CN111782921A - 检索目标的方法和装置 - Google Patents

检索目标的方法和装置 Download PDF

Info

Publication number
CN111782921A
CN111782921A CN202010215923.4A CN202010215923A CN111782921A CN 111782921 A CN111782921 A CN 111782921A CN 202010215923 A CN202010215923 A CN 202010215923A CN 111782921 A CN111782921 A CN 111782921A
Authority
CN
China
Prior art keywords
text
image
feature
network
features
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.)
Pending
Application number
CN202010215923.4A
Other languages
English (en)
Inventor
刘武
刘嘉威
梅涛
郑可成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202010215923.4A priority Critical patent/CN111782921A/zh
Publication of CN111782921A publication Critical patent/CN111782921A/zh
Priority to EP21774930.8A priority patent/EP4131030A4/en
Priority to US17/764,741 priority patent/US20230005178A1/en
Priority to PCT/CN2021/073322 priority patent/WO2021190115A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9532—Query formulation
    • 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
    • G06F16/332—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0475—Generative 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
    • 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G06V10/426—Graphical representations
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本公开的实施例公开了检索目标的方法和装置。该方法的一具体实施方式包括：获取至少一幅图像以及指定对象的描述文本；利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征；对图像特征与文本特征进行匹配，确定出包含指定对象的图像，从而利用跨媒体特征提取特征，将图像特征与文本特征投影至图像文本共同特征空间进行特征匹配，实现了跨媒体的目标检索。

