色的(例如,表示为color(fire hydrant,yellow))、消防栓的材质是金属(例如,表示为material(fire hydrant,metal))等。
在框230,训练数据扩展装置110基于所获取的信息来生成与第一答案相对应的推理性问题(即,第二问题),以得到针对用于VQA系统的训练图像的第二组训练数据。第二组训练数据可以包括第二问题和第一答案。
图4示出了根据本公开的实施例的用于生成推理性问题的方法400的流程图。方法400可以作为如图2所示的框230的一种示例实现。例如,方法400可以由如图1所示的训练数据扩展装置110来执行。应当理解,方法400还可以包括未示出的附加框和/或可以省略所示出的框。本公开的范围在此方面不受限制。
在框410,训练数据扩展装置110确定第一问题中用于描述图像中的对象的关键词。以如图3所示的问题311为例,例如问题311中的关键词可以是“女人(the woman)”。以如图3所示的问题321为例,例如问题321中的关键词可以是“消防栓(the fire hydrant)”。
在框420,训练数据扩展装置110确定该关键词的上位词。在一些实施例中,训练数据扩展装置110可以通过查询预定语义词典(例如,wordNet语义词典)来确定关键词的上位词。以如图3所示的问题311为例,例如关键词“女人(the woman)”的上位词可以是“人(person)”。以如图3所示的问题321为例,例如关键词“消防栓(the fire hydrant)”的上位词可以是“东西(thing)”。
在框430,训练数据扩展装置110生成用于限定上位词的一个或多个约束条件,以使得由该一个或多个约束条件限定的上位词能够唯一地标识图像中的该对象。
在一些实施例中,用于限定上位词的约束条件可以基于对象之间的关系来被生成。以如图3所示的问题311为例,关键词“女人(the woman)”的上位词为“人(person)”。因为在图像310中在男人后面的唯一的人是图像310中的女人,所以关系is_behind(woman,man)可以被用来限定该上位词,以唯一地表示图像310中的女人。
在一些实施例中,用于限定上位词的约束条件可以基于对象的属性来被生成。以如图3所示的问题312为例,关键词“消防栓(the fire hydrant)”的上位词为“东西(thing)”。假设在图像310中仅消防栓为金属材质的,可以利用属性material(firehydrant,metal)来限定上位词“东西(thing)”,以唯一地标识消防栓。
在一些实施例中,如果利用单个约束条件来约束的上位词不能够唯一地标识图像中的该对象,则可以增加约束条件的数目,直到利用多个约束条件来限定的上位词能够唯一地标识图像中的该对象。例如,该多个约束条件可以包括基于对象关系而生成的约束条件和/或基于对象属性而生成的约束条件。
附加地或者备选地,在一些实施例中,可以预先设置用于限定上位词的约束条件的最大数目,以保证所生成的约束条件的数目不超过该最大数目。这样能够保证所生成的推理性问题不会过于复杂。例如,假定所设置的约束条件的最大数目为K(其中K为自然数)。在一些实施例中,当训练数据扩展装置110确定必须使用超过K个约束条件来限定上位词才能唯一标识图像中的某个对象时,可以放弃约束条件的生成以及后续针对描述该对象的关键词的替换。
在框440,训练数据扩展装置110基于上位词和一个或多个约束条件,将第一问题转换成第二问题。在一些实施例中,训练数据扩展装置110可以利用由该一个或多个约束条件限定的上位词来替换第一问题中的关键词来得到第二问题。
例如,图3示出了基于示例训练数据集合101而生成的示例训练数据集合102,其包括问题311被转换成的推理性问题331“在男人后面的人站在什么东西旁边(What is theperson that is behind the man standing next to)?”,其中利用“在男人后面的人(theperson that is behind the man)”来替换问题311中的“女人(the woman)”。例如,问题331的答案仍然为答案312“她的随身物品”。训练数据集合102还包括问题321被转换而成的推理性问题341“由金属制成的东西是什么颜色(What color is the thing that is madeof metal)?”,其中利用“由金属制成的东西(the thing that is made of metal)”来替换问题321中的“消防栓(the fire hydrant)”。例如,问题341的答案仍然为答案322“黄色”。
从以上描述能够看出,本公开的实施例利用针对训练图像而预先标注的物体关系和物体属性等信息,基于原训练数据集中具有简单问题的训练数据来自动生成具有推理性问题的训练数据。以此方式,本公开的实施例能够自动、低成本且高效地获得用于VQA系统的大量训练数据,从而提高模型训练的效率。此外,由于所获得的训练数据中包括针对图像的推理性问题,因此能够提高VQA系统对图像的理解能力。这使得经训练的VQA系统能够回答针对图像的更复杂的推理性问题。
本公开实施例还提供了用于实现上述方法或过程的相应装置。图5示出了根据本公开实施例的用于生成VQA系统的训练数据的装置500的示意性框图。该装置500可以在例如图1中的训练数据扩展装置110处实施。如图5所示,装置500可以包括第一获取模块510、第二获取模块520和问题生成模块530。
在一些实施例中,第一获取模块510被配置为获取视觉问答系统的第一组训练数据,第一组训练数据包括针对视觉问答系统中的图像的第一问题和与第一问题相对应的第一答案。
在一些实施例中,第一获取模块510被配置为从预先标注的、针对视觉问答系统的已有训练数据集合中获取第一组训练数据。
在一些实施例中,第二获取模块520被配置为获取与图像有关的信息。
