CN111611420A - 用于生成图像描述信息的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成图像描述信息的方法和装置。该方法的一具体实施方式包括：获取待描述图像；将该待描述图像输入至预先训练的图像描述模型，生成图像描述信息，其中，该图像描述模型用于表征图像描述信息与待描述图像之间的对应关系，该图像描述模型中包括基于注意力机制的图表示网络，该图表示网络用于提取该待描述图像中的实例和实例之间的关系。该实施方式有效地利用了图像中所包括的位置信息，有助于更准确地生成图像描述信息。

Description

用于生成图像描述信息的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成图像描述信息的方法和装置。

背景技术

随着人工智能技术的飞速发展，图像描述(image caption)任务也取得了越来越多的应用。

相关的方式通常包括利用不同的感受野(Receptive Field)从图像中提取实例(instance)，进而根据图像语义信息确定位置，从而生成图像描述信息。

发明内容

本申请实施例提出了用于生成图像描述信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成图像描述信息的方法，该方法包括：获取待描述图像；将待描述图像输入至预先训练的图像描述模型，生成图像描述信息，其中，图像描述模型用于表征图像描述信息与待描述图像之间的对应关系，图像描述模型中包括基于注意力机制(attention)的图表示网络，图表示网络用于提取待描述图像中的实例和实例之间的关系(translation)。

在一些实施例中，上述图表示网络的输入包括：实例查询向量、实例键向量、实例值向量、关系查询向量、关系键向量、关系值向量、关系构建向量，其中，上述关系构建向量用于表征实例之间是否具备关系。

在一些实施例中，上述图表示网络的输入还包括：门向量，其中，上述门向量用于表征图像中各通道的特征。

在一些实施例中，上述关系包括以下至少一项：一对一关系，一对多关系。

在一些实施例中，上述图像描述模型包括编码网络和解码网络，上述编码网络和解码网络分别包括上述图表示网络；以及上述将待描述图像输入至预先训练的图像描述模型，生成图像描述信息，包括：基于待描述图像提取特征，生成图像特征表示，其中，图像特征表示包括实例特征和关系特征；将实例特征和关系特征输入至包括图表示网络的编码网络，生成编码向量；基于将编码向量输入包括图表示网络的解码网络，生成图像描述信息。

在一些实施例中，上述基于待描述图像提取特征，生成图像特征表示，包括：将待描述图像输入预先训练的特征提取网络，生成初始特征表示；将初始特征表示与预设的位置编码进行结合，生成图像特征表示。

在一些实施例中，上述位置编码包括二维位置编码。

第二方面，本申请实施例提供了一种用于生成图像描述信息的装置，该装置包括：获取单元，被配置成获取待描述图像；生成单元，被配置成将待描述图像输入至预先训练的图像描述模型，生成图像描述信息，其中，图像描述模型用于表征图像描述信息与待描述图像之间的对应关系，图像描述模型中包括基于注意力机制的图表示网络，图表示网络用于提取待描述图像中的实例和实例之间的关系。

在一些实施例中，上述图表示网络的输入包括：实例查询向量、实例键向量、实例值向量、关系查询向量、关系键向量、关系值向量、关系构建向量，其中，上述关系构建向量用于表征实例之间是否具备关系。

在一些实施例中，上述图表示网络的输入还包括：门向量，其中，上述门向量用于表征图像中各通道的特征。

在一些实施例中，上述关系包括以下至少一项：一对一关系，一对多关系。

在一些实施例中，上述图像描述模型包括编码网络和解码网络，上述编码网络和解码网络分别包括上述图表示网络；以及上述生成单元包括：第一生成模块，被配置成基于待描述图像提取特征，生成图像特征表示，其中，图像特征表示包括实例特征和关系特征；第二生成模块，被配置成将实例特征和关系特征输入至包括图表示网络的编码网络，生成编码向量；第三生成模块，被配置成基于将编码向量输入包括图表示网络的解码网络，生成图像描述信息。