Description

检索目标的方法和装置
技术领域
本公开的实施例涉及计算机技术领域，具体涉及检索目标的方法和装置。
背景技术
随着互联网技术的快速发展，媒体数据的呈现方式也越来越丰富多样，不同类型的媒体数据从不同的角度描述同一事物。
人们期望可以实现不同类型的媒体数据之间的跨媒体检索，即通过一种类型的媒体数据，查询检索出具有相同语义的另一种媒体类型的媒体数据。
发明内容
本公开的实施例提出了检索目标的方法和装置。
第一方面，本公开的实施例提供了一种检索目标的方法，该方法包括：获取至少一幅图像以及指定对象的描述文本；利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征，其中，跨媒体特征提取网络将文本特征与图像特征投影至图像文本共同特征空间；对图像特征与文本特征进行匹配，确定出包含指定对象的图像。
在一些实施例中，跨媒体特征提取网络是按照如下方法生成的：获取训练样本集，其中，训练样本集包括样本图像文本对，样本图像文本对包括：样本图像和描述样本图像中包含的对象的样本文本；获取初始网络，其中，初始网络包括待训练的跨媒体特征提取网络、用于判别特征来源的数据类别的判别网络、特征转化网络，待训练的跨媒体特征提取网络包括图像图注意力网络、文本图注意力网络；将样本图像文本对中的样本图像输入图像图注意力网络，得到第一特征；将样本图像文本对中的样本文本输入文本图注意力网络，得到第二特征；将第一特征和第二特征输入判别网络得到类别判别结果，根据类别判别结果计算判别损失值，其中，特征来源的数据类别包括文本类和图像类，判别损失值表征第一特征和第二特征类别判定误差；将第一特征和第二特征输入特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值，其中，识别损失函数表征第一特征和第二特征在图像文本共同特征空间对所包含的不同对象的区分能力，成对损失函数表征同一对象的第一特征和第二特征之间的语义差异性；基于识别损失函数的值和成对损失函数的值，得到预设的特征损失值；基于判别损失值和特征损失值，将待训练的跨媒体特征提取网络和特征转化网络作为生成网络，与判别网络进行对抗训练，得到训练完成的跨媒体特征提取网络、判别网络、特征转化网络。
在一些实施例中，图像图注意力网络包括残差网络、图像图注意力卷积网络以及联合嵌入层；以及将样本图像输入图像图注意力网络，得到第一特征，包括：利用残差网络提取样本图像的初始图像特征，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，将初始图像特征与结构化图像特征融合，生成图像特征，将图像特征输入至联合嵌入层，得到第一特征。
在一些实施例中，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，包括：对样本图像进行目标对象检测，确定出样本图像中的目标对象和目标对象的矩形包围盒的位置，并根据目标对象的矩形包围盒的位置，提取目标对象的相关特征，其中，目标对象的相关特征包括以下至少一项：目标对象的外观特征、目标对象的位置特征以及目标对象的类型特征；构建图像特征有向图，图像特征有向图的顶点表征目标对象，图像特征有向图的有向边表征各目标对象之间的关联关系。
在一些实施例中，文本图注意力网络包括双向长短期记忆网络、文本图注意力卷积网络以及联合嵌入层；以及将样本文本输入文本图注意力网络，得到第二特征，包括：将样本文本进行分词处理，确定样本文本的词向量；利用双向长短期记忆网络提取样本文本的词向量的初始文本特征，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，将初始文本特征与结构化文本特征融合，生成文本特征，将文本特征输入至联合嵌入层，得到第二特征。
在一些实施例中，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，包括：构建文本特征有向图，文本特征有向图的顶点表征词向量所指示的目标对象，文本特征有向图的有向边表征各词向量所指示的目标对象之间的关联关系，其中，词向量所指示的目标对象的相关特征包括以下至少一项：目标对象的属性特征和目标对象的类型特征；根据文本特征有向图，生成样本文本的结构化文本特征。
第二方面，本公开的实施例提供了一种检索目标的装置，该装置包括：获取单元，被配置成获取至少一幅图像以及指定对象的描述文本；提取单元，被配置成利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征，其中，跨媒体特征提取网络将文本特征与图像特征投影至图像文本共同特征空间；匹配单元，被配置成对图像特征与文本特征进行匹配，确定出包含指定对象的图像。
在一些实施例中，跨媒体特征提取网络是按照如下方法生成的：获取训练样本集，其中，训练样本集包括样本图像文本对，样本图像文本对包括：样本图像和描述样本图像中包含的对象的样本文本；获取初始网络，其中，初始网络包括待训练的跨媒体特征提取网络、用于判别特征来源的数据类别的判别网络、特征转化网络，待训练的跨媒体特征提取网络包括图像图注意力网络、文本图注意力网络；将样本图像文本对中的样本图像输入图像图注意力网络，得到第一特征；将样本图像文本对中的样本文本输入文本图注意力网络，得到第二特征；将第一特征和第二特征输入判别网络得到类别判别结果，根据类别判别结果计算判别损失值，其中，特征来源的数据类别包括文本类和图像类，判别损失值表征第一特征和第二特征类别判定误差；将第一特征和第二特征输入特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值，其中，识别损失函数表征第一特征和第二特征在图像文本共同特征空间对所包含的不同对象的区分能力，成对损失函数表征同一对象的第一特征和第二特征之间的语义差异性；基于识别损失函数的值和成对损失函数的值，得到预设的特征损失值；基于判别损失值和特征损失值，将待训练的跨媒体特征提取网络和特征转化网络作为生成网络，与判别网络进行对抗训练，得到训练完成的跨媒体特征提取网络、判别网络、特征转化网络。
在一些实施例中，图像图注意力网络包括残差网络、图像图注意力卷积网络以及联合嵌入层；以及第一特征是按照是按照如下方法得到的：利用残差网络提取样本图像的初始图像特征，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，将初始图像特征与结构化图像特征融合，生成图像特征，将图像特征输入至联合嵌入层，得到第一特征。
在一些实施例中，样本图像的结构化图像特征是按照是按照如下方法得到的：对样本图像进行目标对象检测，确定出样本图像中的目标对象和目标对象的矩形包围盒的位置，并根据目标对象的矩形包围盒的位置，提取目标对象的相关特征，其中，目标对象的相关特征包括以下至少一项：目标对象的外观特征、目标对象的位置特征以及目标对象的类型特征；构建图像特征有向图，图像特征有向图的顶点表征目标对象，图像特征有向图的有向边表征各目标对象之间的关联关系特征。
在一些实施例中，文本图注意力网络包括双向长短期记忆网络、文本图注意力卷积网络以及联合嵌入层；第二特征是按照是按照如下方法得到的：将样本文本进行分词处理，确定样本文本的词向量；利用双向长短期记忆网络提取样本文本的词向量的初始文本特征，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，将初始文本特征与结构化文本特征融合，生成文本特征，将文本特征输入至联合嵌入层，得到第二特征。
