CN111275110B - 图像描述的方法、装置、电子设备及存储介质 - Google Patents
图像描述的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111275110B CN111275110B CN202010065500.9A CN202010065500A CN111275110B CN 111275110 B CN111275110 B CN 111275110B CN 202010065500 A CN202010065500 A CN 202010065500A CN 111275110 B CN111275110 B CN 111275110B
- Authority
- CN
- China
- Prior art keywords
- image
- description
- basic feature
- target image
- basic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 19
- 230000000875 corresponding effect Effects 0.000 description 45
- 238000012549 training Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 18
- 238000012937 correction Methods 0.000 description 14
- 230000001815 facial effect Effects 0.000 description 14
- 238000003062 neural network model Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 244000025254 Cannabis sativa Species 0.000 description 3
- 206010048245 Yellow skin Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 206010011469 Crying Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/55—Rule-based translation
- G06F40/56—Natural language generation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/169—Annotation, e.g. comment data or footnotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/274—Converting codes to words; Guess-ahead of partial word inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了图像描述的方法、装置、电子设备及存储介质,涉及图像处理技术领域。具体实现方案为:获取目标图像;通过N个图像识别模型对所述目标图像进行识别以生成所述目标图像的M个基础特征,其中,N为正整数,M为小于或等于N的正整数;根据所述M个基础特征,生成M个基础特征标签;根据所述M个基础特征标签生成所述目标图像的图像描述语句,通过这种方式生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及计算机视觉技术领域,尤其涉及图像描述的方法、装置、电子设备及存储介质。
背景技术
图像描述,其目的是从图像中自动生成一段描述性文字,即看图说话。图像描述的过程不仅要能检测出图像中的物体,而且要理解物体之间的相互关系,最后还要用合理的语言表达出来。
相关技术中,通常是利用单个识别模型对图像进行识别,以根据识别出的图像的单个特征生成特征标签对图像进行描述,这种方式从图像中识别出的信息较少,生成的特征标签无法充分表现出图像中的信息。
发明内容
本申请提出一种图像描述的方法、装置、电子设备及存储介质,生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。
本申请第一方面实施例提出一种图像描述的方法,该方法包括:获取目标图像;通过N个图像识别模型对所述目标图像进行识别以生成所述目标图像的M个基础特征,其中,N为正整数,M为小于或等于N的正整数;根据所述M个基础特征,生成M个基础特征标签;根据所述M个基础特征标签生成所述目标图像的图像描述语句。
在本申请一个实施例中,所述根据所述M个基础特征标签生成所述目标图像的图像描述语句,包括:获取应用程序的类别;根据所述应用程序的类别获取所述目标图像的描述模板;将所述M个基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句。
在本申请一个实施例中,所述将所述M个基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句,包括:获取所述M个基础特征标签之间的相关性;根据所述M个基础特征标签之间的相关性获取相关的第一基础特征标签和第二基础特征标签;将所述第一基础特征标签、所述第二基础特征标签和其他基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句。
在本申请一个实施例中,所述根据所述M个基础特征标签生成所述目标图像的图像描述语句,包括:获取应用程序的类别;根据所述应用程序的类别获取所述应用程序对应的描述模型;将所述M个基础特征标签输入所述描述模型以生成所述目标图像的图像描述语句。
