CN112905825A - 用于信息处理的方法、设备和计算机存储介质 - Google Patents

Abstract

根据本公开的示例实施例，提供了一种用于信息处理的方法、设备和计算机可读存储介质。该方法包括经由电子设备接收关于特定图像的语音信息，识别语音信息，以获取语音场景信息，识别特定图像，以获取图像场景信息，然后基于语音场景信息和图像场景信息，生成特定图像的标签。由此，本方案可以基于关于图像的语音信息和图像本身的信息，生成图像的标签，使得图像的标签的来源更加多元化，也使得图像的标签在生成时就考虑多种因素，使得生成的标签更准确，从而为用户后续更高效地检索期望的图像提供了基础。

Description

用于信息处理的方法、设备和计算机存储介质

技术领域

本公开的实施例总体涉及信息处理领域，具体涉及用于信息处理的方法、设备和计算机存储介质。

背景技术

随着技术的发展，诸如智能手机的电子设备一般都配备有相机。用户越来越频繁地使用电子设备的相机来捕获照片，因此电子设备中存储的相册也越来越大。目前的电子设备提供相册管理一般提供基于照片捕获的日期或者文件夹的形式的排序，但是对于数量巨大的相册来说使用这种排序方式来检索期望的照片效率低下。

发明内容

本公开的实施例提供了用于信息处理的方法、设备和计算机存储介质，能够实现基于关于图像的语音信息和图像本身的信息，生成图像的标签，使得图像的标签的来源更加多元化，也使得图像的标签在生成时就考虑多种因素，使得生成的标签更准确，从而为用户后续更高效地检索期望的图像提供了基础。

在本公开的第一方面，提供了一种用于信息处理的方法。该方法包括：经由电子设备接收关于特定图像的语音信息，识别语音信息，以获取语音场景信息，识别特定图像，以获取图像场景信息，以及基于语音场景信息和图像场景信息，生成特定图像的标签。

在本公开的第二方面，提供了一种用于信息处理的设备。该设备包括至少一个处理单元和至少一个存储器。至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令。该指令当由至少一个处理单元执行时使得设备执行动作，该动作包括：经由电子设备接收关于特定图像的语音信息，识别语音信息，以获取语音场景信息，识别特定图像，以获取图像场景信息，以及基于语音场景信息和图像场景信息，生成特定图像的标签。

在本公开的第三方面，提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序被机器执行时使机器实现根据本公开的第一方面所描述的方法的任意步骤。

提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或必要特征，也无意限制本公开的范围。

附图说明

通过结合附图对本公开示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施例中，相同的参考标号通常代表相同部件。

图1示出了根据本公开的实施例的信息处理环境100的示例的示意图；

图2示出了根据本公开的实施例的用于信息处理的方法200的示意流程图；

图3示出了根据本公开的实施例的用于信息处理的方法300的示意流程图；

图4示出了根据本公开的实施例的用于信息处理的方法400的示意流程图；

图5示出了根据本公开的实施例的用于信息处理的方法500的示意流程图；

图6示出了根据本公开的实施例的用于信息处理的方法600的示意流程图；以及

图7示出了可以用来实施本公开内容的实施例的示例设备700的示意性框图。

在各个附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

随着技术的发展，诸如智能手机的电子设备一般都配备有相机。用户越来越频繁地使用电子设备的相机来捕获照片，因此电子设备中存储的相册也越来越大。目前的电子设备提供相册管理一般提供基于照片捕获的日期或者文件夹的形式的排序，但是对于数量巨大的相册来说使用这种排序方式来检索期望的照片效率低下。

为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于信息处理的方案。在该方案中，经由电子设备接收关于特定图像的语音信息，识别语音信息，以获取语音场景信息，识别特定图像，以获取图像场景信息，然后基于语音场景信息和图像场景信息，生成特定图像的标签。

由此，能够实现基于关于图像的语音信息和图像本身的信息，生成图像的标签，使得图像的标签的来源更加多元化，也使得图像的标签在生成时就考虑多种因素，使得生成的标签更准确，从而为用户后续更高效地检索期望的图像提供了基础。

在下文中，将结合附图更详细地描述本方案的具体示例。

图1示出了根据本公开的实施例的信息处理环境100的示例的示意图。信息处理环境100包括电子设备110、服务器120和用户130。

在一些实施例中，电子设备110可以是具备无线收发能力并且可以接入互联网的电子设备。电子设备110例如但不限于是移动电话、智能电话、膝上型计算机、平板计算机、个人数字助理(PDA)、可穿戴设备等。

