CN111612070A - 基于场景图的图像描述生成方法及装置 - Google Patents
基于场景图的图像描述生成方法及装置 Download PDFInfo
- Publication number
- CN111612070A CN111612070A CN202010437175.4A CN202010437175A CN111612070A CN 111612070 A CN111612070 A CN 111612070A CN 202010437175 A CN202010437175 A CN 202010437175A CN 111612070 A CN111612070 A CN 111612070A
- Authority
- CN
- China
- Prior art keywords
- vector
- word
- image
- relation
- target object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 502
- 230000000007 visual effect Effects 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 230000015654 memory Effects 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本公开涉及一种基于场景图的图像描述生成方法及装置,所述方法包括:将待处理图像输入场景图生成网络,获得待处理图像中各目标对象的视觉特征向量以及各目标对象之间的关系类别概率分布向量;对关系类别概率分布向量进行权值预测处理,获得各目标对象之间的关系权值向量;对关系权值向量和视觉特征向量进行上下文编码处理,获得各目标对象的物体特征向量;对物体特征向量进行语言解码处理,获得对待处理图像的描述信息。根据本公开的基于场景图的图像描述生成方法,能够利用场景图作为中间表示,能够更加有组织地、结构化地刻画一张图片中的内容,从而生成更加准确和丰富的图像描述。
Description
技术领域
本公开涉及计算机领域,尤其涉及一种基于场景图的图像描述生成方法及装置。
背景技术
图像描述是一个计算机视觉和自然语言处理相结合的任务,即给定一张图片,机器被要求用语言文字来对其进行描述。这项技术有着广泛的引用场景。它可以被用于辅助盲人感受周围的环境,可以被用于帮助海量图像建立索引,可以被用于建立形式更加丰富的人机自动对话。图像描述任务中有着大量富有挑战的问题,例如如何决定图像中的哪些内容值得描述,如何增加图像描述的丰富程度等。其中最为关键的问题是如何更好地建立图像和语言之间的对应关系。通常而言,这种模型都分为一个图像编码器和语言解码器。图像编码器将原始图像编码成一种中间表示,然后语言解码器从这种中间表示中将图像描述解码出来。
在相关技术中,通常使用两种方法获得图像描述,方法一:通过分类网络对原始图像提取特征图,把特征图作为中间表示,再利用语言解码器将图像描述解码出来。方法二:利用检测网络得到图像中的一系列物体,将这些物体的视觉特征的集合作为中间表示,再利用语言解码器将图像描述解码出来。
然而,在方法一中,以特征图作为中间表示,缺乏语义层面的信息,难以描述物体的个数、大小等图像信息。在方法二中,仅用检测结果作为中间表示,忽略了物体之间的关系及场景中的组织结构。缺乏结构信息容易导致解码生成图像描述时产生错误的事物联系。
发明内容
有鉴于此,本公开提出了一种基于场景图的图像描述生成方法及装置。
根据本公开的一方面,提供了一种基于场景图的图像描述生成方法,包括:将待处理图像输入场景图生成网络,获得待处理图像中各目标对象的视觉特征向量以及各目标对象之间的关系类别概率分布向量;对所述关系类别概率分布向量进行权值预测处理,获得所述各目标对象之间的关系权值向量;对所述关系权值向量和所述视觉特征向量进行上下文编码处理,获得各目标对象的物体特征向量;对所述物体特征向量进行语言解码处理,获得对所述待处理图像的描述信息。
在一种可能的实现方式中,对所述关系类别概率分布向量进行权值预测处理,获得所述各目标对象之间的关系权值向量,包括:
将所述关系概率分布向量输入权值预测网络,获得初始关系权值向量;
对所述初始关系权值向量进行归一化处理,获得所述关系权值向量,
其中,所述关系权值向量包括主语关系权值向量和宾语关系权值向量。
在一种可能的实现方式中,对所述初始关系权值向量进行归一化处理,获得所述关系权值向量,包括:将第i个目标对象与第j个目标对象之间的初始关系权值向量中的第h个元素,以及第i个目标对象与其他N-1个目标对象之间的初始关系权值向量中的第h个元素进行归一化处理,获得第i个目标对象与第j个目标对象之间的关系权值向量中的第h个元素,其中,所述关系权值向量包括H个元素,N为目标对象的数量,H≥1,且H为整数,N≥1,且N为整数,i和j为小于或等于N的正整数,h为小于或等于H的正整数。
在一种可能的实现方式中,对所述关系权值向量和所述视觉特征向量进行上下文编码处理,获得各目标对象的物体特征向量,包括:根据所述关系权值向量和所述视觉特征向量,获得各目标对象的上下文特征向量;将所述各目标对象的视觉特征向量和上下文特征向量进行拼接处理,获得所述各目标对象的物体特征向量。
在一种可能的实现方式中,所述关系权值向量包括主语关系权值向量和宾语关系权值向量,根据所述关系权值向量和所述视觉特征向量,获得各目标对象的上下文特征向量,包括:根据所述主语关系权值向量和所述视觉特征向量,获得主语上下文特征向量;根据所述宾语关系权值向量和所述视觉特征向量,获得宾语上下文特征向量;根据所述主语上下文特征向量、所述宾语上下文特征向量和所述视觉特征向量,获得所述各目标对象的上下文特征向量。
在一种可能的实现方式中,所述待处理图像的描述信息包括至少一个词语,对所述物体特征向量进行语言解码处理,获得对所述待处理图像的描述信息,包括:根据所述各目标对象的物体特征向量,确定第一个词语的第一隐向量;根据第一个词语的第一隐向量,确定第一个词语的词向量;根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第一隐向量,其中,t>1,且t为整数;根据第t个词语的第一隐向量,确定第t个词语的词向量;根据各词语的词向量,确定所述待处理图像的描述信息。