在本申请一个实施例中,所述图像识别模型包括人脸识别模型、文字识别模型、分类识别模型、标识识别模型、水印识别模型、菜品识别模型、车牌识别模型、表情识别模型、年龄识别模型、肤色识别模型之中的多种。
本申请实施例的图像描述的方法,利用多个图像识别模型对获取的目标图像进行识别以生成目标图像的多个基础特征,然后根据多个基础特征生成目标图像的多个基础特征标签,再根据多个基础特征标签生成目标图像的图像描述语句,生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。
本申请第二方面实施例提出了一种图像描述的装置,包括获取模块,用于获取目标图像;第一生成模块,用于通过N个图像识别模型对所述目标图像进行识别以生成所述目标图像的M个基础特征,其中,N为正整数,M为小于或等于N的正整数;第二生成模块,用于根据所述M个基础特征,生成M个基础特征标签;第三生成模块,用于根据所述M个基础特征标签生成所述目标图像的图像描述语句。
本申请实施例的图像描述的装置,获取目标图像后,首先利用多个图像识别模型对获取的目标图像进行识别以生成目标图像的多个基础特征,然后根据多个基础特征生成多个基础特征标签,再根据多个基础特征标签生成目标图像的图像描述语句,利用这种方式生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。
在本申请的一个实施例中,所述第三生成模块,包括:第一获取单元,用于获取应用程序的类别;第二获取单元,用于根据所述应用程序的类别获取所述目标图像的描述模板;处理单元,用于将所述M个基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句。
在本申请的一个实施例中,所述处理单元,具体用于:获取所述M个基础特征标签之间的相关性;根据所述M个基础特征标签之间的相关性获取相关的第一基础特征标签和第二基础特征标签;将所述第一基础特征标签、所述第二基础特征标签和其他基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句。
在本申请的一个实施例中,所述第三生成模块,具体用于:获取应用程序的类别;根据所述应用程序的类别获取所述应用程序对应的描述模型;将所述M个基础特征标签输入所述描述模型以生成所述目标图像的图像描述语句。
在本申请的一个实施例中,所述图像识别模型包括人脸识别模型、文字识别模型、分类识别模型、标识识别模型、水印识别模型、菜品识别模型、车牌识别模型、表情识别模型、年龄识别模型、肤色识别模型之中的多种。
本申请第三方面实施例提出了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例的图像描述的方法。
本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请实施例公开的图像描述的方法。
本申请第五方面实施例提出了一种图像描述的方法,包括:获取目标图像;通过N个图像识别模型对所述目标图像进行识别以生成所述目标图像的M个基础特征,其中,N为正整数,M为小于或等于N的正整数;根据所述M个基础特征,生成所述目标图像的图像描述语句。
上述申请中的一个实施例具有如下优点或有益效果:生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。因为采用利用目标图像的多个基础特征,生成目标图像的图像描述语句的技术手段,所以克服了相关技术中从图像中识别出的信息较少,生成的特征标签无法充分表现出图像中的信息的技术问题,进而达到了生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是用来实现本申请实施例的图像描述的方法的电子设备的框图;
图6是根据本申请第五实施例的示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请各实施例针对相关技术中利用单个识别模型对图像进行识别,以根据识别出的图像的单个特征生成特征标签对图像进行描述,这种方式从图像中识别出的信息较少,生成的特征标签无法充分表现出图像中的信息的技术问题,提出一种图像描述的方法。
本申请实施例提供的图像描述的方法,利用多个图像识别模型对获取的目标图像进行识别以生成目标图像的多个基础特征,然后根据多个基础特征生成多个基础特征标签,再根据多个基础特征标签生成目标图像的图像描述语句,利用这种方式生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。
下面参考附图描述本申请实施例的图像描述的方法、装置、电子设备及计算机可读存储介质。
下面结合附图1,对本申请实施例提供的图像描述的方法进行具体说明。
图1是根据本申请第一实施例的示意图。
如图1所示,本申请的图像描述的方法可以包括以下步骤:
步骤101,获取目标图像。
具体的,本申请实施例提供的图像描述的方法,可以由本申请实施例提供的图像描述的装置执行,该装置可以被配置在电子设备中,以生成目标图像的图像描述语句,实现对图像的描述。其中,电子设备可以是任意能够进行图像处理的硬件设备,比如智能手机、笔记本电脑、可穿戴设备等等。
其中,目标图像,可以是任意类型的待进行图像处理的图像,其可以是静态图像、动态图像、视频中的一帧图像,等等,本申请对此不作限制。
步骤102,通过N个图像识别模型对目标图像进行识别以生成目标图像的M个基础特征。
其中,N为正整数,M为小于或等于N的正整数。
在本申请实施例中,图像识别模型,可以包括人脸识别模型、文字识别模型、分类识别模型、标识识别模型、水印识别模型、菜品识别模型、车牌识别模型、表情识别模型、年龄识别模型、肤色识别模型等实现不同功能的图像识别模型之中的多种。
一个基础特征为一个图像识别模型对目标图像进行识别生成的特征。比如,人脸识别模型对目标图像进行识别生成的为人脸特征,表情识别模型对目标图像进行识别生成的为表情特征,等等。