在一些实施例中，电子设备110至少可以包括通信模块、存储器和处理器。通信模块用于与服务器120进行数据交互。存储器用于存储一个或多个计算机程序。处理器耦合至存储器并且执行一个或多个程序使得电子设备110能够执行一种或多种功能。存储器中例如可以存储有用户130的相册。存储单元中例如还可以存储有语音识别程序和图像识别程序，分别用于识别语音、理解语言以及识别图像。

电子设备110例如还可以包括显示器，用于显示各种界面和信息，例如显示相册中的图像。电子设备110例如还可以包括拾音器，例如麦克风，用于获取用户输入的语音。电子设备110例如还可以包括扬声器，用于播报信息。

服务器120能够与电子设备110进行通信。服务器120包括但不限于个人计算机、服务器计算机、多处理器系统、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境等。在一些实施例中，服务器120可以具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，服务器120上也可以运行着一个或多个虚拟机。服务器可以具有一个或多个存储单元，例如磁盘、光盘、磁带等等。存储单元中可以存储有用户的相册。存储单元中还可以存储有语音识别程序和图像识别程序，分别用于识别语音、理解语言以及识别图像。

在下文中将结合图2对电子设备110所执行的动作进行详细描述。

图2示出了根据本公开的实施例的用于信息处理的方法200的流程图。例如，方法200可以由如图1所示的电子设备110来执行。应当理解的是，方法200还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。

在框202处，在电子设备110处，经由电子设备110接收关于特定图像的语音信息。

在一些实施例中，经由电子设备110接收关于特定图像的语音信息可以包括经由电子设备110的拾音器，例如麦克风，接收关于特定图像的语音信息。例如，用户130可以在浏览相册或拍摄照片时输入关于特定图像的语音信息，例如“这是去年秋天去新疆禾木旅游”或“这是XXX的生日聚会”。

备选地或者附加地，在一些实施例中，经由电子设备110接收关于特定图像的语音信息可以包括经由电子设备110的通信模块接收关于特定图像的语音信息。例如，用户130可以在社交界面与其他用户进行交互，用户130可以发送特定图像给其他用户，随后其他用户可以发送关于特定图像的语音信息，例如“这是新疆喀纳斯吗，好美啊”或者“这不是XXX同学嘛，哈哈”。

在框204处，识别语音信息，以获取语音场景信息。

在一些实施例中，识别语音信息，以获取语音场景信息可以包括在电子设备110本地识别语音信息，以获取语音场景信息。识别语音信息可以包括将语音信息转换成文字信息，以及从文字信息中识别出语音场景信息。将语音信息转换成文字信息的方法可以采用任何已知的语音识别方法，例如动态时间规整技术(DTW)、隐马尔可夫模型(HMM)、矢量量化(VQ)、人工神经网络(ANN)、支持向量机(SVM)等等。从文字信息中识别出语音场景信息的方法可以采用任何已知的自然语言理解方法，例如基于规则的方法、基于统计的方法、基于深度学习的方法等等。

备选地或者附加地，识别语音信息，以获取语音场景信息可以包括在电子设备110处，向服务器120发送语音信息，以便服务器120识别语音信息，获取语音场景信息，以及从服务器120接收语音场景信息。

语音场景信息例如可以包括场景、意图和词槽中的至少一项。例如，语音信息可以为“这是我和小明去年秋天在厦门旅游时拍的”，则识别出的语音场景信息可以包括场景“旅游”，词槽：时间“去年秋天”，位置“厦门”，人物“我”、“小明”。

在框206处，识别特定图像，以获取图像场景信息。

在一些实施例中，识别特定图像，以获取图像场景信息可以包括在电子设备110本地识别特定图像，以获取图像场景信息。图像识别可以采用任何已知的图像识别方法，例如深度学习。

在一些实施例中，识别特定图像，以获取图像场景信息可以包括在电子设备110处，向服务器120发送特定图像，以便服务器120识别特定图像，获取图像场景信息，以及从服务器120接收图像场景信息。