在一些实施例中,第二获取模块520被配置为获取针对该图像而预先标注的以下信息中的至少一项:标识该图像中的一个或多个对象的第一信息;标识一个或多个对象之间的关系的第二信息;以及标识一个或多个对象的相应属性的第三信息。
在一些实施例中,问题生成模块530被配置为基于该信息来生成与第一答案相对应的第二问题,以得到针对视觉问答系统中的图像的第二组训练数据,第二组训练数据包括第二问题和第一答案。
在一些实施例中,问题生成模块530包括:第一确定单元,被配置为确定第一问题中用于描述图像中的对象的关键词;第二确定单元,被配置为确定该关键词的上位词;生成单元,被配置为基于该信息来生成用于限定上位词的一个或多个约束条件,以使得由一个或多个约束条件限定的上位词唯一地标识图像中的该对象;以及转换单元,被配置为基于上位词和一个或多个约束条件,将第一问题转换成第二问题。
在一些实施例中,第二确定单元被配置为通过查询语义词典来确定关键词的上位词。
在一些实施例中,所获取的信息标识该对象与图像中的其他对象之间的关系,并且其中生成单元被配置为基于该关系来生成一个或多个约束条件中的至少一个约束条件。
在一些实施例中,所获取的信息标识该对象的属性,并且其中生成单元被配置为基于该属性来生成一个或多个约束条件中的至少一个约束条件。
在一些实施例中,生成单元被配置为基于该信息来生成一个或多个约束条件,以使得一个或多个约束条件的数目低于预定阈值。
在一些实施例中,转换单元被配置为利用由一个或多个约束条件限定的上位词来替换第一问题中的关键词,以得到第二问题。
应当理解,装置500中记载的每个单元分别与参考图2-4描述的方法200和400中的每个步骤相对应。并且,装置500及其中包含的单元的操作和特征都对应于上文结合图2-4描述的操作和特征,并且具有同样的效果,具体细节不再赘述。
装置500中所包括的单元可以利用各种方式来实现,包括软件、硬件、固件或其任意组合。在一些实施例中,一个或多个单元可以使用软件和/或固件来实现,例如存储在存储介质上的机器可执行指令。除了机器可执行指令之外或者作为替代,装置500中的部分或者全部单元可以至少部分地由一个或多个硬件逻辑组件来实现。作为示例而非限制,可以使用的示范类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD),等等。
图5中所示的这些单元可以部分或者全部地实现为硬件模块、软件模块、固件模块或者其任意组合。特别地,在某些实施例中,上文描述的流程、方法或过程可以由存储系统或与存储系统对应的主机或独立于存储系统的其它计算设备中的硬件来实现。
图6示出了可以用来实施本公开的实施例的示例设备600的示意性框图。设备600可以用于实现如图1所述的训练数据扩展装置110和/或模型训练装置120。如图所示,设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元601执行上文所描述的各个方法和处理,例如方法200和/或400。例如,在一些实施例中,方法200和/或400可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU601执行时,可以执行上文描述的方法200和/或400的一个或多个步骤。备选地,在其他实施例中,CPU 601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200和/或400。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (20)
1.一种用于生成视觉问答系统的训练数据的方法,包括:
获取所述视觉问答系统的第一组训练数据,所述第一组训练数据包括针对所述视觉问答系统中的图像的第一问题和与所述第一问题相对应的第一答案;
获取与所述图像有关的信息;以及
基于所述信息来生成与所述第一答案相对应的第二问题,以得到针对所述视觉问答系统中的所述图像的第二组训练数据,所述第二组训练数据包括所述第二问题和所述第一答案。
2.根据权利要求1所述的方法,其中获取所述第一组训练数据包括:
从预先标注的、针对所述视觉问答系统的已有训练数据集合中获取所述第一组训练数据。
3.根据权利要求1所述的方法,其中获取所述信息包括:
获取针对所述图像而预先标注的以下信息中的至少一项:
标识所述图像中的一个或多个对象的第一信息;
标识所述一个或多个对象之间的关系的第二信息;以及
标识所述一个或多个对象的相应属性的第三信息。
4.根据权利要求1所述的方法,其中生成所述第二问题包括:
确定所述第一问题中用于描述所述图像中的对象的关键词;
确定所述关键词的上位词;
基于所述信息来生成用于限定所述上位词的一个或多个约束条件,以使得由所述一个或多个约束条件限定的所述上位词唯一地标识所述图像中的所述对象;以及
基于所述上位词和所述一个或多个约束条件,将所述第一问题转换成所述第二问题。
5.根据权利要求4所述的方法,其中确定所述上位词包括:
通过查询语义词典来确定所述关键词的所述上位词。
6.根据权利要求4所述的方法,其中所述信息标识所述对象与所述图像中的其他对象之间的关系,并且其中生成所述一个或多个约束条件包括:
基于所述关系来生成所述一个或多个约束条件中的至少一个约束条件。
7.根据权利要求4所述的方法,其中所述信息标识所述对象的属性,并且其中生成所述一个或多个约束条件包括:
基于所述属性来生成所述一个或多个约束条件中的至少一个约束条件。
8.根据权利要求4所述的方法,其中生成所述一个或多个约束条件包括:
基于所述信息来生成所述一个或多个约束条件,以使得所述一个或多个约束条件的数目低于预定阈值。
9.根据权利要求4所述的方法,其中将所述第一问题转换成所述第二问题包括:
利用由所述一个或多个约束条件限定的所述上位词来替换所述第一问题中的所述关键词,以得到所述第二问题。
10.一种用于生成视觉问答系统的训练数据的装置,包括:
第一获取模块,被配置为获取所述视觉问答系统的第一组训练数据,所述第一组训练数据包括针对所述视觉问答系统中的图像的第一问题和与所述第一问题相对应的第一答案;
第二获取模块,被配置为获取与所述图像有关的信息;以及
问题生成模块,被配置为基于所述信息来生成与所述第一答案相对应的第二问题,以得到针对所述视觉问答系统中的所述图像的第二组训练数据,所述第二组训练数据包括所述第二问题和所述第一答案。
11.根据权利要求10所述的装置,其中所述第一获取模块被配置为:
从预先标注的、针对所述视觉问答系统的已有训练数据集合中获取所述第一组训练数据。
12.根据权利要求10所述的装置,其中所述第二获取模块被配置为:
获取针对所述图像而预先标注的以下信息中的至少一项:
标识所述图像中的一个或多个对象的第一信息;
标识所述一个或多个对象之间的关系的第二信息;以及
标识所述一个或多个对象的相应属性的第三信息。
13.根据权利要求10所述的装置,其中所述问题生成模块包括:
第一确定单元,被配置为确定所述第一问题中用于描述所述图像中的对象的关键词;
第二确定单元,被配置为确定所述关键词的上位词;
生成单元,被配置为基于所述信息来生成用于限定所述上位词的一个或多个约束条件,以使得由所述一个或多个约束条件限定的所述上位词唯一地标识所述图像中的所述对象;以及
转换单元,被配置为基于所述上位词和所述一个或多个约束条件,将所述第一问题转换成所述第二问题。
14.根据权利要求13所述的装置,其中所述第二确定单元被配置为:
通过查询语义词典来确定所述关键词的所述上位词。
15.根据权利要求13所述的装置,其中所述信息标识所述对象与所述图像中的其他对象之间的关系,并且其中所述生成单元被配置为:
基于所述关系来生成所述一个或多个约束条件中的至少一个约束条件。
16.根据权利要求13所述的装置,其中所述信息标识所述对象的属性,并且其中所述生成单元被配置为:
基于所述属性来生成所述一个或多个约束条件中的至少一个约束条件。
17.根据权利要求13所述的装置,其中所述生成单元被配置为:
基于所述信息来生成所述一个或多个约束条件,以使得所述一个或多个约束条件的数目低于预定阈值。
18.根据权利要求13所述的装置,其中所述转换单元被配置为:
利用由所述一个或多个约束条件限定的所述上位词来替换所述第一问题中的所述关键词,以得到所述第二问题。
19.一种电子设备,包括:
一个或多个处理器;以及
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现根据权利要求1-9中任一项所述的方法。
20.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811134016.6A CN109241267B (zh) | 2018-09-27 | 2018-09-27 | 生成vqa系统的训练数据的方法、装置、设备和介质 |
JP2019131052A JP6975752B2 (ja) | 2018-09-27 | 2019-07-16 | Vqaシステムの訓練データを生成する訓練データ生成方法、訓練データ生成装置、電子機器およびコンピュータ読み取り可能な媒体 |
US16/534,036 US11521118B2 (en) | 2018-09-27 | 2019-08-07 | Method and apparatus for generating training data for VQA system, and medium |
EP19191673.3A EP3629253A1 (en) | 2018-09-27 | 2019-08-14 | Method and apparatus for generating training data for vqa system, and medium |
KR1020190109836A KR102261977B1 (ko) | 2018-09-27 | 2019-09-05 | Vqa 시스템의 트레이닝 데이터를 생성하는 방법, 장치, 기기 및 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811134016.6A CN109241267B (zh) | 2018-09-27 | 2018-09-27 | 生成vqa系统的训练数据的方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241267A true CN109241267A (zh) | 2019-01-18 |
CN109241267B CN109241267B (zh) | 2022-07-01 |
Family
ID=65057316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811134016.6A Active CN109241267B (zh) | 2018-09-27 | 2018-09-27 | 生成vqa系统的训练数据的方法、装置、设备和介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11521118B2 (zh) |
EP (1) | EP3629253A1 (zh) |
JP (1) | JP6975752B2 (zh) |
KR (1) | KR102261977B1 (zh) |
CN (1) | CN109241267B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858555A (zh) * | 2019-02-12 | 2019-06-07 | 北京百度网讯科技有限公司 | 基于图像的数据处理方法、装置、设备及可读存储介质 |