在一种可能的实现方式中,根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第一隐向量,包括:根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第二隐向量;根据所述各目标对象的物体特征向量以及第t个词语的第二隐向量,确定第t个词语的特征向量;根据所述第t个词语的第二隐向量以及第t个词语的特征向量,确定第t个词语的第一隐向量。
根据本公开的另一方面,提供了一种基于场景图的图像描述生成装置,包括:场景图生成模块,用于将待处理图像输入场景图生成网络,获得待处理图像中各目标对象的视觉特征向量以及各目标对象之间的关系类别概率分布向量;权值预测模块,用于对所述关系类别概率分布向量进行权值预测处理,获得所述各目标对象之间的关系权值向量;上下文编码模块,用于对所述关系权值向量和所述视觉特征向量进行上下文编码处理,获得各目标对象的物体特征向量;语言解码模块,用于对所述物体特征向量进行语言解码处理,获得对所述待处理图像的描述信息。
在一种可能的实现方式中,权值预测模块被进一步配置为将所述关系概率分布向量输入权值预测网络,获得初始关系权值向量;对所述初始关系权值向量进行归一化处理,获得所述关系权值向量,其中,所述关系权值向量包括主语关系权值向量和宾语关系权值向量。
在一种可能的实现方式中,权值预测模块被进一步配置为将第i个目标对象与第j个目标对象之间的初始关系权值向量中的第h个元素,以及第i个目标对象与其他N-1个目标对象之间的初始关系权值向量中的第h个元素进行归一化处理,获得第i个目标对象与第j个目标对象之间的关系权值向量中的第h个元素,其中,所述关系权值向量包括H个元素,N为目标对象的数量,H≥1,且H为整数,N≥1,且N为整数,i和j为小于或等于N的正整数,h为小于或等于H的正整数。
在一种可能的实现方式中,上下文编码模块被进一步配置为根据所述关系权值向量和所述视觉特征向量,获得各目标对象的上下文特征向量;将所述各目标对象的视觉特征向量和上下文特征向量进行拼接处理,获得所述各目标对象的物体特征向量。
在一种可能的实现方式中,所述关系权值向量包括主语关系权值向量和宾语关系权值向量,上下文编码模块被进一步配置为根据所述主语关系权值向量和所述视觉特征向量,获得主语上下文特征向量;根据所述宾语关系权值向量和所述视觉特征向量,获得宾语上下文特征向量;根据所述主语上下文特征向量、所述宾语上下文特征向量和所述视觉特征向量,获得所述各目标对象的上下文特征向量。
在一种可能的实现方式中,所述待处理图像的描述信息包括至少一个词语,语言解码模块被进一步配置为根据所述各目标对象的物体特征向量,确定第一个词语的第一隐向量;根据第一个词语的第一隐向量,确定第一个词语的词向量;根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第一隐向量,其中,t>1,且t为整数;根据第t个词语的第一隐向量,确定第t个词语的词向量;根据各词语的词向量,确定所述待处理图像的描述信息。
在一种可能的实现方式中,语言解码模块被进一步配置为根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第二隐向量;根据所述各目标对象的物体特征向量以及第t个词语的第二隐向量,确定第t个词语的特征向量;根据所述第t个词语的第二隐向量以及第t个词语的特征向量,确定第t个词语的第一隐向量。
根据本公开的另一方面,提供了一种基于场景图的图像描述生成装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例的基于场景图的图像描述生成方法,先通过待处理图像得到视觉特征向量以及各目标对象之间的关系类别概率分布向量的中间表示,再通过该中间表示得到图像描述,可增加语义层面的信息,并增加物体之间的关系信息和场景中的结构信息,从而提高图像描述的准确性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于场景图的图像描述生成方法的流程图。
图2示出根据本公开的实施例的基于场景图的图像描述生成方法的示意图。
图3A和图3B示出根据本公开的实施例的场景图的示意图。
图4示出根据本公开的实施例的主语关系权值向量或宾语关系权值向量的示意图。
图5示出根据本公开的实施例的上下文编码处理的示意图。
图6示出根据本公开的实施例的语言解码处理的示意图。
图7示出根据本公开的实施例的待处理图像的描述信息的示意图。
图8示出根据本公开的实施例的基于场景图的图像描述生成装置的框图。
图9示出根据本公开实施例示出的基于场景图的图像描述生成的装置的框图。
图10示出根据本公开实施例示出的基于场景图的图像描述生成的装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开的实施例的基于场景图的图像描述生成方法的流程图。如图1所示,所述方法包括:
步骤S11,将待处理图像输入场景图生成网络,获得待处理图像中各目标对象的视觉特征向量以及各目标对象之间的关系类别概率分布向量;
步骤S12,对所述关系类别概率分布向量进行权值预测处理,获得所述各目标对象之间的关系权值向量;
步骤S13,对所述关系权值向量和所述视觉特征向量进行上下文编码处理,获得各目标对象的物体特征向量;
步骤S14,对所述物体特征向量进行语言解码处理,获得对所述待处理图像的描述信息。
根据本公开的实施例的基于场景图的图像描述生成方法,先通过待处理图像得到视觉特征向量以及各目标对象之间的关系类别概率分布向量的中间表示,再通过该中间表示得到图像描述,可增加语义层面的信息,并增加目标对象之间的关系信息和场景中的结构信息,从而提高图像描述的准确性。
在一种可能的实现方式中,首先利用预训练的场景图生成网络作为图像编码器得到原始图像的场景图,所述场景图包括待处理图像中各目标对象的视觉特征向量以及各目标对象之间的关系类别概率分布向量。然后,可预测各目标对象之间的关系权值向量,再利用一种具有多头注意力机制的图神经网络编码上下文得到一系列包含上下文信息的物体特征向量的集合,该物体特征向量集合经过具有注意力机制和循环神经网络的语言解码器处理,可得到待处理图像的描述信息。