图像场景信息例如可以包括特定图像的元数据、识别的对象以及场景中的至少一项。特定图像的元数据例如可以包括指示捕获特定图像的位置的位置信息、指示捕获特定图像的时间的时间信息、指示捕获特定图像的模式的模式信息以及各种其他信息，例如图像的分辨率、名称、文件夹等等。对象例如可以包括人脸对象、人对象、物品对象等等。场景例如可以包括各种自然场景、城市场景、生活场景等等。

在框208处，基于语音场景信息和图像场景信息，生成特定图像的标签。

在一些实施例中，生成特定图像的标签可以包括将语音场景信息和图像场景信息均注册为特定图像的标签。例如，语音场景信息可以包括场景“旅游”，词槽：时间“去年秋天”，位置“厦门”，人物“我”、“小明”，图像场景信息可以包括图像的元数据，识别的2个人、一艘船以及识别的场景“旅游”，可以将这些信息均注册为特定图像的标签。

由此，能够实现基于关于图像的语音信息和图像本身的信息，生成图像的标签，使得图像的标签的来源更加多元化，也使得图像的标签在生成时就考虑多种因素，使得生成的标签更准确，从而为用户后续更高效地检索期望的图像提供了基础。

备选地或者附加地，在一些实施例中，生成特定图像的标签可以包括确定语音场景信息与图像场景信息之间是否存在冲突项，以及如果确定语音场景信息与图像场景信息之间存在冲突项，将非冲突项的语音场景信息和非冲突项的图像场景信息注册为特定图像的标签。例如，语音场景信息可以包括场景“旅游”，词槽：时间“去年秋天”，位置“厦门”，人物“我”、“小明”，图像场景信息可以包括图像的时间信息，例如2018年6月6日，识别的2个人、一艘船以及识别的场景“旅游”，此时语音场景信息中的“去年秋天”与图像的时间信息2018年6月6日存在冲突，可以将其他不冲突的语音场景信息和图像场景信息注册为特定图像的标签。

在一些实施例中，生成特定图像的标签还可以包括如果确定语音场景信息与图像场景信息之间存在冲突项，基于预定冲突解决准则，将冲突项的语音场景信息或冲突项的图像场景信息注册为特定图像的标签。

在一些实施例中，可以基于冲突项的类型，将冲突项的语音场景信息或冲突项的图像场景信息注册为特定图像的标签。例如，如果语音场景信息与图像场景信息之间的冲突项涉及图像的元数据，例如时间信息或位置信息，可以将冲突项的图像场景信息注册为特定图像的标签。图像的元数据一般准确性较高，因此在冲突时可以选择图像的元数据来生成图像的标签。如果语音场景信息与图像场景信息之间的冲突项涉及图像识别的场景，可以将冲突项的语音场景信息注册为特定图像的标签。图像识别的场景一般准确度相对不高，因此在冲突时可以选择语音场景信息来生成图像的标签。

在一些实施例中，可以基于图像识别的置信度和语义识别的置信度，将冲突项的语音场景信息或冲突项的图像场景信息注册为特定图像的标签。下文将结合图4详细说明。

由此，能够在语音场景信息与图像场景信息之间存在冲突时，提供了冲突解决机制，使得生成的图像标签在多样化的基础上更准确。

备选地或者附加地，在一些实施例中，将冲突项的语音场景信息或冲突项的图像场景信息注册为特定图像的标签可以包括经由电子设备110呈现冲突项的语音场景信息和冲突项的图像场景信息，经由电子设备110检测到针对所呈现的冲突项的语音场景信息和冲突项的图像场景信息的操作，以及如果检测到针对所呈现的冲突项的语音场景信息和冲突项的图像场景信息的操作，将该操作所针对的语音场景信息或图像场景信息注册为特定图像的标签。

在一些实施例中，经由电子设备110呈现冲突项的语音场景信息和冲突项的图像场景信息例如可以包括在电子设备110处，经由电子设备110的显示器显示冲突项的语音场景信息和冲突项的图像场景信息，也可以包括在电子设备110处，经由电子设备110的扬声器播报冲突项的语音场景信息和冲突项的图像场景信息。经由电子设备110检测针对所呈现的冲突项的语音场景信息和冲突项的图像场景信息的操作例如可以包括在电子设备110处，检测针对所呈现的冲突项的语音场景信息和冲突项的图像场景信息的显示界面的交互、语音输入等等操作。