CN109871457A (zh) * | 2019-01-30 | 2019-06-11 | 北京百度网讯科技有限公司 | 基于图像的数据处理方法、装置、电子设备和存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949824B (zh) * | 2020-07-08 | 2023-11-03 | 合肥工业大学 | 基于语义对齐的视觉问答方法和系统、存储介质 |
CN112651403B (zh) * | 2020-12-02 | 2022-09-06 | 浙江大学 | 基于语义嵌入的零样本视觉问答方法 |
WO2023153082A1 (ja) * | 2022-02-08 | 2023-08-17 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、及びプログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572998A (zh) * | 2015-01-07 | 2015-04-29 | 北京云知声信息技术有限公司 | 用于自动问答系统的问答排序模型更新方法及装置 |
US20150178623A1 (en) * | 2013-12-23 | 2015-06-25 | International Business Machines Corporation | Automatically Generating Test/Training Questions and Answers Through Pattern Based Analysis and Natural Language Processing Techniques on the Given Corpus for Quick Domain Adaptation |
CN105630887A (zh) * | 2015-12-18 | 2016-06-01 | 北京中科汇联科技股份有限公司 | 中文问答系统知识标记语言的表示方法及中文问答系统 |
CN106339756A (zh) * | 2016-08-25 | 2017-01-18 | 北京百度网讯科技有限公司 | 训练数据的生成方法、搜索方法以及装置 |
CN108090169A (zh) * | 2017-12-14 | 2018-05-29 | 上海智臻智能网络科技股份有限公司 | 问句扩展方法及装置、存储介质、终端 |
US20180260472A1 (en) * | 2017-03-10 | 2018-09-13 | Eduworks Corporation | Automated tool for question generation |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9910886B2 (en) * | 2015-04-17 | 2018-03-06 | International Business Machines Corporation | Visual representation of question quality |
US10909329B2 (en) * | 2015-05-21 | 2021-02-02 | Baidu Usa Llc | Multilingual image question answering |
US9965705B2 (en) * | 2015-11-03 | 2018-05-08 | Baidu Usa Llc | Systems and methods for attention-based configurable convolutional neural networks (ABC-CNN) for visual question answering |
KR102017853B1 (ko) | 2016-09-06 | 2019-09-03 | 주식회사 카카오 | 검색 방법 및 장치 |
-
2018
- 2018-09-27 CN CN201811134016.6A patent/CN109241267B/zh active Active
-
2019
- 2019-07-16 JP JP2019131052A patent/JP6975752B2/ja active Active
- 2019-08-07 US US16/534,036 patent/US11521118B2/en active Active
- 2019-08-14 EP EP19191673.3A patent/EP3629253A1/en not_active Ceased
- 2019-09-05 KR KR1020190109836A patent/KR102261977B1/ko active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150178623A1 (en) * | 2013-12-23 | 2015-06-25 | International Business Machines Corporation | Automatically Generating Test/Training Questions and Answers Through Pattern Based Analysis and Natural Language Processing Techniques on the Given Corpus for Quick Domain Adaptation |
CN104572998A (zh) * | 2015-01-07 | 2015-04-29 | 北京云知声信息技术有限公司 | 用于自动问答系统的问答排序模型更新方法及装置 |