可以理解的是,由于每个基础特征是通过一个图像识别模型对目标图像进行识别生成的,因此每个基础特征能够单独表现出图像的某种信息。比如,利用人脸识别模型对目标图像进行识别生成的人脸特征,能够表现出人脸的五官、轮廓等人脸信息,利用表情识别模型对目标图像进行识别生成的表情特征,能够表现出笑、哭等表情信息。
具体的,在获取目标图像后,可以通过N个图像识别模型分别对目标图像进行识别,以生成目标图像的M个特征。由于并不是所有的图像识别模型均能获得识别结果,因此,M为小于或等于N的正整数。
需要说明的是,在通过N个图像识别模型对目标图像进行识别时,N的个数可以根据需要设置。比如,可以通过图像描述的装置能够获取的所有图像识别模型对目标图像进行处理,也可以通过本申请实施例示出的人脸识别模型、文字识别模型、分类识别模型等图像识别模型中的几种对目标图像进行处理。
利用图像识别模型对目标图像进行识别的过程,可以参考相关技术中的对图像进行识别以生成图像的特征的方法,本申请对此不再赘述。比如,人脸识别模型为预先训练的神经网络模型,则可以将目标图像输入神经网络模型,得到目标图像的人脸特征。
步骤103,根据M个基础特征,生成M个基础特征标签。
在示例性实施例中,将M个基础特征分别输入至标签生成模型进行标签提取,即可分别生成M个对应的图像特征标签。
举例来说,假设对于一个四五岁的小女孩在笑的图像,分别通过人脸识别模型、年龄识别模型、表情识别模型,识别出图像的人脸特征、年龄特征和表情特征,则可以将人脸特征输入标签生成模型,生成基础特征标签“女孩”,将年龄特征输入标签生成模型,生成基础特征标签“四五岁”,将表情特征输入标签生成模型,生成基础特征标签“笑”或“高兴”。
其中,标签生成模型,可以是任意能够处理图像的特征,以生成对应特征标签的模型,比如卷积神经网络、递归神经网络等神经网络模型或其它模型,本申请对此不作限制。本申请以标签生成模型为神经网络模型为例进行说明。
具体的,标签生成模型可以根据大量已标注了图像特征标签的训练图像训练得到。具体训练生成标签生成模型时,可以先利用N种图像识别模型,识别出训练图像中每幅图像对应的M个基础特征,然后将各训练图像分别对应的M个基础特征和标注的图像特征标签作为训练数据,对神经网络模型进行训练,得到标签生成模型。
在示例性实施例中,可以通过如下训练方法,训练生成标签生成模型。
具体的,可以先将同一训练图像A1对应的M个基础特征输入预设的深度神经网络模型中,生成预测图像特征标签B1,然后,根据已标注的该训练图像A1的图像特征标签B1’与预测图像特征标签B1的差异,确定修正系数。再根据修正系数,对预设的深度神经网络模型进行第一次修正,生成第一标签生成模型。
再将另一训练图像A2对应的M个基础特征输入第一标签生成模型中,生成另一预测图像特征B2,然后,根据已标注的该训练图像的图像特征标签B2’与预测图像特征B2的差异,确定另一修正系数以对第一标签生成模型进行修正处理。
可以理解的是,根据训练图像A2对应的M个基础特征、已标注的该训练图像A2的图像特征标签B2’、预测图像特征B2,确定修正系数后,即可对第一标签生成模型进行一次修正,由于训练数据中包括多幅图像分别对应的M个基础特征、已标注的训练图像的图像特征标签,则可以重复上述过程,经过多次修正,即可生成性能良好的第一标签生成模型。
步骤104,根据M个基础特征标签生成目标图像的图像描述语句。
具体的,步骤104可以通过以下方式实现:
步骤104a,获取应用程序的类别。
可以理解的是,本申请中的图像描述的装置可以被配置在应用程序中,以使应用程序利用图像描述的装置生成的图像描述语句,实现一定的功能。比如,假设应用程序C要实现的功能是识别图像中人脸,以及识别人脸图像上的文字是否是广告,图像描述的装置可以被配置在应用程序C中,从而应用程序C可以利用图像描述的装置生成的图像描述语句,判断图像中是否包含人脸,以及人脸上是否包含广告。
相应的,图像描述的装置可以根据配置该装置的应用程序的类别,按照下面的方式,生成目标图像的图像描述语句。
步骤104b,根据应用程序的类别获取应用程序对应的描述模型。
步骤104c,将M个基础特征标签输入描述模型以生成目标图像的图像描述语句。
具体的,可以先根据多种应用程序所实现的功能,将应用程序分为多种类别,并预先设置不同类别的应用程序分别对应的描述模型,从而在获取配置该图像描述的装置的应用程序的类别后,可以根据与应用程序的类别对应的描述模型,对M个基础特征标签进行处理,以生成目标图像的图像描述语句。进而,应用程序即可利用生成的目标图像的图像描述语句实现对应功能。
其中,描述模型,可以是任意能够处理图像的特征标签的模型,比如卷积神经网络、递归神经网络等神经网络模型或其它模型,本申请对此不作限制。本申请以描述模型为神经网络模型为例进行说明。
具体训练生成不同类别的应用程序分别对应的描述模型时,可以先确定每种类别的应用程序实现对应功能时所需要利用的图像信息,然后利用能够识别出这些信息的图像识别模型,对多幅图像(图像数量可以根据需要设置)进行识别,以生成每幅图像分别对应的多个基础特征,进而根据多个基础特征,生成多个基础特征标签,并对于每幅图像,构建能充分表现出该图像中上述图像信息的一个图像描述语句,将各图像分别对应的多个基础特征标签和一个图像描述语句作为训练每种类别的应用程序对应的描述模型的训练数据。然后,即可利用每种类别的应用程序对应的描述模型的训练数据,训练该类别的应用程序对应的描述模型。进而在获取应用程序的类别后,即可获取与该类别应用程序对应的描述模型,进而将M个基础特征标签输入该描述模型以生成目标图像的图像描述语句,并利用该图像描述语句实现应用程序所实现的功能。