由此，能够向提示用户语音场景信息与图像场景信息之间存在冲突，并基于用户对呈现的用户语音场景信息与图像场景信息的操作来解决冲突，使得生成的图像标签在多样化的基础上更准确。

备选地或者附加地，在一些实施例中，方法200还可以包括经由电子设备110接收用于搜索图像的指令，从指令中提取搜索关键词，基于搜索关键词，获取搜索结果图像，搜索结果图像的标签与搜索关键词相匹配，以及经由电子设备110呈现搜索结果图像。搜索图像的指令例如可以语音指令，其经由电子设备110的拾音器，例如麦克风，接收。从搜索图像的语音指令中提取搜索关键词例如可以包括将语音指令转化为文字，从文字中识别出搜索关键词。搜索图像的指令例如也可以是文字指令，其经由电子设备110的触摸屏接收。

在一些实施例中，获取搜索结果图像可以包括在电子设备110本地搜索其标签与搜索关键词相匹配的图像。例如，搜索电子设备110本地相册中其标签与搜索关键词相匹配的图像。

备选地或者附加地，在一些实施例中，获取搜索结果图像可以包括向服务器120发送用于搜索图像的指令，指令中包括搜索关键词，以及从服务器120接收其标签与搜索关键词相匹配的图像。指令例如可以是语音指令或文字指令。

由此，能够利用在上述过程中生成的标签来搜索图像，提高了图像搜索的效率和准确性。

备选地或者附加地，在一些实施例中，方法200还可以包括呈现关于特定图像的场景的询问，以及关于特定图像的语音信息是响应于询问而接收的。呈现关于特定图像的场景的询问可以包括在电子设备110的显示器处显示关于特定图像的场景的询问，也可以包括在电子设备110的扬声器处播报关于特定图像的场景的询问。例如，用户130在浏览相册中的特定图像时可以向用户130呈现关于特定图像的场景的询问，例如“这是什么场景”，以及随后接收用户输入的关于该特定图像的语音信息，例如“这是在XX餐厅聚餐”。在一些实施例中，关于特定图像的场景的询问可以是基于图像场景信息的。例如，图像场景信息可以包括特定图像中识别出的人、物品、场景等等，则关于特定图像的场景的询问可以包括关于特定图像的人、物品、场景等等的询问，例如“这是谁”、“这是小猫吗”、“这是什么活动”等等。

由此，能够主动引导用户对特定图像输入语音信息，提高用户体验。此外基于图像场景信息来进行询问，使得询问更贴合图像本身的信息，从而使得询问更准确，也更容易得到准确的语音信息。

在下文中将结合图3对服务器120所执行的动作进行详细描述。

图3示出了根据本公开的实施例的用于信息处理的方法300的流程图。例如，方法300可以由如图1所示的服务器120来执行。应当理解的是，方法300还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。

在框302处，在服务器120处，经由电子设备110接收关于特定图像的语音信息。

在一些实施例中，经由电子设备110接收关于特定图像的语音信息可以包括从电子设备110接收关于特定图像的语音信息。语音信息的例子可参照上文，这里不再赘述。

在框304处，识别语音信息，以获取语音场景信息。

在一些实施例中，识别语音信息，以获取语音场景信息可以包括在服务器120本地识别语音信息，以获取语音场景信息。识别语音信息的例子可参照上文，这里不再赘述。

在框306处，识别特定图像，以获取图像场景信息。

在一些实施例中，识别特定图像，以获取图像场景信息可以包括在服务器120本地识别特定图像，以获取图像场景信息。识别特点图像的例子可参照上文，这里不再赘述。

在框308处，基于语音场景信息和图像场景信息，生成特定图像的标签。生成特定图像的标签的例子可参见上文，这里不再赘述。

在一些实施例中，生成特定图像的标签可以包括将语音场景信息和图像场景信息均注册为特定图像的标签。

由此，能够实现基于关于图像的语音信息和图像本身的信息，生成图像的标签，使得图像的标签的来源更加多元化，也使得图像的标签在生成时就考虑多种因素，使得生成的标签更准确，从而为用户后续更高效地检索期望的图像提供了基础。

备选地或者附加地，在一些实施例中，生成特定图像的标签可以包括确定语音场景信息与图像场景信息之间是否存在冲突项，以及如果确定语音场景信息与图像场景信息之间存在冲突项，将非冲突项的语音场景信息和非冲突项的图像场景信息注册为特定图像的标签。