图2示出根据本公开的实施例的基于场景图的图像描述生成方法的示意图。如图2所示,待处理图像从输入经过一个预训练的场景图生成网络得到一个场景图表示。在该场景图中,包括目标对象和有向连线,目标对象(如图2中的A、B、C、D)作为节点,各目标对象之间的关系作为边(如图2中虚线框(a)中的A、B、C、D之间的有向连线)。节点表示目标对象的视觉特征,表示为视觉特征向量,边表示目标对象之间的关系类别,表示为关系类别概率分布向量(即,目标对象之间各种关系的概率分布,例如,A在B上方的概率为10%,A在B左方的概率为20%等)。
在一种可能的实现方式中,可基于关系类别概率分布向量进行权值预测处理,获得多头注意力机制中的注意力权值,表示为各目标对象之间的关系权值向量。基于预测得到的权值,进行上下文编码处理(例如,基于多头注意力机制的图神经网络进行上下文编码处理),将关系权值向量和视觉特征向量转化为一系列包含上下文信息的物体特征向量集,即,各目标对象的物体特征向量。最后,带有注意力机制的语言解码器将该物体特征向量集合解码成待处理图像的描述信息,即,用自然语言描述待处理图像。
在一种可能的实现方式中,场景图的生成可以利用多种场景图生成网络中的任意一种。场景图生成网络通常包括物体检测和关系检测两个部分。可从物体检测部分中得到目标对象的视觉特征向量,在示例中,可选择保留置信度最高的36个检测结果(36个目标对象)对应的视觉特征向量。并从关系检测部分中得到各目标对象之间的关系类别概率分布向量,在示例中,可获得上述检测出的目标对象两两之间关系预测的类别概率分布,即,各目标对象之间的关系类别概率分布向量。上述结果可由任何场景图生成网络得到。在示例中,场景图生成网络检测到N个目标对象,目标对象的视觉特征向量的集合可以表示为{x1,x2,…,xN},则共有N2对关系,所述描述信息可表示为主语(某目标对象)与宾语(另一目标对象)之间的关系,主语目标对象i和宾语目标对象j的关系的类别概率分布向量可以表示为rij。
图3A和图3B示出根据本公开的实施例的场景图的示意图,场景图不仅包括图像中的目标对象(如图3A所示),还包括目标对象之间存在的关系(如图3B所示),包括层次关系、空间关系、行为关系等。场景图通过目标对象之间的关系建立了图像的一种以目标对象为节点,关系为边的结构化的描述。例如,人骑在摩托车上,人在路面上等。由于场景图是一种图结构,可采用带有多头注意力机制的图神经网络根据场景图对上下文进行进一步的编码,最终由语言解码模块得到相应的待处理图像的描述信息。具体的场景图生成方法可以采用任何方法,本公开对生成场景图的方法不做限制。
在一种可能的实现方式中,可以使用任意场景图生成网络,在示例中,可通过如下标准选择场景图生成网络:输入一图像,场景图网络会输出若干检测到的(主语目标对象、谓语关系、宾语目标对象)三元组,在使用相同的数据集训练和测试的情况下,应选择测试时平均召回率指标较高的场景图生成网络。平均召回率的可通过如下公式(1)确定:
其中M表示关系的类别数量。类别k的召回率可通过以下公式(2)确定:
其中,图像1到图像L(L为大于1的整数)为数据集中所有带有至少一组谓语关系为类别k(类别k中可包括多个相同类别的目标对象)的三元组的L张图片。
综上所述,图像中包括类别k的三元组的数量的标注,可选用能够检测到带有类别k的三元组的数量与标注的数量之比较高的场景图生成网络。
在一种可能的实现方式中,在获得场景图后,可通过权值预测网络获得各目标对象之间的关系权值向量,其中,所述关系权值向量包括主语关系权值向量和宾语关系权值向量。对所述关系类别概率分布向量进行权值预测处理,获得所述各目标对象之间的关系权值向量,包括:将所述关系概率分布向量输入权值预测网络,获得初始关系权值向量;对所述初始关系权值向量进行归一化处理,获得所述关系权值向量。在示例中,如图2中虚线框(b)所示,根据目标对象A、B、C、D两两之间的关系类别概率分布向量可获得目标对象A、B、C、D两两之间的关系权值向量。
在一种可能的实现方式中,权值预测网络可包括若干全连接层和泄露修正线性单元(LeakyReLU),其输入为每条边上的关系类别概率分布向量rij(主语目标对象i和宾语目标对象j的关系类别概率分布向量),输出为每条边上对应的未归一化的初始关系权值向量。在示例中,上下文编码处理和语言解码处理中的图神经网络的多头注意力共有8个注意力头,因此,为一个8维的向量。
在一种可能的实现方式中,可将所述关系概率分布向量输入权值预测网络,获得初始关系权值向量。对于一个关系(关系是一个三元组(主语目标对象、谓语关系、宾语目标对象)),既可以从主语目标对象的角度描述宾语目标对象带给主语目标对象的信息,又可以从宾语目标对象的角度描述主语目标对象带给宾语目标对象的信息。因此,权值预测网络可预测两组初始关系权值向量,即,初始主语关系权值向量(即,以第i个目标对象(主语目标对象)的角度描述第j个目标对象(宾语目标对象)带给第i个目标对象的信息的初始关系权值向量)和初始宾语关系权值向量(即,以第j个目标对象(宾语目标对象)的角度描述第i个目标对象(主语目标对象)带给第j个目标对象的信息的初始关系权值向量),分别表示针对主语和针对宾语的未归一化的关系权值向量。
在一种可能的实现方式中,可对所述初始关系权值向量进行归一化处理,获得所述关系权值向量。该步骤可包括:将第i个目标对象与第j个目标对象之间的初始关系权值向量中的第h个元素,以及第i个目标对象与其他N-1个目标对象之间的初始关系权值向量中的第h个元素进行归一化处理,获得第i个目标对象与第j个目标对象之间的关系权值向量中的第h个元素,其中,所述关系权值向量包括H个元素,N为目标对象的数量,H≥1,且H为整数,N≥1,且N为整数,i和j为小于或等于N的正整数,h为小于或等于H的正整数。
在一种可能的实现方式中,对于主语目标对象i与宾语目标对象j的主语初始主语关系权值向量,可用softmax函数对主语目标对象i与各宾语目标对象j初始主语关系权值向量进行归一化,得到归一化后的主语关系权值向量,如以下公式(3):
对于针对宾语的宾语关系权值向量,对于主语目标对象i与宾语目标对象j的宾语初始主语关系权值向量,可用softmax函数对主语目标对象i与各宾语目标对象j初始宾语关系
权值向量进行归一化,得到归一化后的主语关系权值向量,如以下公式(4):
图4示出根据本公开的实施例的主语关系权值向量或宾语关系权值向量的示意图,以注意力头数量为2为例(即,主语关系权值向量或宾语关系权值向量为二维向量,元素分别用h1、h2表示)。实线边指向A,表示其他顶点为主语,A为宾语(虚线则表示相反的情况)。对于每一个注意力头,所有的权值已经经过归一化,即求和为1,例如对于h1,所有宾语关系权值向量中的第1个元素h1求和为1,即,0.3+0.2+0.5=1。这些关系权值向量决定了从一个节点向另一个节点传递的信息量的大小,从而在后续的上下文编码处理中有选择地编码对应节点的上下文。
图5示出根据本公开的实施例的上下文编码处理的示意图。
在一种可能的实现方式中,可通过上下文编码网络对关系权值向量和视觉特征向量进行编码,获得各目标对象的物体特征向量。对所述关系权值向量和所述视觉特征向量进行上下文编码处理,获得各目标对象的物体特征向量,包括:根据所述关系权值向量和所述视觉特征向量,获得各目标对象的上下文特征向量;将所述各目标对象的视觉特征向量和上下文特征向量进行拼接处理,获得所述各目标对象的物体特征向量。
在一种可能的实现方式中,所述关系权值向量包括主语关系权值向量和宾语关系权值向量,根据所述关系权值向量和所述视觉特征向量,获得各目标对象的上下文特征向量,包括:根据所述主语关系权值向量和所述视觉特征向量,获得主语上下文特征向量;根据所述宾语关系权值向量和所述视觉特征向量,获得宾语上下文特征向量;根据所述主语上下文特征向量、所述宾语上下文特征向量和所述视觉特征向量,获得所述各目标对象的上下文特征向量。
在一种可能的实现方式中,N个目标对象的视觉特征向量的集合可以表示为{x1,x2,…,xN},并且有N2对权值向量可对上述向量进行编码,得到一系列带有上下文信息的物体特征向量{v1,v2,…,vN}。以节点i为例,具体流程如下:
可根据所述主语关系权值向量和所述视觉特征向量,获得主语上下文特征向量,可根据以下公式(5)获得第i个目标对象的主语上下文特征向量:
根据所述宾语关系权值向量和所述视觉特征向量,获得宾语上下文特征向量,可根据以下公式(6)获得第i个目标对象的宾语上下文特征向量:
根据所述主语上下文特征向量、所述宾语上下文特征向量和所述视觉特征向量,获得所述各目标对象的上下文特征向量,例如,可对上述向量的加权求和向量进行激活处理,获得第i个目标对象的上下文特征向量,例如,可根据以下公式(7)获得第i个目标对象的上下文特征向量:
其中,ctxi为第i个目标对象的上下文特征向量Wself、Wsub、Wobj为生成上下文特征的线性变换参数,即,上下文编码网络的网络权值。
在一种可能的实现方式中,可将各目标对象的视觉特征向量和上下文特征向量进行拼接处理,获得各目标对象的物体特征向量,可通过以下公式(8)获得第i个目标对象的物体特征向量:
vi=CONCAT([xi,ctxi]) (8)
其中,vi为第i个目标对象的物体特征向量。通过上述方式可得到N个目标对象的物体特征向量{v1,v2,…,vN}。在示例中,如图2中的虚线框(c)所示,通过上述方式可获得目标对象A、B、C、D的物体特征向量。
图6示出根据本公开的实施例的语言解码处理的示意图。
在一种可能的实现方式中,所述语言解码处理可采用语言解码网络进行处理,所述语言解码网络可包括带有注意力机制的双长短期记忆网络(LSTM)解码器。
在一种可能的实现方式中,所述待处理图像的描述信息包括至少一个词语,对所述物体特征向量进行语言解码处理,获得对所述待处理图像的描述信息,包括:根据所述各目标对象的物体特征向量,确定第一个词语的第一隐向量;根据第一个词语的第一隐向量,确定第一个词语的词向量;根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第一隐向量,其中,t>1,且t为整数;根据第t个词语的第一隐向量,确定第t个词语的词向量;根据各词语的词向量,确定所述待处理图像的描述信息。
在一种可能的实现方式中,所述语言解码网络可对描述信息中的自然语言进行逐词确定。在确定第一个词语时,可根据所述各目标对象的物体特征向量,确定第一个词语的第一隐向量,例如,可将各目标对象的物体特征向量{v1,v2,…,vN}进行平均,获得物体平均特征向量v,即,并将物体平均特征向量v输入语言解码网络。在示例中,还可同时输入起始符的词向量和第一隐向量等参数,例如,可预设起始符,并根据概率词典等方式确定起始符的词向量第一隐向量等参数,获得第一个词的第一隐向量。
在一种可能的实现方式中,后续每个词语,均可基于其上一个词语的词向量和第一隐向量来获取。以第t(t>1,且t为整数)个词语为例,根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第一隐向量,包括:根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第二隐向量;根据所述各目标对象的物体特征向量以及第t个词语的第二隐向量,确定第t个词语的特征向量;根据所述第t个词语的第二隐向量以及第t个词语的特征向量,确定第t个词语的第一隐向量。
在一种可能的实现方式中,在生成第t个词的时候,注意力LSTM接受以下输入的拼接:生成第t-1个词的时候,语言LSTM输出的第一隐向量h2,t;物体平均特征向量v;以及第t-1个词的词向量We。其中,We为第t-1个词的查询向量,即,与第t-1个词一一对应的向量,例如,第t-1个词的词向量We为第t-1个词在概率词典中对应的查询向量,可利用第t-1个词的词向量We查询获得第t-1个词。
在一种可能的实现方式中,注意力LSTM可根据上述输入信息获得第t个词语的第二隐向量h1,t。注意力机制可根据各目标对象的物体特征向量以及第t个词语的第二隐向量h1,t获得第t个词语的特征向量。根据所述各目标对象的物体特征向量以及第t个词语的第二隐向量,确定第t个词语的特征向量,包括:根据第i个目标对象的物体特征向量以及第t个词语的第二隐向量,获得第i个目标对象的激活参数;对所述第i个目标对象的激活参数进行激活处理,获得第i个目标对象的物体特征向量与第t个词语的第二隐向量的相关度参数;根据各目标对象的物体特征向量与第t个词语的第二隐向量的相关度参数,对各目标对象的物体特征向量进行加权求和处理,获得所述第t个词语的特征向量。
在一种可能的实现方式中,可将上下文编码网络获得的各目标对象的物体特征向量{v1,v2,…,vN}和隐向量h1,t输入语言解码网络的注意力机制网络,物体特征向量可作为查询索引(即,键),同时作为索引下的查询值。第二隐向量h1,t作为查询信息q。
在一种可能的实现方式中,根据第i个目标对象的物体特征向量以及第t个词语的第二隐向量,获得第i个目标对象的激活参数,例如,可根据以下公式(9)获得第i个目标对象的激活参数:
βi=Wαtanh(Wvvi+Wqq) (9)
在一种可能的实现方式中,对所述第i个目标对象的激活参数进行激活处理,获得第i个目标对象的物体特征向量与第t个词语的第二隐向量的相关度参数。例如,向量vi和查询q的相关度参数αi由以下公式(10)确定:
αi=softmax(βi) (10)
其中,Wα、Wv、Wq都是线性变换的矩阵参数,即,注意力机制网络的网络权值。
在一种可能的实现方式中,可根据各目标对象的物体特征向量与第t个词语的第二隐向量的相关度参数,对各目标对象的物体特征向量进行加权求和处理,获得所述第t个词语的特征向量。可通过各目标对象的相关度参数与物体特征向量加权求和得到第t个词对应的特征向量v(t),如以下公式(11)所示:
在一种可能的实现方式中,根据所述第t个词语的第二隐向量以及第t个词语的特征向量,确定第t个词语的第一隐向量。语言LSTM接受第二隐向量h1,t和特征向量v(t)作为输入,输出第t个词语的第一隐向量h2,t。
在一种可能的实现方式中,根据第t个词语的第一隐向量,确定第t个词语的词向量。基于h2,t,通过线性层进行线性变换以及softmax函数进行激活,得到第t个词的概率分布,例如,该概率分布可表示为第t个词语的词向量。
在一种可能的实现方式中,第t个词语可以通过贪心法或者束搜索算法对第t个词的概率分布进行处理得到,例如,通过上述算法对第t个词语的词向量在概率词典中进行搜索,确定第t个词语。或者通过其他将词语的概率分布映射为自然词语的方法获得,本公开对获得自然词语的方法不做限制。
在一种可能的实现方式中,根据各词语的词向量,确定所述待处理图像的描述信息。可通过上述方式获得包括多个自然词语的自然语言描述,即,待处理图像的描述信息。
在一种可能的实现方式中,上述神经网络(例如,场景图生成网络、权值预测网络、上下文编码网络和语言解码网络)在训练时可针对每个自然词语的标注以及神经网络的输出采用交叉熵损失进行调整,在调整时采用adam优化器对神经网络的参数进行优化调整,直到训练完毕。本公开对神经网络的训练过程不做限制。
图7示出根据本公开的实施例的待处理图像的描述信息的示意图。如图7所示,通过使用上述方法,可生成该图像的描述信息“一个人在路面上骑摩托车”。本公开对描述信息的具体表达方式不做限制。
需要说明的是,尽管以上述作为示例介绍了基于场景图的图像描述生成方法如上,但本领域技术人员能够理解,本公开应不限于此。事实上,用户完全可根据个人喜好和/或实际应用场景灵活设定各步骤,只要符合本公开的技术方案即可。
根据本公开的实施例的基于场景图的图像描述生成方法,先通过待处理图像得到视觉特征向量以及各目标对象之间的关系类别概率分布向量的中间表示,即场景图,再通过该场景图得到图像描述。可增加语义层面的信息,并增加目标对象之间的关系信息和场景中的结构信息,提高描述信息的准确性。利用场景图作为中间表示,能够更加有组织地、结构化地刻画一张图片中的内容,从而生成更加准确和丰富的图像描述。可被广泛应用于辅助盲人感受环境,为海量图片生成索引,建立形式更加丰富的人机对话等场景。
图8示出根据本公开的实施例的基于场景图的图像描述生成装置的框图,所述装置包括:
场景图生成模块11,用于将待处理图像输入场景图生成网络,获得待处理图像中各目标对象的视觉特征向量以及各目标对象之间的关系类别概率分布向量;
权值预测模块12,用于对所述关系类别概率分布向量进行权值预测处理,获得所述各目标对象之间的关系权值向量;
上下文编码模块13,用于对所述关系权值向量和所述视觉特征向量进行上下文编码处理,获得各目标对象的物体特征向量;
语言解码模块14,用于对所述物体特征向量进行语言解码处理,获得对所述待处理图像的描述信息。
在一种可能的实现方式中,权值预测模块被进一步配置为将所述关系概率分布向量输入权值预测网络,获得初始关系权值向量;对所述初始关系权值向量进行归一化处理,获得所述关系权值向量,其中,所述关系权值向量包括主语关系权值向量和宾语关系权值向量。
在一种可能的实现方式中,权值预测模块被进一步配置为将第i个目标对象与第j个目标对象之间的初始关系权值向量中的第h个元素,以及第i个目标对象与其他N-1个目标对象之间的初始关系权值向量中的第h个元素进行归一化处理,获得第i个目标对象与第j个目标对象之间的关系权值向量中的第h个元素,其中,所述关系权值向量包括H个元素,N为目标对象的数量,H≥1,且H为整数,N≥1,且N为整数,i和j为小于或等于N的正整数,h为小于或等于H的正整数。
在一种可能的实现方式中,上下文编码模块被进一步配置为根据所述关系权值向量和所述视觉特征向量,获得各目标对象的上下文特征向量;将所述各目标对象的视觉特征向量和上下文特征向量进行拼接处理,获得所述各目标对象的物体特征向量。
在一种可能的实现方式中,所述关系权值向量包括主语关系权值向量和宾语关系权值向量,上下文编码模块被进一步配置为根据所述主语关系权值向量和所述视觉特征向量,获得主语上下文特征向量;根据所述宾语关系权值向量和所述视觉特征向量,获得宾语上下文特征向量;根据所述主语上下文特征向量、所述宾语上下文特征向量和所述视觉特征向量,获得所述各目标对象的上下文特征向量。
在一种可能的实现方式中,所述待处理图像的描述信息包括至少一个词语,语言解码模块被进一步配置为根据所述各目标对象的物体特征向量,确定第一个词语的第一隐向量;根据第一个词语的第一隐向量,确定第一个词语的词向量;根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第一隐向量,其中,t>1,且t为整数;根据第t个词语的第一隐向量,确定第t个词语的词向量;根据各词语的词向量,确定所述待处理图像的描述信息。
在一种可能的实现方式中,语言解码模块被进一步配置为根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第二隐向量;根据所述各目标对象的物体特征向量以及第t个词语的第二隐向量,确定第t个词语的特征向量;根据所述第t个词语的第二隐向量以及第t个词语的特征向量,确定第t个词语的第一隐向量。
在一种可能的实现方式中,本公开还提供了一种基于场景图的图像描述生成装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:调用所述存储器存储的指令,以执行所述基于场景图的图像描述生成方法。
图9是根据一示例性实施例示出的基于场景图的图像描述生成的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图9,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图10是根据一示例性实施例示出的基于场景图的图像描述生成的装置1900的框图。例如,装置1900可以被提供为一服务器。参照图10,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于场景图的图像描述生成方法,其特征在于,包括:
将待处理图像输入场景图生成网络,获得待处理图像中各目标对象的视觉特征向量以及各目标对象之间的关系类别概率分布向量;
对所述关系类别概率分布向量进行权值预测处理,获得所述各目标对象之间的关系权值向量;
对所述关系权值向量和所述视觉特征向量进行上下文编码处理,获得各目标对象的物体特征向量;
对所述物体特征向量进行语言解码处理,获得对所述待处理图像的描述信息。
2.根据权利要求1所述的方法,其特征在于,对所述关系类别概率分布向量进行权值预测处理,获得所述各目标对象之间的关系权值向量,包括:
将所述关系概率分布向量输入权值预测网络,获得初始关系权值向量;
对所述初始关系权值向量进行归一化处理,获得所述关系权值向量,
其中,所述关系权值向量包括主语关系权值向量和宾语关系权值向量。
3.根据权利要求2所述的方法,其特征在于,对所述初始关系权值向量进行归一化处理,获得所述关系权值向量,包括:
将第i个目标对象与第j个目标对象之间的初始关系权值向量中的第h个元素,以及第i个目标对象与其他N-1个目标对象之间的初始关系权值向量中的第h个元素进行归一化处理,获得第i个目标对象与第j个目标对象之间的关系权值向量中的第h个元素,其中,所述关系权值向量包括H个元素,N为目标对象的数量,H≥1,且H为整数,N≥1,且N为整数,i和j为小于或等于N的正整数,h为小于或等于H的正整数。
4.根据权利要求1所述的方法,其特征在于,对所述关系权值向量和所述视觉特征向量进行上下文编码处理,获得各目标对象的物体特征向量,包括:
根据所述关系权值向量和所述视觉特征向量,获得各目标对象的上下文特征向量;
将所述各目标对象的视觉特征向量和上下文特征向量进行拼接处理,获得所述各目标对象的物体特征向量。
5.根据权利要求4所述的方法,其特征在于,所述关系权值向量包括主语关系权值向量和宾语关系权值向量,
根据所述关系权值向量和所述视觉特征向量,获得各目标对象的上下文特征向量,包括:
根据所述主语关系权值向量和所述视觉特征向量,获得主语上下文特征向量;
根据所述宾语关系权值向量和所述视觉特征向量,获得宾语上下文特征向量;
根据所述主语上下文特征向量、所述宾语上下文特征向量和所述视觉特征向量,获得所述各目标对象的上下文特征向量。
6.根据权利要求1所述的方法,其特征在于,所述待处理图像的描述信息包括至少一个词语,
对所述物体特征向量进行语言解码处理,获得对所述待处理图像的描述信息,包括:
根据所述各目标对象的物体特征向量,确定第一个词语的第一隐向量;
根据第一个词语的第一隐向量,确定第一个词语的词向量;
根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第一隐向量,其中,t>1,且t为整数;
根据第t个词语的第一隐向量,确定第t个词语的词向量;
根据各词语的词向量,确定所述待处理图像的描述信息。
7.根据权利要求6所述的方法,其特征在于,根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第一隐向量,包括:
根据第t-1个词语的第一隐向量、所述各目标对象的物体特征向量以及第t-1个词语的词向量,确定第t个词语的第二隐向量;
根据所述各目标对象的物体特征向量以及第t个词语的第二隐向量,确定第t个词语的特征向量;
根据所述第t个词语的第二隐向量以及第t个词语的特征向量,确定第t个词语的第一隐向量。
8.一种基于场景图的图像描述生成装置,其特征在于,包括:
场景图生成模块,用于将待处理图像输入场景图生成网络,获得待处理图像中各目标对象的视觉特征向量以及各目标对象之间的关系类别概率分布向量;
权值预测模块,用于对所述关系类别概率分布向量进行权值预测处理,获得所述各目标对象之间的关系权值向量;
上下文编码模块,用于对所述关系权值向量和所述视觉特征向量进行上下文编码处理,获得各目标对象的物体特征向量;
语言解码模块,用于对所述物体特征向量进行语言解码处理,获得对所述待处理图像的描述信息。
9.一种基于场景图的图像描述生成装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020104023703 | 2020-05-13 | ||
CN202010402370 | 2020-05-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612070A true CN111612070A (zh) | 2020-09-01 |
CN111612070B CN111612070B (zh) | 2024-04-26 |
Family