在一些实施例中，上述第一生成模块包括：第一生成子模块，被配置成将待描述图像输入预先训练的特征提取网络，生成初始特征表示；第二生成子模块，被配置成将初始特征表示与预设的位置编码进行结合，生成图像特征表示。

在一些实施例中，上述位置编码包括二维位置编码。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成图像描述信息的方法和装置，首先获取待描述图像。而后，将待描述图像输入至预先训练的图像描述模型，生成图像描述信息。其中，图像描述模型用于表征图像描述信息与待描述图像之间的对应关系。图像描述模型中包括基于注意力机制的图表示网络，图表示网络用于提取待描述图像中的实例和实例之间的关系。从而有效地利用了图像中所包括的位置信息，有助于更准确地生成图像描述信息。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成图像描述信息的方法的一个实施例的流程图；

图3是根据本申请的实施例的用于生成图像描述信息的方法的一个应用场景的示意图；

图4是根据本申请的用于生成图像描述信息的方法的又一个实施例的流程图；

图5是根据本申请的用于生成图像描述信息的装置的一个实施例的结构示意图；

图6是适于用来实现本申请的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成图像描述信息的方法或用于生成图像描述信息的装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件、图像处理类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持图像显示的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上显示的图像描述信息提供支持的后台服务器。后台服务器可以对接收到的待描述图像进行分析等处理，并生成处理结果(如用于描述图像内容的图像描述信息)，或进一步将上述处理结果反馈给终端设备)。

需要说明的是，上述待描述图像也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的待描述图像并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于生成图像描述信息的方法一般由服务器105执行，相应地，用于生成图像描述信息的装置一般设置于服务器105中。

还需要说明的是，上述终端设备101、102、103也可以执行上述用于生成图像描述信息的方法；相应地，用于生成图像描述信息的装置也可以设置于上述终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于生成图像描述信息的方法的一个实施例的流程200。该用于生成图像描述信息的方法包括以下步骤：

步骤201，获取待描述图像。

在本实施例中，用于生成图像描述信息的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取待描述图像。其中，待描述图像可以包括各种能够用文字进行描述的图像。作为示例，上述执行主体可以获取预先存储于本地的待描述图像。作为又一示例，上述执行主体也可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的待描述图像。

步骤202，将待描述图像输入至预先训练的图像描述模型，生成图像描述信息。

在本实施例中，上述执行主体可以通过各种方式将步骤201所获取的待描述图像输入至预先训练的图像描述模型。其中，上述图像描述模型可以用于表征图像描述信息与待描述图像之间的对应关系。上述图像描述模型中可以包括基于注意力机制的图表示网络。上述图表示网络可以用于提取上述待描述图像中的实例和实例之间的关系。

在本实施例中，上述图像描述模型可以包括各种采用机器学习方式进行训练的模型，其可以包括但不限于各种人工神经网络模型(Artificial Neural Network，即ANN)。上述图表示网络的输出可以是图结构。其中，上述图结构中的节点可以用于表征作为实例的词法单元(token)。上述图结构中的边可以用于表征实例之间的关系。上述机器学习方法例如可以包括端到端的有监督训练。

在本实施例的一些可选的实现方式中，上述图表示网络的输入可以包括：实例查询向量、实例键向量、实例值向量、关系查询向量、关系键向量、关系值向量、关系构建向量。其中，查询向量、键向量和值向量即注意力机制下的Q、K、V。从而，上述实例查询向量、实例键向量、实例值向量可以分别用于表征实例所对应的Q、K、V。上述关系查询向量、关系键向量、关系值向量可以分别用于表征关系所对应的Q、K、V。上述关系构建向量可以用于表征实例之间是否具备关系。作为示例，上述用于表征实例之间是否具备关系可以采用缩放点乘注意力(scaled dot-product attention)的方式。

基于上述可选的实现方式，通过将上述关系构建向量作为上述图表示网络的输入，上述图表示网络的输出可以通过训练学习到实例之间的关系的特征，从而可以充分利用图像中所包括的信息。

可选地，基于上述可选的实现方式，上述图表示网络的输入还可以包括：门向量。其中，上述门向量可以用于表征图像中各通道的特征。在这些实现方式中，上述待描述图像所对应的各通道可以分别对应一组实例查询向量、实例键向量、实例值向量、关系查询向量、关系键向量、关系值向量、关系构建向量。

基于上述可选的实现方式，通过将上述门向量作为上述图表示网络的输入，上述图表示网络的输出可以通过训练学习到各通道的特征，从而可以充分利用图像中不同通过所包括的信息。

可选地，基于上述可选的实现方式，上述关系可以包括以下至少一项：一对一关系，一对多关系。其中，用于确定是否具备上述关系的方式可以分别采用类似于TransE(translating embedding)和TransH(translating on hyperplanes)方法。作为示例，上述用于确定具备一对一关系的概率可以通过下述公式(1)计算：

其中，上述

和

可以分别用于表征实例查询向量、实例键向量和关系构建向量。可选地，上述执行主体可以对上述计算出的概率进行归一化，例如除以上述实例键向量维数的开方。

作为又一示例，上述用于确定具备一对多关系的概率可以通过下述公式(2)计算：

其中，上述

和

可以分别用于表征实例查询向量、实例键向量和关系构建向量。可选地，上述执行主体可以对上述计算出的概率进行归一化，例如乘以上述实例键向量维数的开方。

在这些实现方式中，上述概率越大，用于指示具备上述关系的可能性越大。从而，可以根据实例之间的关系的不同种类来有针对性地选取不同的方式确定实例之间是否具备关系。

继续参见图3，图3是根据本申请实施例的用于生成图像描述信息的方法的应用场景的一个示意图。在图3的应用场景中，用户301使用终端302将图片303发送至服务器304。服务器304接收到上述图片303，将图片303输入至预先训练的图像描述模型，得到图像描述信息306。其中，图像描述模型中的基于注意力机制的图表示网络可以提取如305所示的实例“人a”、“人b”和实例“球”之间的关系“踢”。可选地，上述服务器还可以将上述图像描述信息306发送至终端302。可选地，上述服务器还可以将上述图片303与对应的图像描述信息306关联存储，用以为后续图像匹配提供数据基础。

目前，现有技术之一通常是利用不同感受野提取图像中的实例，导致难以直接提取实例在图像中的位置信息。而本申请的上述实施例提供的方法，通过包括基于注意力机制的图表示网络的图像描述模型，实现了对图像中实例和实例之间关系的提取。从而有效地利用了图像中所包括的位置信息，有助于更准确地生成图像描述信息。

进一步参考图4，其示出了用于生成图像描述信息的方法的又一个实施例的流程400。该用于生成图像描述信息的方法的流程400，包括以下步骤：

步骤401，获取待描述图像。

步骤402，基于待描述图像提取特征，生成图像特征表示。

在本实施例中，用于生成图像描述信息的方法的执行主体(例如图1所示的服务器105)可以首先通过预先训练的第一网络提取上述步骤401所获取的待描述图像的特征。其中，上述特征通常可以是embedding形式。而后，基于上述所提取的特征，上述执行主体可以通过各种方式生成图像特征表示。其中，上述图像特征表示可以包括实例特征和关系特征。例如，上述实例特征可以包括“人”的特征表示和“球拍”的特征表示，上述关系特征可以是“握住”的特征表示。

在本实施例的一些可选的实现方式中，上述执行主体还可以通过如下步骤生成上述图像特征表示：

第一步，将待描述图像输入预先训练的特征提取网络，生成初始特征表示。

在这些实现方式中，上述执行主体可以首先上述步骤401所获取的待描述图像输入预先训练的特征提取网络，生成初始特征表示。

第二步，将初始特征表示与预设的位置编码进行结合，生成图像特征表示。

在这些实现方式中，上述执行主体可以将上述第一步所生成的初始特征表示与预设的位置编码进行结合，生成图像特征表示。其中，上述预设的位置编码可以是预先训练的位置编码网络层，也可以通过不同频率的sine和cosine函数进行计算(例如Transformer模型中的positional encoding)。