在一些实施例中，生成特定图像的标签还可以包括如果确定语音场景信息与图像场景信息之间存在冲突项，基于预定冲突解决准则，将冲突项的语音场景信息或冲突项的图像场景信息注册为特定图像的标签。

在一些实施例中，可以基于冲突项的类型，将冲突项的语音场景信息或冲突项的图像场景信息注册为特定图像的标签。具体的例子可参见上文，这里不再赘述。

在一些实施例中，可以基于图像识别的置信度和语义识别的置信度，将冲突项的语音场景信息或冲突项的图像场景信息注册为特定图像的标签。下文将结合图4详细说明。

由此，能够在语音场景信息与图像场景信息之间存在冲突时，提供了冲突解决机制，使得生成的图像标签在多样化的基础上更准确。

备选地或者附加地，在一些实施例中，将冲突项的语音场景信息或冲突项的图像场景信息注册为特定图像的标签可以包括经由电子设备110呈现冲突项的语音场景信息和冲突项的图像场景信息，经由电子设备110检测针对所呈现的冲突项的语音场景信息和冲突项的图像场景信息的操作，以及如果检测到针对所呈现的冲突项的语音场景信息和冲突项的图像场景信息的操作，将该操作所针对的语音场景信息或图像场景信息为特定图像的标签。

在一些实施例中，经由电子设备110呈现冲突项的语音场景信息和冲突项的图像场景信息例如可以包括向电子设备110发送冲突项的语音场景信息和冲突项的图像场景信息，以便电子设备110呈现冲突项的语音场景信息和冲突项的图像场景信息。

在一些实施例中，经由电子设备110检测针对所呈现的冲突项的语音场景信息和冲突项的图像场景信息的操作例如可以包括从电子设备110接收检测到的针对所呈现的冲突项的语音场景信息和冲突项的图像场景信息的操作。

由此，能够向提示用户语音场景信息与图像场景信息之间存在冲突，并基于用户的选择来解决冲突，使得生成的图像标签在多样化的基础上更准确。

备选地或者附加地，在一些实施例中，方法300还可以包括经由电子设备110接收用于搜索图像的指令，从指令中提取搜索关键词，基于搜索关键词，获取搜索结果图像，搜索结果图像的标签与搜索关键词相匹配，以及经由电子设备110呈现搜索结果图像。经由电子设备110接收用于搜索图像的指令例如可以包括从电子设备110接收用于搜索图像的指令。用于搜索图像的指令例如可以语音指令或文字指令。经由电子设备110呈现搜索结果图像例如可以包括向电子设备110发送搜索结果图像，以便电子设备110呈现搜索结果图像。

由此，能够利用在上述过程中生成的标签来搜索图像，提高了图像搜索的效率和准确性。

图4示出了根据本公开的实施例的用于信息处理的方法400的流程图。例如，方法400可以由如图1所示的电子设备110或服务器120来执行。应当理解的是，方法400还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。

在框402处，确定语义识别的置信度与图像识别的置信度之差。

在框404处，确定语义识别的置信度与图像识别的置信度之差是否大于阈值。阈值例如可以是零，或者其他数值，本公开对此不作限制。

如果在框404处确定语义识别的置信度与图像识别的置信度之差大于阈值，则在框406处，将冲突项的语音场景信息注册为特定图像的标签。

如果在框404处确定语义识别的置信度与图像识别的置信度之差小于或等于阈值，则在框408处，将冲突项的图像场景信息注册为特定图像的标签。

由此，能够在语音场景信息与图像场景信息之间存在冲突时，提供了基于语义识别的置信度与图像识别的置信度的冲突解决机制，使得生成的图像标签在多样化的基础上更准确。

在一些实施例中，方法400还可以包括如果确定语义识别的置信度与图像识别的置信度之差大于阈值，则获取特定图像的至少一个关联图像，以及基于冲突项的语音场景信息，更新至少一个关联图像的标签。例如，冲突项可以是图像识别的场景为聚餐，语音识别的场景为野营，如果确定语义识别的置信度与图像识别的置信度之差大于零，则可以获取特定图像的至少一个关联图像，将至少一个关联图像的聚餐标签更新为野营标签。由此，可以在语义识别具有更高可信度时，利用语音场景信息来更新关联图像的相关标签，进一步提高关联图像的标签的准确度。

在一些实施例中，至少一个关联图像可以是基于冲突项的图像场景信息获取的。例如，冲突项可以是图像识别的场景“聚餐”，则获取被标识为场景“聚餐”的关联图像。备选地或者附加地，至少一个关联图像可以是基于特定图像的元数据获取的。例如，基于特定图像的位置信息和/或时间信息获取至少一个关联图像，例如获取位置信息与特定图像的位置信息之间的距离不超过距离阈值和/或时间信息与特定图像的时间信息之间的间隔不超过间隔阈值的关联图像。由此，可以使得关联图像的获取更加准确。

在一些实施例中，方法400还可以基于带有标签的特定图像和带有标签的至少一个关联图像，训练图像识别模型。特定图像和至少一个关联图像的标签都更准确，利用更准确的图像和标签来训练图像识别模型，例如深度学习模型或其他机器学习模型，可以提高图像识别模型的识别准确性，以便后续图像识别生成的标签更加准确。

图5示出了根据本公开的实施例的用于信息处理的方法500的流程图。例如，方法500可以由如图1所示的电子设备110来执行。应当理解的是，方法500还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。

在框502处，识别特定图像，以获取图像场景信息。例如，识别出3个人。

在框504处，基于图像场景信息，呈现关于所述特定图像的场景的询问。例如，呈现“这3个人是谁”或者“这3个人在干嘛”等的询问。

在框506处，接收关于特定图像的语音信息。例如，语音信息可以是“这3个人是我朋友”或“这3个人在跳舞”

在框508处，识别语音信息，以获取语音场景信息。例如可以获取“朋友”或“跳舞”等语音场景信息。

在框510处，基于语音场景信息和图像场景信息，生成特定图像的标签。

由此，能够基于图像识别的图像场景信息主动引导用户对特定图像输入语音信息，提高用户体验，同时使得询问更贴合图像本身的信息，更准确，也更容易得到准确的语音信息。基于这样的语音信息识别的语音场景信息和图像场景信息来生成图像的标签，能够使得生成的标签来源更多样也更准确。

图6示出了根据本公开的实施例的用于信息处理的方法600的流程图。应当理解的是，方法600还可以包括未示出的附加步骤和/或可以省略所示出的步骤，本公开的范围在此方面不受限制。

在602处，电子设备110接收关于特定图像的语音信息。

在604处，电子设备110向服务器120发送关于特定图像的语音信息。

在606处，服务器120识别语音信息，以获取语音场景信息。

在608处，服务器120识别特定图像，以获取图像场景信息。

在610处，服务器120基于语音场景信息和图像场景信息，生成特定图像的标签。

在612处，电子设备110接收用于搜索图像的指令。

在614处，电子设备110向服务器120发送用于搜索图像的指令。

在616处，服务器120从用于搜索图像的指令中提取搜索关键词。

在618处，服务器120基于搜索关键词，获取搜索结果图像，搜索结果图像的标签与搜索关键词相匹配。

在620处，服务器120向电子设备110发送搜索结果图像。

在622处，电子设备110呈现接收的搜索结果图像。

由此，能够实现基于关于图像的语音信息和图像本身的信息，生成图像的标签，使得图像的标签的来源更加多元化，也使得图像的标签在生成时就考虑多种因素，使得生成的标签更准确，从而为用户后续更高效地检索期望的图像提供了基础。此外，能够利用这样生成的标签来搜索图像，提高了图像搜索的效率和准确性。

图7示出了可以用来实施本公开内容的实施例的示例设备700的示意性框图。例如，如图1所示的电子设备110或服务器120可以由设备700来实施。如图所示，设备700包括中央处理单元(CPU)710，其可以根据存储在只读存储器(ROM)720中的计算机程序指令或者从存储单元780加载到随机访问存储器(RAM)730中的计算机程序指令，来执行各种适当的动作和处理。在RAM 730中，还可存储设备700操作所需的各种程序和数据。CPU 710、ROM720以及RAM 730通过总线740彼此相连。输入/输出(I/O)接口750也连接至总线740。

设备700中的多个部件连接至I/O接口750，包括：输入单元760，例如键盘、鼠标等；输出单元770，例如各种类型的显示器、扬声器等；存储单元780，例如磁盘、光盘等；以及通信单元790，例如网卡、调制解调器、无线通信收发机等。通信单元790允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