在一些实施例中，样本文本的结构化文本特征是按照是按照如下方法得到的：构建文本特征有向图，文本特征有向图的顶点表征词向量所指示的目标对象，文本特征有向图的有向边表征各词向量所指示的目标对象之间的关联关系特征，其中，词向量所指示的目标对象的相关特征包括以下至少一项：目标对象的属性特征和目标对象的类型特征；根据文本特征有向图，生成样本文本的结构化文本特征。
第三方面，本公开的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，本公开的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。
本公开的实施例提供的检索目标的方法和装置，通过获取至少一幅图像以及指定对象的描述文本，而后，利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征，其中，跨媒体特征提取网络将文本特征与图像特征投影至图像文本共同特征空间，最后，对图像特征与文本特征进行匹配，确定出包含指定对象的图像，从而利用跨媒体特征提取特征，将图像特征与文本特征投影至图像文本共同特征空间进行特征匹配，实现了跨媒体的目标检索。
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，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的检索目标的方法的一个实施例的流程图；
图3是上述跨媒体特征提取网络的生成方法的一个实现方式的流程图；
图4是本公开的检索目标的方法的一个实现流程的架构示意图；
图5是根据本公开的检索目标的装置的一个实施例的结构示意图；
图6是适于用来实现本公开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公开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，本公开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公开。
图1示出了可以应用本公开的检索目标的方法或检索目标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，例如图像编辑类应用、文本编辑类应用、浏览器类应用等。
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互联网访问的各种电子设备，包括但不限于智能手机、平板电脑、笔记本电脑、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)，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获取的图像和文本进行匹配的后台服务器。后台服务器可以对接收到的图像和文本进行识别、匹配等处理。
需要说明的是，本公开的实施例所提供的检索目标的方法一般由服务器105执行，相应地，检索目标的装置一般设置于服务器105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，示出了根据本公开的检索目标的方法的一个实施例的流程200。该检索目标的方法包括以下步骤：
步骤201，获取至少一幅图像以及指定对象的描述文本。
在本实施例中，上述检索目标的方法的执行主体(例如图1所示的服务器)可以从预先存储的图像库中获取至少一副图像以及指定对象的描述文本。在这里，上述图像可以是预先存储的图像库中的任意一幅待检索图像。
在这里，指定对象指待检索的实体，指定对象可以是位置可变的对象，例如行人、车辆等，指定对象也可以是位置固定的对象，例如建筑物、景观等。上述指定对象的数量可以是一个，也可以是多个。图像可以包含指定对象或其他的对象。文本可以是对指定对象的特征进行描述的句子或词语。例如指定对象是行人A，那么在步骤201中可以获取图像库中包含行人的待检索图像以及该行人A的外貌、动作等特征的描述文本。进而在后续的步骤中对待检索图像与行人A的描述文本进行匹配，从包含行人的待检索图像中确定出与行人A的描述文本相匹配的包含行人A的图像。
步骤202，利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征。
在本实施例中，上述执行主体可以利用预先训练的跨媒体特征提取网络，提取步骤201中至少一副图像的图像特征以及指定对象的描述文本的文本特征。其中，跨媒体特征提取网络可以将文本特征与图像特征投影至图像文本共同特征空间，具体地，跨媒体特征提取网络可以提取不同媒体类型的数据的特征，并且可以把不同媒体类型的数据的特征转换至同一个共同特征空间，这样不同媒体类型的数据的特征在同一个共同特征空间才能进行特征匹配。
在这里，跨媒体特征提取网络可以是人工神经网络。基于步骤201中所获取的至少一幅图像以及指定对象的描述文本，上述执行主体可以将一个或多个图像以及描述文本输入至预先训练的人工神经网络，提取出图像对应的图像特征、文本对应的文本特征。在上述一个或多个图像中可以选取局部或者整体图像，以提取所选取的局部或者整体图像的图像特征。在上述指定对象的描述文本中可以选取部分或者整体的描述文本，以提取所选取的部分或者整体的文本的文本特征。上述特征可以用特征向量表示。
步骤203，对图像特征与文本特征进行匹配，确定出包含指定对象的图像。
在本实施例中，上述执行主体可以对步骤202提取的图像特征与文本特征进行匹配，从至少一个图像中确定出包含指定对象的图像，作为与文本描述相匹配的图像。
在这里，上述执行主体可以通过计算每个图像的图像特征与描述文本的文本特征之间的相似度，确定图像特征与文本特征是否匹配。上述相似度可以与图像特征与文本特征之间的距离相关，例如可以采用欧式距离、明氏距离、曼哈顿距离、切比雪夫距离、马氏距离等，计算图像特征与文本特征之间的相似度。
在实践中，为了更加全面地匹配出与文本特征相似的图像特征，还可以先计算每个图像特征与文本特征之间的相似度，将每个图像特征与文本特征之间的相似度进行从高到低的排序，选取排序在前预设位的图像特征，将排序在前预设位的图像特征所指示的图像作为与文本描述的相匹配的图像。预设位可以是根据实际需要设定的，可以为一个或者多个。在这里，文本特征与图像特征之间的相似度越高，文本特征与图像特征所指示的对象为同一对象的可能性越大。
本公开的上述实施例提供的检索目标的方法，通过获取至少一幅图像以及指定对象的描述文本，而后，利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征，其中，跨媒体特征提取网络将文本特征与图像特征投影至图像文本共同特征空间，最后，对图像特征与文本特征进行匹配，确定出包含指定对象的图像，从而利用跨媒体特征提取特征，将图像特征与文本特征投影至图像文本共同特征空间进行特征匹配，实现了跨媒体的目标检索。
继续参考图3，图3是上述跨媒体特征提取网络的生成方法的一个实现方式的流程图。该跨媒体特征提取网络的生成方法的流程300可以包括以下步骤：
步骤301，获取训练样本集。
在本实施例中，上述执行主体可以从预设设置的数据库中获取训练样本集，训练样本集可以包括样本图像文本对，样本图像文本对可以包括样本图像和描述样本图像中包含的对象的样本文本。
步骤302，获取初始网络。
在本实施例中，上述执行主体首先可以获取初始网络，具体地，初始网络可以包括待训练的跨媒体特征提取网络、用于判别特征来源的数据类别的判别网络、特征转化网络，待训练的跨媒体特征提取网络可以包括图像图注意力网络、文本图注意力网络。上述初始网络可以是初始化参数后，未经训练的神经网络，也可以是预先训练过的神经网络。
步骤303，从训练样本集中选取样本，执行训练步骤。
在本实施例中，上述执行主体可以从步骤301中获取的样本集中选取样本，以及执行步骤3031至步骤3036的训练步骤。其中，样本的选取方式和选取数量在本公开中并不限制。例如上述执行主体可以选取至少一个样本。
更具体地，训练步骤包括如下步骤：
步骤3031，将样本图像文本对中的样本图像输入图像图注意力网络，得到第一特征。
在本实施例中，上述执行主体可以将样本图像文本对中的样本图像输入到待训练的跨媒体特征提取网络的图像图注意力网络中，输出第一特征，即样本图像的图像特征。
在本实施例的一些可选实现方式中，图像图注意力网络包括残差网络、图像图注意力卷积网络以及联合嵌入层。具体地，可以通过如下步骤得到第一特征：
第一步，利用残差网络提取样本图像的初始图像特征。
在该可选实现方式中，上述执行主体可以利用残差网络提取样本图像的初始图像特征，即低层次视觉特征。在这里，初始图像特征可以是全局图像特征，例如颜色特征、纹理特征、形状特征、结构特征等。
在这里，上述执行主体还可以残差网络提取样本图像的初始图像特征之后，采用平均池化层将初始图像特征生成全局外观视觉特征向量，利用平均池化层降低初始图像特征的维度，生成的全局外观视觉特征向量可以保留初始图像特征中的显著特征。
第二步，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征。
在该可选实现方式中，上述执行主体可以将提取的低层次视觉特征输入至预先训练好的图像图注意力卷积网络，得到样本图像的结构化图像特征。在这里，结构化图像特征可以用来表征样本图像的结构化的语义视觉特征。
可选地，还可以通过以下步骤将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征：对样本图像进行目标对象检测，确定出样本图像中的目标对象和目标对象的矩形包围盒的位置，并根据目标对象的矩形包围盒的位置，提取目标对象的相关特征；构建图像特征有向图，图像特征有向图的顶点表征目标对象，图像特征有向图的有向边表征各目标对象之间的关联关系；根据图像特征有向图，生成样本图像的结构化图像特征。
在该可选实现方式中，上述执行主体可以通过构建的图像特征有向图，获取样本图像的结构化图像特征。
具体地，上述执行主体首先可以利于预先设置的目标检测算法识别出样本图像中的目标对象和目标对象的矩形包围盒的位置，然后利用目标检测算法从目标对象的矩形包围盒中提取目标对象的外观特征，根据目标对象的矩形包围盒的位置，提取目标对象的相关特征，例如目标对象的相关特征可以包括以下至少一项：目标对象的外观特征、目标对象的位置特征以及目标对象的类型特征，具体地，例如可以使用目标检测算法R-CNN(Region-Convolutional Neural Networks，区域卷积神经网络)对样本图像进行目标对象的检测，在这里，目标对象可以是根据实际的应用需求，预先指定的任意对象，例如鞋子、眼镜等物体，目标对象的矩形包围盒的位置特征可以用目标对象在当样本图像中的矩形包围盒的位置坐标来表示，例如表示矩形包围盒的某顶点的横坐标、表示矩形包围框的某顶点的纵坐标、矩形包围框的宽度、矩形包围框的高度之间关系的多元组的位置坐标。目标对象的类别例如可以根据其形状、颜色等特征识别出来，并且上述执行主体可以利用预先设置的实体关系分类器确定目标对象之间的关联关系，利用预先设置的属性分类器确定目标对象的属性。目标对象的外观特征可以包括全局外观特征和局部外观特征。
然后可以构建图像特征有向图，图像特征有向图的顶点表征目标对象，可以用Oi(O1、O2、O3、O4、O5、O6)表示，Oi可以表示三元组“主语-谓语-宾语”中的主语或者宾语，图像特征有向图的有向边表征各目标对象之间的关联关系，可以用eij(e15、e16、e21、e31、e41)表示，例如有向边eij表示对象Oi与对象Oj之间的关系，eij表示三元组“主语-谓语-宾语”中的谓语，Oi可以是三元组“主语-谓语-宾语”中的主语，Oj可以是三元组“主语-谓语-宾语”中的宾语。图像特征有向图的顶点特征可以由上述获取的表征目标对象的相关特征表示，目标对象的相关特征可以包括以下至少一项：目标对象的外观特征、目标对象的位置特征以及目标对象的类型特征。图像特征有向图的有向边特征可以由以下至少一项组成：目标对象的外观特征、目标对象的位置特征、目标对象的类型特征。
最后可以利用图注意力卷积层对上述构建的图像特征有向图进行更新，并提取样本图像的结构化图像特征。具体地，利用图注意力卷积层可以对图像特征有向图进行更新，得到更新后的顶点，可以设置如下更新公式对图像特征有向图中的顶点特征进行更新：
Figure BDA0002424411750000111
其中，gs，go表示全连接层，wij表示节点j对节点i的权重，wik表示节点k对节点i的权重，oj表示表征主语的节点，oj表示表征谓语的节点，
Figure BDA0002424411750000112
表示节点特征，
Figure BDA0002424411750000113
表示节点之间的有向边特征。
wij可以通过如下公式计算：
Figure BDA0002424411750000121
其中，wa表示有向边特征
Figure BDA0002424411750000122
的权重，ba表示偏置项。
通过上述更新公式可以得到更新后的图像特征有向图的各个顶点特征，为了融合更新后的各个顶点特征，设置一个连接图像特征有向图的各个顶点的虚拟顶点，上述虚拟顶点可以通过如下公式生成样本图像的结构化图像特征：
Figure BDA0002424411750000123
其中，
Figure BDA0002424411750000124
表示虚拟顶点特征，wi表示节点i的权重，gv表示全连接层。
wj可以通过如下公式计算：
Figure BDA0002424411750000125
其中，wc表示虚拟顶点特征
Figure BDA0002424411750000126
的权重，bc表示偏置项。
由于虚拟顶点与图像特征有向图的各个顶点相连，图像特征有向图包含了目标对象的相关特征以及目标对象之间的关联关系特征，所以虚拟顶点可以融合更新后的图像特征有向图中的所有特征，生成表征样本图像的结构化语义信息的结构化图像特征，可以包含更有效的结构化语义信息，更全面地、更准确的表征图像特征，更有效地区别识别图像所包含的目标对象。
第三步，将初始图像特征与结构化图像特征融合，生成图像特征。
在该可选实现方式中，上述执行主体可以融合第一步得到的初始图像特征与第二步得到的结构化图像特征，得到样本图像的图像特征。
第四步，将图像特征输入至联合嵌入层，得到第一特征。
在该可选实现方式中，上述执行主体可以将第三步得到的图像特征输入至联合嵌入层，得到第一特征，联合嵌入层可以由三个全连接层组成。
步骤3032，将样本图像文本对中的样本文本输入文本图注意力网络，得到第二特征。
在本实施例中，上述执行主体可以将样本图像文本对中的样本文本输入到待训练的跨媒体特征提取网络的文本图注意力网络中，输出第二特征，即样本文本的文本特征。
在本实施例的一些可选实现方式中，文本图注意力网络包括双向长短期记忆网络、文本图注意力卷积网络以及联合嵌入层。具体地，可以通过如下步骤得到第二特征：
第一步：将样本文本进行分词处理，确定样本文本的词向量。
在该可选实现方式中，上述执行主体可以利用常用的分词工具或者人工标注对样本文本进行分词处理，样本文本中的每个单词都被投影成一个词向量。
第二步，利用双向长短期记忆网络提取样本文本的词向量的初始文本特征。
在该可选实现方式中，上述执行主体可以利用双向长短期记忆网络提取样本文本中具有上下文信息的初始文本特征。
第三步，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征。
在该可选实现方式中，上述执行主体可以将提取的初始文本特征输入至预先训练好的文本图注意力卷积网络，得到样本文本的结构化文本特征。在这里，结构化文本特征可以用来表征样本文本的结构化的语义文本特征。
可选地，还可以通过以下步骤初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征：构建文本特征有向图，文本特征有向图的顶点表征词向量所指示的目标对象，文本特征有向图的有向边表征各词向量所指示的目标对象之间的关联关系；根据文本特征有向图，生成样本文本的结构化文本特征。
在该可选实现方式中，上述执行主体可以通过构建的文本特征有向图，获取样本文本的结构化文本特征。
具体地，上述执行主体首先可以构建文本特征有向图，文本特征有向图的顶点表征目标对象，可以用Oi(O1、O2、O3、O4、O5、O6)表示，Oi可以表示三元组“主语-谓语-宾语”中的主语或者宾语，文本特征有向图的有向边表征各目标对象之间的关联关系，可以用eij(e15、e16、e21、e31、e41)表示，例如有向边eij表示对象Oi与对象Oj之间的关系，eij表示三元组“主语-谓语-宾语”中的谓语，Oi可以是三元组“主语-谓语-宾语”中的主语，Oj可以是三元组“主语-谓语-宾语”中的宾语。文本特征有向图的顶点特征可以由目标对象的相关特征组成，目标对象的相关特征包括以下至少一项：目标对象的属性特征和目标对象的类型特征，文本特征有向图的有向边特征可以由目标对象的类型特征组成。
然后可以利用图注意力卷积层对上述构建的文本特征有向图进行更新，并可以采用上述更新公式(1)对文本特征有向图中的顶点特征进行更新。上述执行主体可以设置一个连接文本特征有向图的各个顶点的虚拟顶点，上述虚拟顶点可以通过公式(3)生成样本文本的结构化文本特征，可以包含更有效的结构化语义信息，更全面地、更准确的表征文本特征，更有效地区别识别文本所包含的目标对象。
第四步，将初始文本特征与结构化文本特征融合，生成文本特征。
在该可选实现方式中，上述执行主体可以融合第二步得到的初始文本特征与第三步得到的结构化文本特征，得到样本文本的文本特征。
第五步，将文本特征输入至联合嵌入层，得到第二特征。
在该可选实现方式中，上述执行主体可以将第四步得到的文本特征输入至联合嵌入层，得到第二特征，联合嵌入层可以由三个全连接层组成。
步骤3033，将第一特征和第二特征输入判别网络得到类别判别结果，根据类别判别结果计算判别损失值。
在本实施例中，上述执行主体可以将第一特征和第二特征输入判别网络得到类别判别结果，根据类别判别结果计算判别损失值，其中，特征来源的数据类别包括文本类和图像类，判别损失值表征第一特征和第二特征类别判定误差。上述判别网络可以由三个全连接层组成，旨在更好地判断识别给定的特征的来源的数据类型，即特征的模态类别，例如文本类、图像类，并且可以通过如下损失函数计算判别损失值Ladv(θD)：
Figure BDA0002424411750000141
其中，vi表示第一特征，ti表示第二特征，D(vi；θD)、D(ti；θD)表示输入样本i的特征来源的数据类别概率，θD表示判别网络的网络参数。
步骤3034，将第一特征和第二特征输入特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值。
在本实施例中，上述执行主体可以将第一特征和第二特征输入特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值，其中，识别损失函数表征第一特征和第二特征在图像文本共同特征空间对所包含的不同对象的区分能力，成对损失函数表征同一对象的第一特征和第二特征之间的语义差异性。上述执行主体可以通过如下损失函数计算识别损失值Lide(θV，θT)：
Figure BDA0002424411750000151
其中，yi表示第i个样本(样本文本或者样本图像)的对应的目标对象的编号，xi表示第一特征或者第二特征，θV表示图像图注意力卷积网络的网络参数，θT表示文本图注意力卷积网络的网络参数，Wj表示权重矩阵W的第j列，b表示偏置项，N表示样本的个数。
上述执行主体可以通过如下损失函数计算成对损失值Lpair(θV，θT)：
Figure BDA0002424411750000152
其中，yi表示样本图像和样本文本输入对是否指示同一个目标对象的编号的二维矢量，zi表文本特征与图像特征的融合特征，Wp,j表示权重矩阵Wp的第j列，bp表示偏置项，M表示样本图像和样本文本输入对的个数。
步骤3035，基于识别损失函数的值和成对损失函数的值，得到预设的特征损失值。
在本实施例中，上述执行主体可以将步骤3034中得到的识别损失值和成对损失值相加，得到特征转化网络的特征损失值。
步骤3036，基于判别损失值和特征损失值，将待训练的跨媒体特征提取网络和特征转化网络作为生成网络，与判别网络进行对抗训练，得到训练完成的跨媒体特征提取网络、判别网络、特征转化网络。
在本实施例中，上述执行主体可以基于步骤3033得到的判别损失值与步骤3035得到的特征损失值，将待训练的跨媒体特征提取网络和特征转化网络作为生成网络，与判别网络进行对抗训练，具体地，可以通过设置如下损失函数对图像图注意力卷积网络的网络参数θV、文本图注意力卷积网络的网络参数θT、判别网络的网络参数θD进行指导训练优化：
Figure BDA0002424411750000161
Figure BDA0002424411750000162
其中，Lfea(θV,θT)表示特征损失值，Ladv(θD)表示判别损失值。
当特征损失值与判别损失值的差值达到最大时，将优化后的图像图注意力卷积网络的网络参数θV、文本图注意力卷积网络的网络参数θT作为训练完成的跨媒体特征提取网络的网络参数。
通过上述训练步骤，可以使跨媒体特征提取网络能够提取出具有结构化语义的文本特征与图像特征，使其具有模态不变性、语义区分力以及跨模态的语义相似性。
继续参考图4，图4是本公开的检索目标的方法的一个实现流程的架构示意图。
如图4所示，系统架构可以包括图像图注意力网络、文本图注意力网络和对抗学习模块。
图像图注意力网络用于提取图像的图像特征，图像图注意力网络可以由五个残差网络模块、视觉场景图模块和联合嵌入层组成，其中，视觉场景图模块可以由图像特征有向图和图注意力卷积层组成，图注意力卷积层用于更新图像特征有向图，联合嵌入层可以由三个全连接层组成。具体地，上述执行主体首先可以利用五个残差网络模块提取图像的初始图像特征，然后将初始图像特征输入至视觉场景图模块，提取出图像的结构化图像特征，最后利用联合嵌入层将结构化图像特征投影到图像文本共同特征空间。
文本图注意力网络用于提取文本的文本特征，文本图注意力网络可以由双向LSTM(Long Short-Term Memory，长短期记忆网络)、文本场景图模块和联合嵌入层组成，其中，文本场景图模块可以由文本特征有向图和图注意力卷积层组成，图注意力卷积层用于更新文本特征有向图，联合嵌入层可以由三个全连接层组成。具体地，上述执行主体首先可以利用双向LSTM提取文本的初始文本特征，然后将初始文本特征输入至文本场景图模块，提取出文本的结构化文本特征，最后利用联合嵌入层将结构化文本特征投影到图像文本共同特征空间。
对抗学习模块用于确定图像特征与文本特征的图像文本共同特征空间，对抗学习模块可以由特征转换器和模态鉴别器组成。具体地，上述执行主体首先可以将图像图注意力网络提取的图像特征与文本图注意力网络提取的文本特征输入至对抗学习模块，特征转换器用于将不同模态类型的特征(文本特征或者图像特征)投影至图像文本共同特征空间，生成转换后的特征，模态鉴别器用于区分特征转换器生成的转换后的特征的模态类型(文本类或者图像类)，然后将图像图注意力网络、文本图注意力网络特征和转换器作为生成网络，将模态鉴别器作为判别网络，进行联合对抗学习，最后将训练完成的图像图注意力网络、文本图注意力网络特征作为跨媒体特征提取网络。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了检索目标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，本实施例提供的检索目标的装置500包括获取单元501、提取单元502和匹配单元503。其中，获取单元501，被配置成获取至少一幅图像以及指定对象的描述文本；提取单元502，被配置成利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征；匹配单元503，被配置成对图像特征与文本特征进行匹配，确定出包含指定对象的图像。
在本实施例中，检索目标的装置500中：获取单元501、提取单元502和匹配单元503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和步骤203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，跨媒体特征提取网络是按照如下方法生成的：获取训练样本集，其中，训练样本集包括样本图像文本对，样本图像文本对包括：样本图像和描述样本图像中包含的对象的样本文本；获取初始网络，其中，初始网络包括待训练的跨媒体特征提取网络、用于判别特征来源的数据类别的判别网络、特征转化网络，待训练的跨媒体特征提取网络包括图像图注意力网络、文本图注意力网络；将样本图像文本对中的样本图像输入图像图注意力网络，得到第一特征；将样本图像文本对中的样本文本输入文本图注意力网络，得到第二特征；将第一特征和第二特征输入判别网络得到类别判别结果，根据类别判别结果计算判别损失值，其中，特征来源的数据类别包括文本类和图像类，判别损失值表征第一特征和第二特征类别判定误差；将第一特征和第二特征输入特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值，其中，识别损失函数表征第一特征和第二特征在图像文本共同特征空间对所包含的不同对象的区分能力，成对损失函数表征同一对象的第一特征和第二特征之间的语义差异性；基于识别损失函数的值和成对损失函数的值，得到预设的特征损失值；基于判别损失值和特征损失值，将待训练的跨媒体特征提取网络和特征转化网络作为生成网络，与判别网络进行对抗训练，得到训练完成的跨媒体特征提取网络、判别网络、特征转化网络。
在本实施例的一些可选的实现方式中，图像图注意力网络包括残差网络、图像图注意力卷积网络以及联合嵌入层；以及第一特征是按照如下方式得到的：利用残差网络提取样本图像的初始图像特征，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，将初始图像特征与结构化图像特征融合，生成图像特征，将图像特征输入至联合嵌入层，得到第一特征。
在本实施例的一些可选的实现方式中，样本图像的结构化图像特征是按照如下方式得到的：对样本图像进行目标对象检测，确定出样本图像中的目标对象和目标对象的矩形包围盒的位置，并根据目标对象的矩形包围盒的位置，提取目标对象的相关特征，其中，目标对象的相关特征包括以下至少一项：目标对象的外观特征、目标对象的位置特征、目标对象的属性特征以及目标对象的类型特征；构建图像特征有向图，图像特征有向图的顶点表征目标对象，图像特征有向图的有向边表征各目标对象之间的关联关系；根据图像特征有向图，生成样本图像的结构化图像特征。
在本实施例的一些可选的实现方式中，文本图注意力网络包括双向长短期记忆网络、文本图注意力卷积网络以及联合嵌入层；以及第二特征是按照如下方式得到的：将样本文本进行分词处理，确定样本文本的词向量；利用双向长短期记忆网络提取样本文本的词向量的初始文本特征，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，将初始文本特征与结构化文本特征融合，生成文本特征，将文本特征输入至联合嵌入层，得到第二特征。
在本实施例的一些可选的实现方式中，样本文本的结构化文本特征是按照如下方式得到的：构建文本特征有向图，文本特征有向图的顶点表征词向量所指示的目标对象，文本特征有向图的有向边表征各词向量所指示的目标对象之间的关联关系，其中，词向量所指示的目标对象的相关特征包括以下至少一项：目标对象的属性特征和目标对象的类型特征；根据文本特征有向图，生成样本文本的结构化文本特征。
本公开的上述实施例提供的装置，通过获取单元501获取至少一幅图像以及指定对象的描述文本，提取单元502利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征，匹配单元503对图像特征与文本特征进行匹配，确定出包含指定对象的图像，从而利用跨媒体特征提取特征，将图像特征与文本特征投影至图像文本共同特征空间进行特征匹配，实现了跨媒体的目标检索。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的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、麦克风、加速度计、陀螺仪等的输入装置605；包括例如液晶显示器(LCD，LiquidCrystal 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，根据本公开的实施例，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，本公开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，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例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。在本公开的实施例中，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。而在本公开的实施例中，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：获取至少一幅图像以及指定对象的描述文本；利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征；对图像特征与文本特征进行匹配，确定出包含指定对象的图像。
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公开的实施例的操作的计算机程序代码，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，图示了按照本公开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。
描述于本公开的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，包获取单元、提取单元、匹配单元。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“获取至少一幅图像以及指定对象的描述文本的单元”。
以上描述仅为本公开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，本公开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。例如上述特征与本公开的实施例中公开的(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 (14)