ID=72203533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010437175.4A Active CN111612070B (zh) | 2020-05-13 | 2020-05-21 | 基于场景图的图像描述生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612070B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364933A (zh) * | 2020-11-23 | 2021-02-12 | 北京达佳互联信息技术有限公司 | 图像分类方法、装置、电子设备和存储介质 |
CN112381216A (zh) * | 2021-01-14 | 2021-02-19 | 蚂蚁智信(杭州)信息技术有限公司 | 混合图神经网络模型的训练、预测方法和装置 |
CN112508121A (zh) * | 2020-12-22 | 2021-03-16 | 南京大学 | 一种工业机器人感知外界的方法和系统 |
CN113076956A (zh) * | 2021-04-15 | 2021-07-06 | 齐鲁工业大学 | 一种图像描述生成方法、系统、介质及电子设备 |
CN113240033A (zh) * | 2021-05-25 | 2021-08-10 | 清华大学深圳国际研究生院 | 一种基于场景图高阶语义结构的视觉关系检测方法及装置 |
CN113449741A (zh) * | 2021-07-02 | 2021-09-28 | 西安交通大学 | 一种基于语义推断和图像理解的遥感影像定位方法及系统 |
CN113568983A (zh) * | 2021-02-05 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 场景图生成方法、装置、计算机可读介质及电子设备 |
CN113869099A (zh) * | 2021-06-22 | 2021-12-31 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN116453120A (zh) * | 2023-04-19 | 2023-07-18 | 浪潮智慧科技有限公司 | 基于时序场景图注意力机制的图像描述方法、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146786A (zh) * | 2018-08-07 | 2019-01-04 | 北京市商汤科技开发有限公司 | 场景图生成方法及装置、电子设备和存储介质 |
US20190163982A1 (en) * | 2017-11-28 | 2019-05-30 | Visual Semantics, Inc. | Method and apparatus for integration of detected object identifiers and semantic scene graph networks for captured visual scene behavior estimation |
CN110084128A (zh) * | 2019-03-29 | 2019-08-02 | 安徽艾睿思智能科技有限公司 | 基于语义空间约束和注意力机制的场景图生成方法 |
CN110807103A (zh) * | 2019-10-18 | 2020-02-18 | 中国银联股份有限公司 | 知识图谱构建方法、装置、电子设备及存储介质 |
CN110991532A (zh) * | 2019-12-03 | 2020-04-10 | 西安电子科技大学 | 基于关系视觉注意机制的场景图产生方法 |
CN111125400A (zh) * | 2019-12-27 | 2020-05-08 | 中山大学 | 虚拟现实与增强现实场景下基于关系约束的场景图谱优化方法 |
-
2020
- 2020-05-21 CN CN202010437175.4A patent/CN111612070B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190163982A1 (en) * | 2017-11-28 | 2019-05-30 | Visual Semantics, Inc. | Method and apparatus for integration of detected object identifiers and semantic scene graph networks for captured visual scene behavior estimation |
CN109146786A (zh) * | 2018-08-07 | 2019-01-04 | 北京市商汤科技开发有限公司 | 场景图生成方法及装置、电子设备和存储介质 |
CN110084128A (zh) * | 2019-03-29 | 2019-08-02 | 安徽艾睿思智能科技有限公司 | 基于语义空间约束和注意力机制的场景图生成方法 |
CN110807103A (zh) * | 2019-10-18 | 2020-02-18 | 中国银联股份有限公司 | 知识图谱构建方法、装置、电子设备及存储介质 |
CN110991532A (zh) * | 2019-12-03 | 2020-04-10 | 西安电子科技大学 | 基于关系视觉注意机制的场景图产生方法 |
CN111125400A (zh) * | 2019-12-27 | 2020-05-08 | 中山大学 | 虚拟现实与增强现实场景下基于关系约束的场景图谱优化方法 |
Non-Patent Citations (2)
Title |
---|
JIUXIANG GU ET AL.: "Scene Graph Generation With External Knowledge and Image Reconstruction", 《IEEE XPLORE》, 9 January 2020 (2020-01-09) * |
黄勇韬;严华;: "结合注意力机制与特征融合的场景图生成模型", no. 06 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364933A (zh) * | 2020-11-23 | 2021-02-12 | 北京达佳互联信息技术有限公司 | 图像分类方法、装置、电子设备和存储介质 |