CN105630887A (zh) * | 2015-12-18 | 2016-06-01 | 北京中科汇联科技股份有限公司 | 中文问答系统知识标记语言的表示方法及中文问答系统 |
CN106339756A (zh) * | 2016-08-25 | 2017-01-18 | 北京百度网讯科技有限公司 | 训练数据的生成方法、搜索方法以及装置 |
US20180260472A1 (en) * | 2017-03-10 | 2018-09-13 | Eduworks Corporation | Automated tool for question generation |
CN108090169A (zh) * | 2017-12-14 | 2018-05-29 | 上海智臻智能网络科技股份有限公司 | 问句扩展方法及装置、存储介质、终端 |
Non-Patent Citations (1)
Title |
---|
YIKANG LI ET AL.: "Visual Question Generation as Dual Task of Visual Question Answering", 《ARXIV.ORG》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871457A (zh) * | 2019-01-30 | 2019-06-11 | 北京百度网讯科技有限公司 | 基于图像的数据处理方法、装置、电子设备和存储介质 |
US11314800B2 (en) | 2019-01-30 | 2022-04-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, electronic device, and storage medium for image-based data processing |
CN109858555A (zh) * | 2019-02-12 | 2019-06-07 | 北京百度网讯科技有限公司 | 基于图像的数据处理方法、装置、设备及可读存储介质 |
CN109858555B (zh) * | 2019-02-12 | 2022-05-17 | 北京百度网讯科技有限公司 | 基于图像的数据处理方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11521118B2 (en) | 2022-12-06 |
EP3629253A1 (en) | 2020-04-01 |
JP2020053018A (ja) | 2020-04-02 |
KR102261977B1 (ko) | 2021-06-08 |
CN109241267B (zh) | 2022-07-01 |
KR20200036741A (ko) | 2020-04-07 |
JP6975752B2 (ja) | 2021-12-01 |
US20200104742A1 (en) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241267A (zh) | 生成vqa系统的训练数据的方法、装置、设备和介质 | |
CN111506722A (zh) | 基于深度学习技术的知识图谱问答方法、装置及设备 | |
JP2019504371A (ja) | 自動質問応答システムにおける質問クラスタリング処理方法及び装置 | |
CN108733837A (zh) | 一种病历文本的自然语言结构化方法及装置 | |
KR102329242B1 (ko) | Vqa 트레이닝 데이터를 생성하는 방법, 장치, 기기 및 컴퓨터 판독 가능 매체 | |
CN109783801B (zh) | 一种电子装置、多标签分类方法及存储介质 | |
CN109522395A (zh) | 自动问答方法及装置 | |
CN113641830B (zh) | 模型预训练方法、装置、电子设备和存储介质 | |
CN113409823B (zh) | 语音情绪识别方法、装置、电子设备及存储介质 | |
CN113033801A (zh) | 神经网络模型的预训练方法、装置、电子设备和介质 | |
CN113360654A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN106339366A (zh) | 基于人工智能的需求识别的方法和装置 | |
CN114925176B (zh) | 一种智能体多模态认知图谱的构建方法、系统和介质 | |
CN112507663A (zh) | 基于文本的判断题生成方法、装置、电子设备及存储介质 | |
CN110347802A (zh) | 一种文本分析方法及装置 | |
CN111143571A (zh) | 实体标注模型的训练方法、实体标注方法以及装置 | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN113723513A (zh) | 多标签图像分类方法、装置及相关设备 | |
CN113420542A (zh) | 对话生成方法、装置、电子设备及存储介质 | |
CN117290515A (zh) | 文本标注模型的训练方法、文生图方法及装置 | |
CN112597748B (zh) | 语料生成方法、装置、设备及计算机可读存储介质 | |
CN109300550A (zh) | 医学数据关系挖掘方法及装置 | |
CN114707017A (zh) | 视觉问答方法、装置、电子设备和存储介质 | |
CN114398482A (zh) | 一种词典构造方法、装置、电子设备及存储介质 | |
CN112988962A (zh) | 文本纠错方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |