CN113392253A - 视觉问答模型训练及视觉问答方法、装置、设备及介质 - Google Patents

视觉问答模型训练及视觉问答方法、装置、设备及介质 Download PDF

Info

Publication number
CN113392253A
CN113392253A CN202110719508.7A CN202110719508A CN113392253A CN 113392253 A CN113392253 A CN 113392253A CN 202110719508 A CN202110719508 A CN 202110719508A CN 113392253 A CN113392253 A CN 113392253A
Authority
CN
China
Prior art keywords
target image
target
visual
text
image
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
Application number
CN202110719508.7A
Other languages
English (en)
Other versions
CN113392253B (zh
Inventor
贾壮
龙翔
彭岩
郑弘晖
张滨
王云浩
辛颖
李超
王晓迪
薛松
冯原
韩树民
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110719508.7A priority Critical patent/CN113392253B/zh
Publication of CN113392253A publication Critical patent/CN113392253A/zh
Application granted granted Critical
Publication of CN113392253B publication Critical patent/CN113392253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—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 extracted text
    • 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
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种视觉问答模型训练及视觉问答方法、装置、设备及介质，涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术，可用于遥感影像场景，包括：获取目标图像的训练集数据；目标图像的训练集数据包括目标图像、目标图像文本以及目标图像非视觉数据；对目标图像进行图像特征提取，得到目标图像特征；对目标图像文本进行文本特征提取，得到目标文本特征；对目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征；对目标图像特征、目标文本特征以及目标非视觉特征进行融合，得到目标融合特征；根据目标融合特征对视觉问答模型进行模型训练。本公开实施例能够提高视觉问答模型的智能性和精准性，从而提高人机交互效果。

Description

视觉问答模型训练及视觉问答方法、装置、设备及介质
技术领域
本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术，具体可用于遥感影像场景下。
背景技术
视觉问答(Visual Question Answering，VQA)是一项很有挑战性的任务，也可称为图像问答，其目标是将计算机视觉和自然语言处理联系起来。在视觉问答任务中，例如给定一张图像和一个相关的问题，要求机器能根据图像内容，结合一些常识来推理得到问题的答案。为完成该视觉问答任务，机器必须具有跨模态(Cross-Modal)的理解能力，以针对视觉和语言这两种不同模态(Modality)下的数据实现综合理解。故视觉问答任务相比于其他单一模态下的任务(例如图像识别、文档分类等)具有更高的要求。
发明内容
本公开实施例提供了一种视觉问答模型训练及视觉问答方法、装置、设备及介质，能够提高视觉问答模型的智能性和精准性，从而提高人机交互效果。
第一方面，本公开实施例提供了一种视觉问答模型训练方法，包括：
获取目标图像的训练集数据；其中，所述目标图像的训练集数据包括目标图像、目标图像文本以及目标图像非视觉数据；
对所述目标图像进行图像特征提取，得到目标图像特征；
对所述目标图像文本进行文本特征提取，得到目标文本特征；
对所述目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征；
对所述目标图像特征、所述目标文本特征以及所述目标非视觉特征进行融合，得到目标融合特征；
根据所述目标融合特征对视觉问答模型进行模型训练。
第二方面，本公开实施例提供了一种视觉问答方法，包括：
获取待交互目标图像数据；所述待交互目标图像数据包括待识别目标图像和待交互目标图像问题；
将所述待交互目标图像数据输入至视觉问答模型，得到所述待交互目标图像问题的目标图像交互答案；
其中，所述视觉问答模型通过第一方面所述的视觉问答模型训练方法训练得到。
第三方面，本公开实施例提供了一种视觉问答模型训练装置，包括：
训练集数据获取模块，用于获取目标图像的训练集数据；其中，所述目标图像的训练集数据包括目标图像、目标图像文本以及目标图像非视觉数据；
目标图像特征提取模块，用于对所述目标图像进行图像特征提取，得到目标图像特征；
目标文本特征提取模块，用于对所述目标图像文本进行文本特征提取，得到目标文本特征；
目标非视觉特征提取模块，用于对所述目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征；
特征融合模块，用于对所述目标图像特征、所述目标文本特征以及所述目标非视觉特征进行融合，得到目标融合特征；
模型训练模块，用于根据所述目标融合特征对视觉问答模型进行模型训练。
第四方面，本公开实施例提供了一种视觉问答装置，包括：
待交互目标图像数据获取模块，用于获取待交互目标图像数据；所述待交互目标图像数据包括待识别目标图像和待交互目标图像问题；
目标图像交互答案获取模块，用于将所述待交互目标图像数据输入至视觉问答模型，得到所述待交互目标图像问题的目标图像交互答案；
其中，所述视觉问答模型通过第一方面所述的视觉问答模型训练方法训练得到。
第五方面，本公开实施例提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面实施例所提供的视觉问答模型训练方法或第二方面实施例所提供的视觉问答方法。
第六方面，本公开实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面实施例所提供的视觉问答模型训练方法或第二方面实施例所提供的视觉问答方法。
第七方面，本公开实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现第一方面实施例所提供的视觉问答模型训练方法或第二方面实施例所提供的视觉问答方法。
本公开实施例通过对目标图像的训练集数据中的目标图像进行图像特征提取，得到目标图像特征，对目标图像的训练集数据中的目标图像文本进行文本特征提取，得到目标文本特征，并对目标图像的训练集数据中的目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征，进而对目标图像特征、目标文本特征以及目标非视觉特征进行融合，得到目标融合特征，最终根据目标融合特征对视觉问答模型进行模型训练，并利用训练成功的视觉问答模型对待交互目标图像数据进行预测，得到目标图像交互答案，解决现有视觉问答模型难以有效处理具有非视觉特征的图像类型的视觉问答任务的问题，从而提高视觉问答模型的智能性和精准性，从而提高人机交互效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的一种视觉问答模型训练方法的流程图；
图2是本公开实施例提供的一种视觉问答模型的网络结构示意图；
图3是本公开实施例提供的一种视觉问答模型训练方法的流程图；
图4是本公开实施例提供的一种视觉问答方法的流程图；
图5是本公开实施例提供的一种视觉问答模型训练装置的结构图；
图6是本公开实施例提供的一种视觉问答装置的结构图；
图7是用来实现本公开实施例的视觉问答模型训练方法或视觉问答方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如今，视觉问答模型在学术界和产业界均被广泛研究，该类视觉问答模型的目标在于针对任意自然语言描述的问题和给定的图像，在进行充分理解和推理后，使用自然语言进行准确地回答。但是，目前的视觉问答模型还存在一些难题没有解决，例如，目前的视觉问答模型只能处理普通的图像数据，并不能处理特殊类型的图像，如遥感图像或医学影像等信息丰富且形势复杂的图像类型，导致视觉问答模型的应用受限，影响了模型的智能性和对特殊类型图像预测的精确性。
目前，针对特殊类型的图像，已有的图像处理算法只能解决低层次、简单任务(如分类、分割、目标检测)的图像自动化判读，仍需较为大量的人工对于机器判读结果进行进一步统合，形成高层次信息，用于指导决策和应用。
在一个示例中，图1是本公开实施例提供的一种视觉问答模型训练方法的流程图，本实施例可适用于利用目标图像的训练集数据训练视觉问答模型，以使视觉问答模型能够处理包括非视觉数据的图像类型的视觉问答任务的情况，该方法可以由视觉问答模型训练装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在电子设备中。该电子设备可以是计算机设备或服务器设备等。相应的，如图1所示，该方法包括如下操作：
S110、获取目标图像的训练集数据；其中，所述目标图像的训练集数据包括目标图像、目标图像文本以及目标图像非视觉数据。
其中，目标图像可以是具有非视觉特征的图像类型，所谓非视觉特征也即无法从图像中直接识别到的特征。由此可见，目标图像通常包括非常丰富的信息，且形式较为复杂。示例性的，视觉特征例如可以是图像中物体的大小、轮廓以及位置等可以直观获取的特征，非视觉特征则可以是物体的地理坐标、地区的统计数据等不可以直观获取的特征。目标图像文本可以是针对目标图像所标注的文本，可选的，目标图像文本可以包括目标图像问题以及目标图像标准答案；其中，目标图像问题也即目标图像配置的问题，目标图像标准答案也即目标图像问题对应的标准答案等。目标图像非视觉数据也即目标图像对应的非视觉特征数据。
在本公开实施例中，可以获取目标图像的训练集数据来训练视觉问答模型。可选的，目标图像的训练集数据可以包括目标图像、目标图像文本以及目标图像非视觉数据三种不同类型的数据。其中，目标图像可以作为训练视觉问答模型的基准图像，每个目标图像可以对应匹配相应的目标图像文本。可以理解的是，一个目标图像可以对应至少一种目标图像文本，例如可以对应至少一种目标图像问题，每种目标图像问题可以对应一种目标图像标准答案。同时，目标图像还需要对应匹配目标图像的非视觉数据，以利用目标图像的非视觉特征训练视觉问答模型，使得视觉问答模型可以有效识别目标图像的非视觉特征。
在本公开的一个可选实施例中，所述目标图像可以包括但不限于地理学图像、遥感图像以及医学影像中的至少一种。
其中，地理学图像可以包括地理学的影像信息，如某一行政区的地图影像。遥感图像可以是通过航空或卫星等方式拍摄获取的图像。一般的，遥感图像通常包括各种地物的影像信息，如某一山区的卫星相片等。医学影像则可以包括医学的影像信息，如病人某一器官的X光片等。
以遥感图像为例说明，在训练集数据收集阶段，可以收集一定数量的遥感图像。其中，遥感图像可以包括但不限于可见光影像、高光谱影像、雷达影像等。进一步的，可以对每张遥感图像分别设置问题Q，如“图中是否有建筑工地？”、“这块区域一共有几栋楼房？”等，每个问题Q都需要配置标准答案，如，针对问题Q“图中是否有建筑工地？”的标准答案可以是“有”，针对问题Q“这块区域一共有几栋楼房？”的标准答案可以是“3栋”等。可选的，一个遥感图像可以设置一个或多个问题，每个问题可以配置一个标准答案，本公开实施例对此并不进行限制。
S120、对所述目标图像进行图像特征提取，得到目标图像特征。
其中，目标图像特征可以是对目标图像提取到的图像特征。
图2是本公开实施例提供的一种视觉问答模型的网络结构示意图。在一个具体的例子中，如图2所示，视觉问答模型可以由图像处理网络、文本处理网络、非视觉信息处理网络以及融合特征训练网络四部分网络构成。
相应的，在获取到目标图像的训练集数据之后，即可将训练集数据输入至视觉问答模型中。视觉问答模型中的图像处理网络可以对训练集数据中包括的目标图像提取图像特征，作为目标图像特征。
可选的，图像处理网络可以是深度学习领域中的CNN(Convolutional NeuralNetwork，卷积神经网络)或ViT(Vision Transformer)等，只要能够提取图像特征即可，本公开实施例并不对图像处理网络的具体类型进行限定。
S130、对所述目标图像文本进行文本特征提取，得到目标文本特征。
其中，目标文本特征可以是对目标图像文本提取到的文本特征。
相应的，视觉问答模型中的文本处理网络可以对训练集数据中包括的目标图像文本提取文本特征，作为目标文本特征。
可选的，文本处理网络可以是用于自然语言处理的各种网络类型，只要能够提取文本特征即可，本公开实施例并不对文本处理网络的具体网络类型进行限定。
S140、对所述目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征。
其中，目标非视觉特征可以是对目标图像非视觉数据提取到的非视觉特征。
相应的，视觉问答模型中的非视觉信息处理网络可以对训练集数据中包括的目标图像非视觉数据提取非视觉特征，作为目标非视觉特征。
示例性的，当目标图像为地理学图像或遥感图像时，目标图像的目标非视觉特征可以包括但不限于地理坐标(经纬度、洲别、国别及省市县区等)、所在地区统计量(人口数量、经济发达程度及城乡比例等)以及地形地貌特征(山地、湿地、荒漠及草原等)。当目标图像为医学影像时，目标图像的目标非视觉特征可以包括但不限于被检测对象的姓名、年龄、性别以及既往病史等相关数据。
可以理解的是，目标非视觉特征作为目标图像的非直观特征，能够体现目标图像潜在的特征，实现了对目标图像特征的深度挖掘，使得目标图像的特征表现形式更加精确和可靠。
可选的，非视觉信息处理网络可以是CNN类型的网络等，只要能够提取目标图像的非视觉特征即可，本公开实施例并不对非视觉信息处理网络的具体网络类型进行限定。
需要说明的是，视觉问答模型中的图像处理网络、文本处理网络以及非视觉信息处理网络可以串行或并行进行特征提取处理，本公开实施例对此并不进行限制。
S150、对所述目标图像特征、所述目标文本特征以及所述目标非视觉特征进行融合，得到目标融合特征。
其中，目标融合特征可以是对目标图像特征、目标文本特征以及目标非视觉特征等三种特征类型进行融合后得到的综合特征。
相应的，视觉问答模型利用图像处理网络、文本处理网络以及非视觉信息处理网络分别提取到三种不同类型的特征之后，可以根据对融合特征训练网络对提取的三种特征进行融合，得到目标融合特征。也即，目标融合特征处理包括常规的图像特征和文本特征，还可以包括图像的非视觉特征。
S160、根据所述目标融合特征对视觉问答模型进行模型训练。