举例来说,假设各类别的应用程序中,A类别的应用程序需要利用图像中的人脸信息和表情信息,识别图像中是否有人在笑。则可以通过对1000幅图像利用人脸识别模型进行识别生成能够表现出各图像中人脸的五官、轮廓等人脸信息的人脸特征,并根据各人脸特征生成人脸特征标签,利用表情识别模型对1000幅图像分别进行识别生成能够表现出各图像中的笑、哭等表情信息的表情特征,并根据各表情特征生成表情特征标签,以及对于每幅图像,构建能够充分表现出该图像中的人脸信息及表情信息比如人脸是否在笑或哭的图像描述语句,比如“大笑的孩子”、“高兴的人”等作为A类别的应用程序对应的描述模型的训练数据。即,训练数据,包括1000幅图像中每幅图像分别对应的人脸特征标签、表情特征标签及图像描述语句。从而利用训练数据训练神经网络模型,生成A类别的应用程序对应的描述模型。在将M个基础特征标签输入A类别的应用程序对应的描述模型后,即可生成目标图像的图像描述语句,并利用该图像描述语句,识别图像中是否有人在笑。
或者,假设B类别的应用程序需要利用图像中的人脸信息、肤色信息和年龄信息,识别图像中是否有黄皮肤的小孩。则可以通过对1000幅图像利用人脸识别模型进行识别生成能够表现出各图像中人脸的五官、轮廓等人脸信息的人脸特征,并根据各人脸特征生成人脸特征标签,利用肤色识别模型对1000幅图像分别进行识别生成能够表现出各图像中皮肤颜色的肤色信息的肤色特征,并根据各肤色特征生成肤色特征标签,利用年龄识别模型对1000幅图像分别进行识别生成能够表现出各图像中年龄信息的年龄特征,并根据年龄特征生成年龄特征标签,以及对于每幅图像,构建能够充分表现出该图像中的人脸信息、肤色信息及年龄信息的图像描述语句比如“四五岁的黄皮肤的孩子”、“十七八岁的黑皮肤的人”等作为B类别的应用程序对应的描述模型的训练数据。即,训练数据,包括1000幅图像中每幅图像分别对应的人脸特征标签、肤色特征标签、年龄特征标签及图像描述语句。从而利用训练数据训练神经网络模型,生成B类别的应用程序对应的描述模型。在将M个基础特征标签输入B类别的应用程序对应的描述模型后,即可生成目标图像的图像描述语句,并利用该图像描述语句,识别图像中是否有黄皮肤的小孩。
下面以A类别的应用程序对应的描述模型的训练过程为例,对本申请中描述模型的训练过程进行说明。
具体的,可以先将同一图像A1对应的人脸特征标签及表情特征标签输入预设的深度神经网络模型中,生成预测图像描述语句a1,然后,根据能够充分表现图像A1中的人脸信息及表情信息的图像描述语句a1’,与预测图像描述语句a1之间的差异,确定修正系数。再根据修正系数,对预设的深度神经网络模型进行第一次修正,生成第一描述模型。
再将同一图像A2对应的人脸特征标签及表情特征标签输入第一描述模型中,生成预测图像描述语句a2,然后,根据能够充分表现图像A2中的人脸信息及表情信息的图像描述语句a2’,与预测图像描述语句a2之间的差异,确定另一修正系数以对第一描述模型进行修正处理。
可以理解的是,根据同一图像对应的人脸特征标签、表情特征标签、及能够充分表现该图像中的人脸信息、表情信息的图像描述语句a2’、预测图像描述语句a2,确定修正系数后,即可对第一描述模型进行一次修正,由于训练数据中包括多幅图像分别对应的人脸特征标签、表情特征标签、构建的能够充分表现该图像中的人脸信息、表情信息的图像描述语句,则可以重复上述过程,经过多次修正,即可生成性能良好的描述模型。
将M个基础特征标签输入描述模型即可生成目标图像的图像描述语句。
比如,假设A类别的应用程序需要利用图像中的人脸信息和表情信息,识别图像中是否有人在笑,通过对目标图像利用N个图像识别模型、标签生成模型进行处理,生成了目标图像的3个基础特征标签“小孩”、“高兴”、“狗”,则将3个基础特征标签输入描述模型,可以生成目标图像的图像描述语句“高兴的小孩”。
可以理解的是,本申请实施例提供的图像描述的方法,通过根据应用程序的类别选择对应的描述模板,生成应用程序实现其功能所需要的图像描述语句,可以使得生成的图像描述语句更符合应用程序的需求,使得应用程序能够更好的利用该描述语句实现其功能。
需要说明的是,本申请实施例中,以A类别的应用程序为例,训练生成A类别的应用程序对应的描述模型所利用的训练数据,除了人脸特征标签、表情特征标签,还可以包括利用其它图像识别模型对训练图像进行识别后生成的其它基础特征得到的基础特征标签,构建的图像描述语句除了充分表现出图像中的人脸信息及表情信息,还可以表现出图像中的其它信息,从而使得通过将M个基础特征标签输入描述模型,生成的图像描述语句,不仅可以充分表现出A类别的应用程序实现其功能所需的图像信息,还可以挖掘出图像中的其它信息,使得生成的图像描述语句具有更丰富的表现能力。
另外,在生成目标图像的图像描述语句后,还可以根据生成的图像描述语句及其它至少部分基础特征标签,或者根据多个图像描述语句,利用本申请提供的图像描述的方法,进一步生成能表现更多信息的图像描述语句,由此,通过这种迭代方式,可以使得生成的图像描述语句所表现的信息,能进一步满足实现更多功能的应用程序的需求。
本申请实施例提供的图像描述的方法,获取目标图像后,首先利用多个图像识别模型对获取的目标图像进行识别以生成目标图像的多个基础特征,然后根据多个基础特征生成多个基础特征标签,再根据多个基础特征标签生成目标图像的图像描述语句,利用这种方式生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。
下面对本申请实施例提供的图像描述的方法进行进一步说明。
图2是根据本申请第二实施例的示意图。
如图2所示,本申请的图像描述的方法,可以包括以下步骤:
步骤201,获取目标图像。
步骤202,通过N个图像识别模型对目标图像进行识别以生成目标图像的M个基础特征。
其中,N为正整数,M为小于或等于N的正整数。
步骤203,根据M个基础特征,生成M个基础特征标签。
其中,上述步骤201-203的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤204,根据应用程序的类别获取目标图像的描述模板。
步骤205,将M个基础特征标签的至少部分基础特征标签填入描述模板以形成图像描述语句。
具体的,可以先根据多种应用程序所实现的功能,将应用程序分为多种类别,并预先设置不同类别的应用程序分别对应的描述模板,从而在获取应用程序的类别后,可以根据与应用程序的类别对应的描述模板,对M个基础特征标签进行处理,以生成目标图像的图像描述语句。进而,应用程序即可利用生成的目标图像的图像描述语句实现对应功能。