CN112508121A (zh) * | 2020-12-22 | 2021-03-16 | 南京大学 | 一种工业机器人感知外界的方法和系统 |
CN112508121B (zh) * | 2020-12-22 | 2024-03-22 | 南京大学 | 一种工业机器人感知外界的方法和系统 |
CN112381216A (zh) * | 2021-01-14 | 2021-02-19 | 蚂蚁智信(杭州)信息技术有限公司 | 混合图神经网络模型的训练、预测方法和装置 |
CN113568983A (zh) * | 2021-02-05 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 场景图生成方法、装置、计算机可读介质及电子设备 |
CN113568983B (zh) * | 2021-02-05 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 场景图生成方法、装置、计算机可读介质及电子设备 |
CN113076956A (zh) * | 2021-04-15 | 2021-07-06 | 齐鲁工业大学 | 一种图像描述生成方法、系统、介质及电子设备 |
CN113076956B (zh) * | 2021-04-15 | 2023-02-24 | 齐鲁工业大学 | 一种图像描述生成方法、系统、介质及电子设备 |
CN113240033B (zh) * | 2021-05-25 | 2022-06-28 | 清华大学深圳国际研究生院 | 一种基于场景图高阶语义结构的视觉关系检测方法及装置 |
CN113240033A (zh) * | 2021-05-25 | 2021-08-10 | 清华大学深圳国际研究生院 | 一种基于场景图高阶语义结构的视觉关系检测方法及装置 |
CN113869099A (zh) * | 2021-06-22 | 2021-12-31 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN113449741A (zh) * | 2021-07-02 | 2021-09-28 | 西安交通大学 | 一种基于语义推断和图像理解的遥感影像定位方法及系统 |
CN116453120A (zh) * | 2023-04-19 | 2023-07-18 | 浪潮智慧科技有限公司 | 基于时序场景图注意力机制的图像描述方法、设备及介质 |
CN116453120B (zh) * | 2023-04-19 | 2024-04-05 | 浪潮智慧科技有限公司 | 基于时序场景图注意力机制的图像描述方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111612070B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612070B (zh) | 基于场景图的图像描述生成方法及装置 | |
CN110889469B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
JP7123255B2 (ja) | テキストシーケンス認識方法及びその装置、電子機器並びに記憶媒体 | |
CN111524521B (zh) | 声纹提取模型训练方法和声纹识别方法、及其装置和介质 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN111931844B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US12045578B2 (en) | Method for determining text similarity, storage medium and electronic device | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111539410B (zh) | 字符识别方法及装置、电子设备和存储介质 | |
CN111242303B (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN109615006B (zh) | 文字识别方法及装置、电子设备和存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN111259967B (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN109920016B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
CN110633470A (zh) | 命名实体识别方法、装置及存储介质 | |
CN110781813A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109903252B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109685041B (zh) | 图像分析方法及装置、电子设备和存储介质 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN114446318A (zh) | 音频数据分离方法、装置、电子设备及存储介质 | |
CN110232181B (zh) | 评论分析方法及装置 | |
CN111984765B (zh) | 知识库问答过程关系检测方法及装置 | |
CN116484828A (zh) | 相似案情确定方法、装置、设备、介质和程序产品 | |
CN115422932A (zh) | 一种词向量训练方法及装置、电子设备和存储介质 |
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 |