1.一种检索目标的方法，包括：
获取至少一幅图像以及指定对象的描述文本；
利用预先训练的跨媒体特征提取网络提取所述图像的图像特征以及所述描述文本的文本特征，其中，所述跨媒体特征提取网络将所述文本特征与所述图像特征投影至图像文本共同特征空间；
对所述图像特征与所述文本特征进行匹配，确定出包含所述指定对象的图像。
2.根据权利要求1所述的方法，其中，所述跨媒体特征提取网络是按照如下方式生成的：
获取训练样本集，其中，所述训练样本集包括样本图像文本对，所述样本图像文本对包括：样本图像和描述所述样本图像中包含的对象的样本文本；
获取初始网络，其中，所述初始网络包括待训练的跨媒体特征提取网络、用于判别特征来源的数据类别的判别网络、特征转化网络，所述待训练的跨媒体特征提取网络包括图像图注意力网络、文本图注意力网络；
将所述样本图像文本对中的样本图像输入图像图注意力网络，得到第一特征；
将所述样本图像文本对中的样本文本输入文本图注意力网络，得到第二特征；
将第一特征和第二特征输入所述判别网络得到类别判别结果，根据所述类别判别结果计算判别损失值，其中，所述特征来源的数据类别包括文本类和图像类，所述判别损失值表征第一特征和第二特征类别判定误差；
将第一特征和第二特征输入所述特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值，其中，所述识别损失函数表征第一特征和第二特征在图像文本共同特征空间对所包含的不同对象的区分能力，所述成对损失函数表征同一对象的第一特征和第二特征之间的语义差异性；
基于所述识别损失函数的值和所述成对损失函数的值，得到预设的特征损失值；
基于所述判别损失值和所述特征损失值，将所述待训练的跨媒体特征提取网络和所述特征转化网络作为生成网络，与所述判别网络进行对抗训练，得到训练完成的跨媒体特征提取网络、判别网络、特征转化网络。
3.根据权利要求2所述的方法，其中，所述图像图注意力网络包括残差网络、图像图注意力卷积网络以及联合嵌入层；以及所述将样本图像输入图像图注意力网络，得到第一特征，包括：
利用残差网络提取样本图像的初始图像特征，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，将初始图像特征与结构化图像特征融合，生成图像特征，将图像特征输入至联合嵌入层，得到第一特征。
4.根据权利要求3所述的方法，其中，所述将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，包括：
对样本图像进行目标对象检测，确定出样本图像中的目标对象和目标对象的矩形包围盒的位置，并根据所述目标对象的矩形包围盒的位置，提取所述目标对象的相关特征，其中，所述目标对象的相关特征包括以下至少一项：目标对象的外观特征、目标对象的位置特征以及所述目标对象的类型特征；
构建图像特征有向图，所述图像特征有向图的顶点表征所述目标对象，所述图像特征有向图的有向边表征各目标对象之间的关联关系；
根据所述图像特征有向图，生成样本图像的结构化图像特征。
5.根据权利要求2所述的方法，其中，所述文本图注意力网络包括双向长短期记忆网络、文本图注意力卷积网络以及联合嵌入层；以及所述将样本文本输入文本图注意力网络，得到第二特征，包括：
将样本文本进行分词处理，确定样本文本的词向量；
利用双向长短期记忆网络提取样本文本的词向量的初始文本特征，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，将初始文本特征与结构化文本特征融合，生成文本特征，将文本特征输入至联合嵌入层，得到所述第二特征。
6.根据权利要求5所述的方法，其中，所述将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，包括：
构建文本特征有向图，所述文本特征有向图的顶点表征词向量所指示的目标对象，所述文本特征有向图的有向边表征各词向量所指示的目标对象之间的关联关系，其中，所述词向量所指示的目标对象的相关特征包括以下至少一项：目标对象的属性特征和所述目标对象的类型特征；
根据所述文本特征有向图，生成样本文本的结构化文本特征。
7.一种检索目标的装置，包括：
获取单元，被配置成获取至少一幅图像以及指定对象的描述文本；
提取单元，被配置成利用预先训练的跨媒体特征提取网络提取所述图像的图像特征以及所述描述文本的文本特征，其中，所述跨媒体特征提取网络将所述文本特征与所述图像特征投影至图像文本共同特征空间；
匹配单元，被配置成对所述图像特征与所述文本特征进行匹配，确定出包含所述指定对象的图像。
8.根据权利要求7所述的装置，其中，所述跨媒体特征提取网络是按照如下方式生成的：
获取训练样本集，其中，所述训练样本集包括样本图像文本对，所述样本图像文本对包括：样本图像和描述所述样本图像中包含的对象的样本文本；
获取初始网络，其中，所述初始网络包括待训练的跨媒体特征提取网络、用于判别特征来源的数据类别的判别网络、特征转化网络，所述待训练的跨媒体特征提取网络包括图像图注意力网络、文本图注意力网络；
将所述样本图像文本对中的样本图像输入图像图注意力网络，得到第一特征；
将所述样本图像文本对中的样本文本输入文本图注意力网络，得到第二特征；
将第一特征和第二特征输入所述判别网络得到类别判别结果，根据所述类别判别结果计算判别损失值，其中，所述特征来源的数据类别包括文本类和图像类，所述判别损失值表征第一特征和第二特征类别判定误差；
将第一特征和第二特征输入所述特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值，其中，所述识别损失函数表征第一特征和第二特征在图像文本共同特征空间对所包含的不同对象的区分能力，所述成对损失函数表征同一对象的第一特征和第二特征之间的语义差异性；
基于所述识别损失函数的值和所述成对损失函数的值，得到预设的特征损失值；
基于所述判别损失值和所述特征损失值，将所述待训练的跨媒体特征提取网络和所述特征转化网络作为生成网络，与所述判别网络进行对抗训练，得到训练完成的跨媒体特征提取网络、判别网络、特征转化网络。
9.根据权利要求8所述的装置，其中，所述图像图注意力网络包括残差网络、图像图注意力卷积网络以及联合嵌入层；以及所述第一特征是按照如下方式得到的：
利用残差网络提取样本图像的初始图像特征，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，将初始图像特征与结构化图像特征融合，生成图像特征，将图像特征输入至联合嵌入层，得到第一特征。
10.根据权利要求9所述的装置，其中，所述样本图像的结构化图像特征是按照如下方式得到的：
对样本图像进行目标对象检测，确定出样本图像中的目标对象和目标对象的矩形包围盒的位置，并根据所述目标对象的矩形包围盒的位置，提取所述目标对象的相关特征，其中，所述目标对象的相关特征包括以下至少一项：目标对象的外观特征、目标对象的位置特征以及所述目标对象的类型特征；
构建图像特征有向图，所述图像特征有向图的顶点表征所述目标对象，所述图像特征有向图的有向边表征各目标对象之间的关联关系；
根据所述图像特征有向图，生成样本图像的结构化图像特征。
11.根据权利要求8所述的装置，其中，所述文本图注意力网络包括双向长短期记忆网络、文本图注意力卷积网络以及联合嵌入层；以及所述第二特征是按照如下方式得到的：
将样本文本进行分词处理，确定样本文本的词向量；
利用双向长短期记忆网络提取样本文本的词向量的初始文本特征，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，将初始文本特征与结构化文本特征融合，生成文本特征，将文本特征输入至联合嵌入层，得到所述第二特征。
12.根据权利要求11所述的装置，其中，所述样本文本的结构化文本特征是按照如下方式得到的：
构建文本特征有向图，所述文本特征有向图的顶点表征词向量所指示的目标对象，所述文本特征有向图的有向边表征各词向量所指示的目标对象之间的关联关系，其中，所述词向量所指示的目标对象的相关特征包括以下至少一项：目标对象的属性特征和所述目标对象的类型特征；
根据所述文本特征有向图，生成样本文本的结构化文本特征。
13.一种电子设备，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权利要求1-6中任一的方法。
14.一种计算机可读介质，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1-6中任一的方法。
CN202010215923.4A 2020-03-25 2020-03-25 检索目标的方法和装置 Pending CN111782921A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010215923.4A CN111782921A (zh) 2020-03-25 2020-03-25 检索目标的方法和装置
EP21774930.8A EP4131030A4 (en) 2020-03-25 2021-01-22 METHOD AND APPARATUS FOR TARGET SEARCH
US17/764,741 US20230005178A1 (en) 2020-03-25 2021-01-22 Method and apparatus for retrieving target
PCT/CN2021/073322 WO2021190115A1 (zh) 2020-03-25 2021-01-22 检索目标的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010215923.4A CN111782921A (zh) 2020-03-25 2020-03-25 检索目标的方法和装置