在示例性实施例中,不同类别的应用程序对应的描述模板的设置方式可以不同。下面对描述模板的设置方式进行举例说明。
假设A类别的应用程序需要利用图像中的人脸信息和表情信息,识别图像中是否有人在笑。则A类别的应用程序对应的描述模板1可以是“p的s的q”,其中,p对应的是表情特征标签、s对应的是肤色特征标签、q对应的是人脸特征标签,从而通过描述模板1生成的图像描述语句同时包含表情特征标签、人脸特征标签、肤色特征标签,能够充分表现出目标图像的人脸信息、表情信息,以及目标图像的肤色信息。
或者,A类别的应用程序对应的描述模板1还可以是“p的r的q”,其中,p对应的是表情特征标签、q对应的是人脸特征标签、r对应的是年龄特征标签,从而通过描述模板1生成的图像描述语句同时包含表情特征标签、年龄特征标签、人脸特征标签,除了能够充分表现出目标图像的人脸信息、表情信息,还可以表现出年龄信息。也就是说,A类别的应用程序对应的描述模板生成的图像描述语句,除了可以充分的表现A类别的应用程序需要利用的人脸信息和表情信息,还可以表现出一些其它相关信息,比如肤色信息或年龄信息,因此具有更丰富的表现能力。
比如,通过对目标图像利用N个图像识别模型、标签生成模型进行处理,生成的目标图像的基础特征标签中包括“四五岁”、“高兴”、“孩子”,则可以通过将这3个基础特征标签填入描述模板1,形成图像描述语句“高兴的四五岁的孩子”。
值得注意的是,在设置描述模板时,可以灵活根据需要,在描述模板中设置“的”、“在”等助词,以使生成的图像描述语句通顺、流畅。
具体实现时,具体将M个基础特征标签中的哪几个基础特征标签填入描述模板,以形成图像描述语句,可以通过下述方式实现。
步骤205a,获取M个基础特征标签之间的相关性。
步骤205b,根据M个基础特征标签之间的相关性获取相关的第一基础特征标签和第二基础特征标签。
步骤205c,将第一基础特征标签、第二基础特征标签和其他基础特征的至少部分基础特征标签填入描述模板以形成图像描述语句。
具体的,可以通过根据不同类别的应用程序所实现的功能,确定M个基础特征标签之间的相关性并获取相关的第一基础特征标签和第二基础特征标签。
比如,假设A类别的应用程序需要利用图像中的人脸信息和表情信息,即A类别的应用程序需要利用人脸识别模型和表情识别模型两个图像识别模型对目标图像进行识别,生成的人脸特征和表情特征,生成图像描述语句,则可以认为M个基础特征中,人脸特征标签和表情特征标签之间的相关性较大,从而可以获取相关性较大的人脸特征标签和表情特征标签,将人脸特征标签和表情特征标签以及M个基础特征标签中其他基础特征标签的至少部分基础特征标签填入描述模板以形成图像描述语句。
其中,其它基础特征标签的至少部分基础特征标签可以为与第一基础特征标签和第二基础特征标签相关但相关性较小的任意一个或多个基础特征标签,本申请对此不作限制。
具体的,可以设置第一阈值和第二阈值两个阈值,第一阈值大于第二阈值,并将相关性大于第一阈值的基础特征标签认为是相关的,且相关性较大,将相关性大于第二阈值且小于第一阈值的基础特征标签认为是相关的,且相关性较小,从而可以通过获取M个基础特征标签之间的相关性,确定相关性较大的第一基础特征标签和第二基础特征标签,以及相关性较小的其他基础特征的至少部分基础特征标签,以将第一基础特征标签、第二基础特征标签和其他基础特征的至少部分基础特征标签填入描述模板以形成图像描述语句。
举例来说,仍以A类别的应用程序为例,假设通过对目标图像利用N个图像识别模型、标签生成模型进行处理,生成了目标图像的5个基础特征标签:“四五岁”、“高兴”、“孩子”、“广告”、“草地”,且“四五岁”、“高兴”、“孩子”的相关性大于第一阈值,“广告”与“四五岁”、“高兴”、“孩子”这3个基础特征标签的相关性均小于第二阈值,“草地”与“四五岁”、“高兴”、“孩子”这3个基础特征标签的相关性均大于第二阈值且小于第一阈值,则可以将“四五岁”、“高兴”、“孩子”、“草地”这4个基础特征标签填入A类别的应用程序对应的描述模板,形成图像描述语句“在草地上有高兴的四五岁的孩子”。
需要说明的是,在实际运用中,M个基础特征标签中相关的基础特征标签可以为两个,也可以为2个以上,本申请对此不作限制。本申请仅以第一基础特征标签和第二基础特征标签两个基础特征标签相关为例进行说明。
本申请实施例提供的图像描述的方法,获取目标图像后,首先利用多个图像识别模型对获取的目标图像进行识别以生成目标图像的多个基础特征,然后根据多个基础特征生成多个基础特征标签,再根据应用程序的类别获取目标图像的描述模板,再将M个基础特征标签的至少部分基础特征标签填入描述模板以形成图像描述语句,利用这种方式生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。
下面参照附图描述本申请实施例提出的图像描述的装置。
图3是根据本申请第三实施例的示意图。
如图3所示,该图像描述的装置100包括:
获取模块110,用于获取目标图像;
第一生成模块120,用于通过N个图像识别模型对所述目标图像进行识别以生成所述目标图像的M个基础特征,其中,N为正整数,M为小于或等于N的正整数;
第二生成模块130,用于根据所述M个基础特征,生成M个基础特征标签;
第三生成模块140,用于根据所述M个基础特征标签生成所述目标图像的图像描述语句。
具体的,本申请实施例提供的图像描述的装置,可以执行本申请前述实施例提供的图像描述的方法。其中,图像描述的装置,可以被配置在电子设备中,以生成目标图像的图像描述语句,实现对图像的描述。其中,电子设备可以是任意能够进行数据处理的硬件设备,比如智能手机、笔记本电脑、可穿戴设备等等。
在一种可能的实现形式中,所述图像识别模型包括人脸识别模型、文字识别模型、分类识别模型、标识识别模型、水印识别模型、菜品识别模型、车牌识别模型、表情识别模型、年龄识别模型、肤色识别模型之中的多种。