上文所描述的各个过程和处理，例如方法200-600，可由处理单元710执行。例如，在一些实施例中，方法200-600可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元780。在一些实施例中，计算机程序的部分或者全部可以经由ROM 720和/或通信单元790而被载入和/或安装到设备700上。当计算机程序被加载到RAM 730并由CPU710执行时，可以执行上文描述的方法200-600的一个或多个动作。

本公开可以是方法、装置、系统和/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，其上载有用于执行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单元，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单元执行时，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技术改进，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 (16)

1.一种用于信息处理的方法，包括：

经由电子设备接收关于特定图像的语音信息；

识别所述语音信息，以获取语音场景信息；

识别所述特定图像，以获取图像场景信息；以及

基于所述语音场景信息和所述图像场景信息，生成所述特定图像的标签。

2.根据权利要求1所述的方法，其中生成所述特定图像的所述标签包括：

确定所述语音场景信息与所述图像场景信息之间是否存在冲突项；以及

响应于确定所述语音场景信息与所述图像场景信息之间存在冲突项，将非冲突项的所述语音场景信息和所述非冲突项的所述图像场景信息注册为所述特定图像的所述标签。

3.根据权利要求2所述的方法，其中生成所述特定图像的所述标签还包括：

响应于确定所述语音场景信息与所述图像场景信息之间存在冲突项，基于预定冲突解决准则，将所述冲突项的所述语音场景信息或所述冲突项的所述图像场景信息注册为所述特定图像的所述标签。

4.根据权利要求3所述的方法，其中预定冲突解决准则包括：

所述冲突项的类型；或者

图像识别的置信度和语义识别的置信度。

5.根据权利要求4所述的方法，其中将所述冲突项的所述语音场景信息或所述冲突项的所述图像场景信息注册为所述特定图像的所述标签包括：

确定所述语义识别的所述置信度与所述图像识别的所述置信度之差；

响应于确定所述语义识别的所述置信度与所述图像识别的所述置信度之差大于阈值，将所述冲突项的所述语音场景信息注册为所述特定图像的所述标签；以及

响应于确定所述语义识别的所述置信度与所述图像识别的所述置信度之差小于或者等于所述阈值，将所述冲突项的所述图像场景信息注册为所述特定图像的所述标签。

6.根据权利要求5所述的方法，还包括：

响应于确定所述语义识别的所述置信度与所述图像识别的所述置信度之差大于所述阈值，获取所述特定图像的至少一个关联图像；以及

基于所述冲突项的所述语音场景信息，更新所述至少一个关联图像的标签。

7.根据权利要求6所述的方法，还包括：

基于带有标签的所述特定图像和带有标签的所述至少一个关联图像训练图像识别模型。

8.根据权利要求3所述的方法，其中将所述冲突项的所述语音场景信息或所述冲突项的所述图像场景信息注册为所述特定图像的所述标签包括：

经由所述电子设备呈现所述冲突项的所述语音场景信息和所述冲突项的所述图像场景信息；

响应于检测到针对所呈现的所述冲突项的所述语音场景信息和所述冲突项的所述图像场景信息的操作，

将所述操作所针对的所述语音场景信息或所述图像场景信息注册为所述特定图像的所述标签。

9.根据权利要求1所述的方法，其中所述语音场景信息包括场景、意图和词槽中的至少一项。

10.根据权利要求1所述的方法，其中所述图像场景信息包括所述特定图像的元数据、识别的对象以及场景中的至少一项。

11.根据权利要求1所述的方法，还包括：

经由所述电子设备接收用于搜索图像的指令；

从所述指令中提取搜索关键词；

基于所述搜索关键词，获取搜索结果图像，所述搜索结果图像的标签与所述搜索关键词相匹配；以及

经由所述电子设备呈现所述搜索结果图像。

12.根据权利要求11所述的方法，其中所述用于搜索图像的指令包括语音指令。

13.根据权利要求1所述的方法，其中所述关于所述特定图像的所述语音信息是响应于在所述电子设备处所呈现的关于所述特定图像的场景的所述询问而接收的。

14.根据权利要求13所述的方法，其中所述关于所述特定图像的场景的询问是基于所述图像场景信息而生成的。

15.一种用于信息处理的设备，包括：

至少一个处理单元；

至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行根据权利要求1至14任一项所述的方法的步骤。

16.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现根据权利要求1至14中任一项所述的方法。

Images