可选地，基于上述可选的实现方式，上述位置编码还可以包括二维位置编码。在这些实现方式中，上述执行主体还可以利用上述预设的位置编码方法对图像按行、列进行二维编码。

步骤403，将实例特征和关系特征输入至包括图表示网络的编码网络，生成编码向量。

在本实施例中，上述执行主体可以将上述步骤402所生成的实例特征和关系特征输入至上述包括图表示网络的编码网络，生成编码向量。其中，上述编码网络可以是各种包括上述图表示网络的编码网络，例如Transformer模型中将multi-head attention网络替换为上述图表示网络的编码网络。可选地，基于上述实例特征和关系特征，上述执行主体可以生成图表示网络的输入包括所包括的关系查询向量、关系键向量、关系值向量、关系构建向量和门向量。

在本实施例的一些可选的实现方式中，基于上述图表示网络的输入包括所包括的关系查询向量、关系键向量、关系值向量、关系构建向量和门向量，上述执行主体还可以利用预先训练的线性函数(例如上述关系特征生成关系特征的初始值。

步骤404，基于将编码向量输入包括图表示网络的解码网络，生成图像描述信息。

在本实施例中，基于将上述步骤403所生成的编码向量输入与上述编码网络对应的包括图表示网络的解码网络，再经过预先训练的输出层，上述执行主体可以得到图像描述信息。其中，上述解码网络可以是各种包括上述图表示网络的解码网络，例如Transformer模型中将multi-head attention和masked multi-head attention网络替换为上述图表示网络的解码网络。

上述步骤401和对图表示网络的描述可以分别与前述实施例中的步骤201和步骤202及其可选的实现方式中的相应内容一致，上文针对步骤201和步骤202及其可选的实现方式中的描述也适用于步骤401和图表示网络，此处不再赘述。

需要说明的是，上述作为图像描述模型组成部分的特征提取网络、编码器、解码器、输出层等网络参数通常可以通过端对端的有监督训练得到。

从图4中可以看出，本实施例中的用于生成图像描述信息的方法的流程400体现了提取实例特征和关系特征的步骤，以及输入模型的编码网络和解码网络的步骤。由此，本实施例描述的方案可以通过对实例之间的关系特征的提取提升模型的泛化性。此外，还可以利用模型结构进行并行化训练，从而提升了处理效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于生成图像描述信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于生成图像描述信息的装置500包括获取单元501、生成单元502。其中，获取单元501，被配置成获取待描述图像；生成单元502，被配置成将待描述图像输入至预先训练的图像描述模型，生成图像描述信息，其中，图像描述模型用于表征图像描述信息与待描述图像之间的对应关系，图像描述模型中包括基于注意力机制的图表示网络，图表示网络用于提取待描述图像中的实例和实例之间的关系。

在本实施例中，用于生成图像描述信息的装置500中：获取单元501、生成单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述图表示网络的输入可以包括：实例查询向量、实例键向量、实例值向量、关系查询向量、关系键向量、关系值向量、关系构建向量。其中，上述关系构建向量可以用于表征实例之间是否具备关系。

在本实施例的一些可选的实现方式中，上述图表示网络的输入还可以包括：门向量。其中，上述门向量可以用于表征图像中各通道的特征。

在本实施例的一些可选的实现方式中，上述关系可以包括以下至少一项：一对一关系，一对多关系。

在本实施例的一些可选的实现方式中，上述图像描述模型可以包括编码网络和解码网络。上述编码网络和解码网络可以分别包括上述图表示网络。上述生成单元502可以包括：第一生成模块(图中未示出)、第二生成模块(图中未示出)、第三生成模块(图中未示出)。上述第一生成模块，可以被配置成基于待描述图像提取特征，生成图像特征表示。其中，上述图像特征表示可以包括实例特征和关系特征。上述第二生成模块，可以被配置成将实例特征和关系特征输入至包括图表示网络的编码网络，生成编码向量。上述第三生成模块，可以被配置成基于将编码向量输入包括图表示网络的解码网络，生成图像描述信息。

在本实施例的一些可选的实现方式中，上述第一生成模块可以包括：第一生成子模块(图中未示出)、第二生成子模块(图中未示出)。其中，上述第一生成子模块，可以被配置成将待描述图像输入预先训练的特征提取网络，生成初始特征表示。上述第二生成子模块，可以被配置成将初始特征表示与预设的位置编码进行结合，生成图像特征表示。

在本实施例的一些可选的实现方式中，上述位置编码可以包括二维位置编码。

本申请的上述实施例提供的装置，通过获取单元501获取待描述图像。而后，生成单元502将待描述图像输入至预先训练的图像描述模型，生成图像描述信息。其中，上述图像描述模型用于表征图像描述信息与待描述图像之间的对应关系。上述图像描述模型中包括基于注意力机制的图表示网络。上述图表示网络用于提取待描述图像中的实例和实例之间的关系。从而有效地利用了图像中所包括的位置信息，有助于更准确地生成图像描述信息。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1中的服务器)600的结构示意图。本申请实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603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。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头等的输入装置606；包括例如液晶显示器(LCD，Liquid Crystal Display)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本申请的实施例的方法中限定的上述功能。

需要说明的是，本申请的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待描述图像；将待描述图像输入至预先训练的图像描述模型，生成图像描述信息，其中，图像描述模型用于表征图像描述信息与待描述图像之间的对应关系，图像描述模型中包括基于注意力机制的图表示网络，图表示网络用于提取待描述图像中的实例和实例之间的关系。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待描述图像的单元”。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于生成图像描述信息的方法，包括：

获取待描述图像；

将所述待描述图像输入至预先训练的图像描述模型，生成图像描述信息，其中，所述图像描述模型用于表征图像描述信息与待描述图像之间的对应关系，所述图像描述模型中包括基于注意力机制的图表示网络，所述图表示网络用于提取所述待描述图像中的实例和实例之间的关系。

2.根据权利要求1所述的方法，其中，所述图表示网络的输入包括：实例查询向量、实例键向量、实例值向量、关系查询向量、关系键向量、关系值向量、关系构建向量，其中，所述关系构建向量用于表征实例之间是否具备关系。

3.根据权利要求2所述的方法，其中，所述图表示网络的输入还包括：门向量，其中，所述门向量用于表征图像中各通道的特征。

4.根据权利要求3所述的方法，其中，所述关系包括以下至少一项：一对一关系，一对多关系。

5.根据权利要求1-4之一所述的方法，其中，所述图像描述模型包括编码网络和解码网络，所述编码网络和解码网络分别包括所述图表示网络；以及

所述将所述待描述图像输入至预先训练的图像描述模型，生成图像描述信息，包括：

基于所述待描述图像提取特征，生成图像特征表示，其中，所述图像特征表示包括实例特征和关系特征；

将所述实例特征和关系特征输入至所述包括图表示网络的编码网络，生成编码向量；

基于将所述编码向量输入所述包括图表示网络的解码网络，生成所述图像描述信息。

6.根据权利要求5所述的方法，其中，所述基于所述待描述图像提取特征，生成图像特征表示，包括：

将所述待描述图像输入预先训练的特征提取网络，生成初始特征表示；

将所述初始特征表示与预设的位置编码进行结合，生成所述图像特征表示。

7.根据权利要求6所述的方法，其中，所述位置编码包括二维位置编码。

8.一种用于生成图像描述信息的装置，包括：

获取单元，被配置成获取待描述图像；

生成单元，被配置成将所述待描述图像输入至预先训练的图像描述模型，生成图像描述信息，其中，所述图像描述模型用于表征图像描述信息与待描述图像之间的对应关系，所述图像描述模型中包括基于注意力机制的图表示网络，所述图表示网络用于提取所述待描述图像中的实例和实例之间的关系。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

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如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images