Publications (1)

Publication Number Publication Date
CN111782921A true CN111782921A (zh) 2020-10-16

Family

ID=72753040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010215923.4A Pending CN111782921A (zh) 2020-03-25 2020-03-25 检索目标的方法和装置

Country Status (4)

Country Link
US (1) US20230005178A1 (zh)
EP (1) EP4131030A4 (zh)
CN (1) CN111782921A (zh)
WO (1) WO2021190115A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270163A (zh) * 2020-12-07 2021-01-26 北京沃东天骏信息技术有限公司 一种文本生成方法及装置、存储介质
WO2021190115A1 (zh) * 2020-03-25 2021-09-30 北京沃东天骏信息技术有限公司 检索目标的方法和装置
CN113591839A (zh) * 2021-06-28 2021-11-02 北京有竹居网络技术有限公司 一种特征提取模型构建方法、目标检测方法及其设备
CN114120412A (zh) * 2021-11-29 2022-03-01 北京百度网讯科技有限公司 图像处理方法和装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108694200B (zh) * 2017-04-10 2019-12-20 北京大学深圳研究生院 一种基于深度语义空间的跨媒体检索方法
US20230074950A1 (en) * 2021-08-24 2023-03-09 Nvidia Corporation Object characterization using one or more neural networks
CN114155417B (zh) * 2021-12-13 2022-07-19 中国科学院空间应用工程与技术中心 图像目标的识别方法、装置、电子设备及计算机存储介质
CN114140802B (zh) * 2022-01-29 2022-04-29 北京易真学思教育科技有限公司 一种文本识别方法、装置、电子设备和存储介质
CN114417046B (zh) * 2022-03-31 2022-07-12 腾讯科技（深圳）有限公司 特征提取模型的训练方法、图像检索方法、装置及设备
CN116416440B (zh) * 2023-01-13 2024-02-06 北京百度网讯科技有限公司 目标识别方法、模型训练方法、装置、介质和电子设备
CN115908879B (zh) * 2023-03-09 2023-06-16 中国科学技术大学 基于点引导注意力机制的自适应局部图像特征匹配方法
CN116630868B (zh) * 2023-07-26 2023-11-14 上海蜜度信息技术有限公司 视频分类方法、视频分类装置、介质及电子设备
CN117093692A (zh) * 2023-08-23 2023-11-21 广东技术师范大学 一种基于深度融合的多粒度图像-文本匹配方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1920818A (zh) * 2006-09-14 2007-02-28 浙江大学 基于多模态信息融合分析的跨媒体检索方法
WO2013159356A1 (zh) * 2012-04-28 2013-10-31 中国科学院自动化研究所 基于判别相关分析的跨媒体检索方法
CN106095893A (zh) * 2016-06-06 2016-11-09 北京大学深圳研究生院 一种跨媒体检索方法
CN106202413A (zh) * 2016-07-11 2016-12-07 北京大学深圳研究生院 一种跨媒体检索方法
CN106547826A (zh) * 2016-09-30 2017-03-29 西安电子科技大学 一种跨模态检索方法、装置及计算机可读介质
CN108319686A (zh) * 2018-02-01 2018-07-24 北京大学深圳研究生院 基于受限文本空间的对抗性跨媒体检索方法
CN108694200A (zh) * 2017-04-10 2018-10-23 北京大学深圳研究生院 一种基于深度语义空间的跨媒体检索方法
CN109213876A (zh) * 2018-08-02 2019-01-15 宁夏大学 基于生成对抗网络的跨模态检索方法
CN109299216A (zh) * 2018-10-29 2019-02-01 山东师范大学 一种融合监督信息的跨模态哈希检索方法和系统
CN110059217A (zh) * 2019-04-29 2019-07-26 广西师范大学 一种两级网络的图像文本跨媒体检索方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008217428A (ja) * 2007-03-05 2008-09-18 Fujitsu Ltd 画像検索プログラム、方法及び装置
CN109783657B (zh) * 2019-01-07 2022-12-30 北京大学深圳研究生院 基于受限文本空间的多步自注意力跨媒体检索方法及系统
CN110147457B (zh) * 2019-02-28 2023-07-25 腾讯科技（深圳）有限公司 图文匹配方法、装置、存储介质及设备
CN110765305A (zh) * 2019-10-23 2020-02-07 深圳报业集团 媒介信息推送系统及其基于视觉特征的图文检索方法
CN111782921A (zh) * 2020-03-25 2020-10-16 北京沃东天骏信息技术有限公司 检索目标的方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1920818A (zh) * 2006-09-14 2007-02-28 浙江大学 基于多模态信息融合分析的跨媒体检索方法
WO2013159356A1 (zh) * 2012-04-28 2013-10-31 中国科学院自动化研究所 基于判别相关分析的跨媒体检索方法
CN106095893A (zh) * 2016-06-06 2016-11-09 北京大学深圳研究生院 一种跨媒体检索方法
CN106202413A (zh) * 2016-07-11 2016-12-07 北京大学深圳研究生院 一种跨媒体检索方法
CN106547826A (zh) * 2016-09-30 2017-03-29 西安电子科技大学 一种跨模态检索方法、装置及计算机可读介质
CN108694200A (zh) * 2017-04-10 2018-10-23 北京大学深圳研究生院 一种基于深度语义空间的跨媒体检索方法
CN108319686A (zh) * 2018-02-01 2018-07-24 北京大学深圳研究生院 基于受限文本空间的对抗性跨媒体检索方法
CN109213876A (zh) * 2018-08-02 2019-01-15 宁夏大学 基于生成对抗网络的跨模态检索方法
CN109299216A (zh) * 2018-10-29 2019-02-01 山东师范大学 一种融合监督信息的跨模态哈希检索方法和系统
CN110059217A (zh) * 2019-04-29 2019-07-26 广西师范大学 一种两级网络的图像文本跨媒体检索方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021190115A1 (zh) * 2020-03-25 2021-09-30 北京沃东天骏信息技术有限公司 检索目标的方法和装置
CN112270163A (zh) * 2020-12-07 2021-01-26 北京沃东天骏信息技术有限公司 一种文本生成方法及装置、存储介质
CN112270163B (zh) * 2020-12-07 2021-09-10 北京沃东天骏信息技术有限公司 一种文本生成方法及装置、存储介质
CN113591839A (zh) * 2021-06-28 2021-11-02 北京有竹居网络技术有限公司 一种特征提取模型构建方法、目标检测方法及其设备
CN113591839B (zh) * 2021-06-28 2023-05-09 北京有竹居网络技术有限公司 一种特征提取模型构建方法、目标检测方法及其设备
CN114120412A (zh) * 2021-11-29 2022-03-01 北京百度网讯科技有限公司 图像处理方法和装置

Also Published As

Publication number Publication date
EP4131030A1 (en) 2023-02-08
US20230005178A1 (en) 2023-01-05
WO2021190115A1 (zh) 2021-09-30
EP4131030A4 (en) 2024-03-27

Similar Documents

Publication Publication Date Title
CN111782921A (zh) 检索目标的方法和装置
JP6893233B2 (ja) 画像に基づくデータ処理方法、装置、電子機器、コンピュータ可読記憶媒体およびコンピュータプログラム
US20210264227A1 (en) Method for locating image region, model training method, and related apparatus
US10402448B2 (en) Image retrieval with deep local feature descriptors and attention-based keypoint descriptors
CN111062871B (zh) 一种图像处理方法、装置、计算机设备及可读存储介质
CN111274811B (zh) 地址文本相似度确定方法以及地址搜索方法
RU2688271C2 (ru) Поиск изображений на естественном языке
US10963504B2 (en) Zero-shot event detection using semantic embedding
CN108334627B (zh) 新媒体内容的搜索方法、装置和计算机设备
CN116775847B (zh) 一种基于知识图谱和大语言模型的问答方法和系统
CN111666416B (zh) 用于生成语义匹配模型的方法和装置
CN110263218B (zh) 视频描述文本生成方法、装置、设备和介质
US11635883B2 (en) Indication of content linked to text
WO2022174496A1 (zh) 基于生成模型的数据标注方法、装置、设备及存储介质
CN116601626A (zh) 个人知识图谱构建方法、装置及相关设备
CN111488742A (zh) 用于翻译的方法和装置
CN111428805B (zh) 显著性物体的检测方法、模型、存储介质及电子设备
CN108491387B (zh) 用于输出信息的方法和装置
CN110580294B (zh) 实体融合方法、装置、设备及存储介质
CN117093687A (zh) 问题应答方法和装置、电子设备、存储介质
CN110851629A (zh) 一种图像检索的方法
CN117011581A (zh) 图像识别方法、介质、装置和计算设备
CN112861474B (zh) 一种信息标注方法、装置、设备及计算机可读存储介质
CN110362688A (zh) 试题标注方法、装置、设备及计算机可读存储介质
CN113255819B (zh) 用于识别信息的方法和装置

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