需要说明的是,本实施例的图像描述的装置的实施过程和技术原理,参见前述对第一方面实施例的图像描述的方法的解释说明,此处不再赘述。
本申请实施例提供的图像描述的装置,获取目标图像后,首先利用多个图像识别模型对获取的目标图像进行识别以生成目标图像的多个基础特征,然后根据多个基础特征生成多个基础特征标签,再根据多个基础特征标签生成目标图像的图像描述语句,利用这种方式生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。
图4是根据本申请第四实施例的示意图。
如图4所示,在图3所示的基础上,该图像描述的装置100中,第三生成模块140,具体包括:
第一获取单元141,用于获取应用程序的类别;
第二获取单元142,用于根据所述应用程序的类别获取所述目标图像的描述模板;
处理单元143,用于将所述M个基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句。
在一种可能的实现形式中,上述处理单元143,具体用于:
获取所述M个基础特征标签之间的相关性;
根据所述M个基础特征标签之间的相关性获取相关的第一基础特征标签和第二基础特征标签;
将所述第一基础特征标签、所述第二基础特征标签和其他基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句。
在另一种可能的实现形式中,上述第三生成模块140,具体用于:
获取应用程序的类别;
根据所述应用程序的类别获取所述应用程序对应的描述模型;
将所述M个基础特征标签输入所述描述模型以生成所述目标图像的图像描述语句。
需要说明的是,本实施例的图像描述的装置的实施过程和技术原理,参见前述对第一方面实施例的图像描述的方法的解释说明,此处不再赘述。
本申请实施例提供的图像描述的装置,获取目标图像后,首先利用多个图像识别模型对获取的目标图像进行识别以生成目标图像的多个基础特征,然后根据多个基础特征生成多个基础特征标签,再根据多个基础特征标签生成目标图像的图像描述语句,利用这种方式生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的图像描述的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的图像描述的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的图像描述的方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的图像描述的方法对应的程序指令/模块。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的图像描述的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
图6是根据本申请第五实施例的示意图。具体的,本申请实施例提供的图像描述的方法,可以由本申请实施例提供的图像描述的装置执行,该装置可以被配置在电子设备中,以生成目标图像的图像描述语句,实现对图像的描述。其中,电子设备可以是任意能够进行图像处理的硬件设备,比如智能手机、笔记本电脑、可穿戴设备等等。
如图6所示,本申请的图像描述的方法可以包括以下步骤:
步骤301,获取目标图像。
其中,目标图像,可以是任意类型的待进行图像处理的图像,其可以是静态图像、动态图像、视频中的一帧图像,等等,本申请对此不作限制。
步骤302,通过N个图像识别模型对目标图像进行识别以生成目标图像的M个基础特征。
其中,N为正整数,M为小于或等于N的正整数。
在本申请实施例中,图像识别模型,可以包括人脸识别模型、文字识别模型、分类识别模型、标识识别模型、水印识别模型、菜品识别模型、车牌识别模型、表情识别模型、年龄识别模型、肤色识别模型等实现不同功能的图像识别模型之中的多种。
步骤303,根据M个基础特征,生成目标图像的图像描述语句。
其中,需要说明的是,前述对上述图像描述的方法的解释说明也适用于本实施例的图像描述的方法,相关描述可参见相关部分,此处步骤赘述。
本申请实施例提供的图像描述的方法,获取目标图像后,首先利用多个图像识别模型对获取的目标图像进行识别以生成目标图像的多个基础特征,然后根据多个基础特征生成图像描述语句,利用这种方式生成的图像描述语句具有更丰富的表现能力,能够充分表现出目标图像中的信息,提高了图像描述语句的准确性和可靠性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种图像描述的方法,其特征在于,包括:
获取目标图像;
通过N个图像识别模型对所述目标图像进行识别以生成所述目标图像的M个基础特征,其中,N为正整数,M为小于或等于N的正整数;
根据所述M个基础特征,生成M个基础特征标签;
根据所述M个基础特征标签生成所述目标图像的图像描述语句;
所述根据所述M个基础特征标签生成所述目标图像的图像描述语句,包括:
获取应用程序的类别;
根据所述应用程序的类别获取所述目标图像的描述模板;
将所述M个基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句。
2.权利要求1所述的图像描述的方法,其特征在于,所述将所述M个基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句,包括:
获取所述M个基础特征标签之间的相关性;
根据所述M个基础特征标签之间的相关性获取相关的第一基础特征标签和第二基础特征标签;
将所述第一基础特征标签、所述第二基础特征标签和其他基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句。
3.如权利要求1所述的图像描述的方法,其特征在于,所述根据所述M个基础特征标签生成所述目标图像的图像描述语句,包括:
获取应用程序的类别;
根据所述应用程序的类别获取所述应用程序对应的描述模型;
将所述M个基础特征标签输入所述描述模型以生成所述目标图像的图像描述语句。
4.如权利要求1所述的图像描述的方法,其特征在于,所述图像识别模型包括人脸识别模型、文字识别模型、分类识别模型、标识识别模型、水印识别模型、菜品识别模型、车牌识别模型、表情识别模型、年龄识别模型、肤色识别模型之中的多种。
5.一种图像描述的装置,其特征在于,包括:
获取模块,用于获取目标图像;
第一生成模块,用于通过N个图像识别模型对所述目标图像进行识别以生成所述目标图像的M个基础特征,其中,N为正整数,M为小于或等于N的正整数;
第二生成模块,用于根据所述M个基础特征,生成M个基础特征标签;
第三生成模块,用于根据所述M个基础特征标签生成所述目标图像的图像描述语句;
所述第三生成模块,包括:
第一获取单元,用于获取应用程序的类别;
第二获取单元,用于根据所述应用程序的类别获取所述目标图像的描述模板;
处理单元,用于将所述M个基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句。
6.权利要求5所述的图像描述的装置,其特征在于,所述处理单元,具体用于:
获取所述M个基础特征标签之间的相关性;
根据所述M个基础特征标签之间的相关性获取相关的第一基础特征标签和第二基础特征标签;
将所述第一基础特征标签、所述第二基础特征标签和其他基础特征标签的至少部分基础特征标签填入所述描述模板以形成所述图像描述语句。
7.如权利要求5所述的图像描述的装置,其特征在于,所述第三生成模块,具体用于:
获取应用程序的类别;
根据所述应用程序的类别获取所述应用程序对应的描述模型;
将所述M个基础特征标签输入所述描述模型以生成所述目标图像的图像描述语句。
8.如权利要求5所述的图像描述的装置,其特征在于,所述图像识别模型包括人脸识别模型、文字识别模型、分类识别模型、标识识别模型、水印识别模型、菜品识别模型、车牌识别模型、表情识别模型、年龄识别模型、肤色识别模型之中的多种。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065500.9A CN111275110B (zh) | 2020-01-20 | 2020-01-20 | 图像描述的方法、装置、电子设备及存储介质 |
US17/034,310 US20210224476A1 (en) | 2020-01-20 | 2020-09-28 | Method and apparatus for describing image, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010065500.9A CN111275110B (zh) | 2020-01-20 | 2020-01-20 | 图像描述的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275110A CN111275110A (zh) | 2020-06-12 |
CN111275110B true CN111275110B (zh) | 2023-06-09 |
Family
ID=71002133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010065500.9A Active CN111275110B (zh) | 2020-01-20 | 2020-01-20 | 图像描述的方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210224476A1 (zh) |
CN (1) | CN111275110B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797262A (zh) * | 2020-06-24 | 2020-10-20 | 北京小米松果电子有限公司 | 诗词生成方法、装置、电子设备和存储介质 |
CN117593392A (zh) * | 2023-09-27 | 2024-02-23 | 书行科技(北京)有限公司 | 图像生成方法、装置、计算机设备和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015141523A1 (ja) * | 2014-03-20 | 2015-09-24 | ソニー株式会社 | 情報処理装置、情報処理方法及びコンピュータプログラム |
CN108304846A (zh) * | 2017-09-11 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置及存储介质 |
CN109740510A (zh) * | 2018-12-29 | 2019-05-10 | 三星电子(中国)研发中心 | 用于输出信息的方法和装置 |
CN110309839A (zh) * | 2019-08-27 | 2019-10-08 | 北京金山数字娱乐科技有限公司 | 一种图像描述的方法及装置 |
CN110472688A (zh) * | 2019-08-16 | 2019-11-19 | 北京金山数字娱乐科技有限公司 | 图像描述的方法及装置、图像描述模型的训练方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10255618B2 (en) * | 2015-12-21 | 2019-04-09 | Samsung Electronics Co., Ltd. | Deep link advertisements |
GB2547068B (en) * | 2016-01-13 | 2019-06-19 | Adobe Inc | Semantic natural language vector space |
CN109657079A (zh) * | 2018-11-13 | 2019-04-19 | 平安科技(深圳)有限公司 | 一种图像描述方法及终端设备 |
US10860954B1 (en) * | 2019-08-27 | 2020-12-08 | Capital One Services, Llc | Roomfinder platform |
-
2020
- 2020-01-20 CN CN202010065500.9A patent/CN111275110B/zh active Active
- 2020-09-28 US US17/034,310 patent/US20210224476A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015141523A1 (ja) * | 2014-03-20 | 2015-09-24 | ソニー株式会社 | 情報処理装置、情報処理方法及びコンピュータプログラム |
CN108304846A (zh) * | 2017-09-11 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置及存储介质 |
CN109740510A (zh) * | 2018-12-29 | 2019-05-10 | 三星电子(中国)研发中心 | 用于输出信息的方法和装置 |
CN110472688A (zh) * | 2019-08-16 | 2019-11-19 | 北京金山数字娱乐科技有限公司 | 图像描述的方法及装置、图像描述模型的训练方法及装置 |
CN110309839A (zh) * | 2019-08-27 | 2019-10-08 | 北京金山数字娱乐科技有限公司 | 一种图像描述的方法及装置 |
Non-Patent Citations (2)
Title |
---|
Natural language description of remote sensing images based on deep learning;Xiangrong Zhang et al;《2017 IEEE International Geoscience and Remote Sensing Symposium》;4798-4801 * |
融合图像场景及物体先验知识的图像描述生成模型;汤鹏杰等;《中国图象图像学报》;第22卷(第9期);1251-1260 * |
Also Published As
Publication number | Publication date |
---|---|
CN111275110A (zh) | 2020-06-12 |
US20210224476A1 (en) | 2021-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
CN111428008B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN111967262B (zh) | 实体标签的确定方法和装置 | |
CN111859951B (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
CN111783870B (zh) | 人体属性的识别方法、装置、设备及存储介质 | |
CN111104514B (zh) | 文档标签模型的训练方法及装置 | |
CN111221984A (zh) | 多模态内容处理方法、装置、设备及存储介质 | |
CN111523326A (zh) | 实体链指方法、装置、设备以及存储介质 | |
CN112347769B (zh) | 实体识别模型的生成方法、装置、电子设备及存储介质 | |
US20210216819A1 (en) | Method, electronic device, and storage medium for extracting spo triples | |
US11361002B2 (en) | Method and apparatus for recognizing entity word, and storage medium | |
CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
CN111950292B (zh) | 文本纠错模型的训练方法、文本纠错处理方法和装置 | |
CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN112001169B (zh) | 文本纠错的方法、装置、电子设备和可读存储介质 | |
CN112507090B (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
CN111753761B (zh) | 模型生成方法、装置、电子设备及存储介质 | |
CN111753744B (zh) | 用于票据图像分类的方法、装置、设备及可读存储介质 | |
CN111581358B (zh) | 信息抽取方法、装置及电子设备 | |
CN111832396B (zh) | 文档布局的解析方法、装置、电子设备和存储介质 | |
CN111275110B (zh) | 图像描述的方法、装置、电子设备及存储介质 | |
CN111666771B (zh) | 文书的语义标签抽取、装置、电子设备及可读存储介质 | |
CN111858880B (zh) | 获取查询结果的方法、装置、电子设备和可读存储介质 | |
CN111783427B (zh) | 用于训练模型与输出信息的方法、装置、设备及存储介质 | |
CN113361344A (zh) | 视频事件识别方法、装置、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 |