在获取到目标融合特征之后，视觉问答模型即可进一步利用融合特征训练网络利用获取的目标融合特征对视觉问答模型进行模型训练，直至视觉问答模型训练成功。可选的，视觉问答模型的训练方式可以是有监督的训练方式或无监督的训练方式，本公开实施例对此并不进行限制。
可选的，融合特征训练网络可以利用获取的目标融合特征进行答案预测，得到预测答案，并根据训练集数据包括的标准答案对预测答案进行评价，以确定视觉问答模型的训练效果。由此可见，视觉问答模型可以采用全监督的方式完成模型的训练过程，从而提高模型的精准性。
可选的，融合特征训练网络可以是CNN类型的网络等，如多层全连接网络等，只要能够对各种不同类型的特征进行融合、根据目标融合特征实现答案预测并根据预测结果判断模型训练效果即可，本公开实施例并不对非视觉信息处理网络的具体网络类型进行限定。
由此可见，本公开实施例将具有非视觉特征的目标图像类型作为交互对象，并在提取目标图像的图像特征和图像文本的文本特征的基础上，利用目标图像的非视觉数据对目标图像的特征进行深度挖掘，能够最大程度挖掘图像特征信息，使得每个目标图像的特征表现形式更加精确和可靠，能够让视觉问答模型学习到目标图像更加复杂、更高层次的信息，从而能够提高视觉问答模型对图像问答过程的精准推理能力，提高了视觉问答模型的智能性和精准性。同时，用户仅需要对视觉问答模型输入目标图像的训练集数据，视觉问答模型即可自动完成训练过程，而无需人工对于模型的判读结果进行进一步统合形成高层次信息，使得视觉问答模型的人机交互过程更加简洁，从而提高了视觉问答模型的人机交互效果。
本公开实施例通过对目标图像的训练集数据中的目标图像进行图像特征提取，得到目标图像特征，对目标图像的训练集数据中的目标图像文本进行文本特征提取，得到目标文本特征，并对目标图像的训练集数据中的目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征，进而对目标图像特征、目标文本特征以及目标非视觉特征进行融合，得到目标融合特征，最终根据目标融合特征对视觉问答模型进行模型训练。其中，训练成功的视觉问答模型可以用于对待交互目标图像数据进行预测，得到目标图像交互答案，解决现有视觉问答模型难以有效处理具有非视觉特征的图像类型的视觉问答任务的问题，从而提高视觉问答模型的智能性和精准性，从而提高人机交互效果。
在一个示例中，图3是本公开实施例提供的一种视觉问答模型训练方法的流程图，本公开实施例在上述各实施例的技术方案的基础上，进行了优化改进，给出了文本特征提取、特征融合以及模型训练操作的多种具体可选的实现方式。
如图3所示的一种视觉问答模型训练方法，包括：
S210、获取目标图像的训练集数据。
其中，所述目标图像的训练集数据包括目标图像、目标图像文本以及目标图像非视觉数据。
S220、对所述目标图像进行图像特征提取，得到目标图像特征。
S230、对所述目标图像文本进行文本特征提取，得到目标文本特征。
相应的，步骤S230具体可以包括下述操作：
S231、对所述目标图像文本进行分词处理，得到文本分词数据。
其中，文本分词数据可以是对目标图像文本进行分词处理得到的分词数据。
具体的，视觉问答模型的文本处理网络在对目标图像文本进行文本特征提取时，可以首先对目标图像文本进行分词处理，得到文本分词数据。示例性的，问题Q对应的文本分词数据可以为[w1,w2,w3,...,wN]。其中，wN代表问题Q的第N个分词。
S232、根据预设词典确定所述文本分词数据中各分词数据的数值编码，并根据各分词数据的数值编码生成所述文本分词数据的数值编码序列。
其中，预设词典可以是用于对分词数据确定对应的数值编码结果的词典，本公开实施例并不对预测词典包括的内容进行限定。
示例性的，以问题Q对应的文本分词数据[w1,w2,w3,...,wN]为例说明。针对文本分词数据中的每个分词wN，可以查询其在预设词典中对应的数值编码，并根据各分词数据的数值编码生成文本分词数据的数值编码序列[id1,id2,id3,...,idN]。其中，idN表示分词wN在预设词典中的数值编码，可以是由数字构成的编码，本公开实施例对此并不进行限制。
S233、对所述数值编码序列再次进行向量编码，得到所述目标图像文本的文本向量编码。
其中，文本向量编码可以是对数值编码序列进行向量编码，使得分词结果具备模型能够直接识别的向量特征。
相应的，在得到文本分词数据的数值编码序列之后，文本处理网络可以进一步对数值编码序列再次进行向量编码，得到机器模型能够直接识别的目标图像文本的文本向量编码。可选的，对数值编码序列再次进行向量编码的方式可以为one-hot编码方式(又称为一位有效编码)等，只要能将数值编码序列编码成机器模型能够直接识别的文本向量编码即可，本公开实施例并不对向量编码的具体方式进行新的。
S234、对所述文本向量编码进行文本特征提取，得到所述目标文本特征。
相应的，在得到文本向量编码之后，文本处理网络即可对文本处理网络进行识别和文本特征提取，从而得到目标图像文本对应的目标文本特征。
其中，所述目标文本特征可以包括目标图像问题特征和目标图像标准答案特征。目标图像问题特征可以是对目标图像问题进行文本特征提取得到的文本特征，目标图像标准答案特征可以是对目标图像标准答案进行文本特征提取得到的文本特征。
可选的，文本处理网络可以通过Transformer模块对文本向量编码进行文本特征提取，本公开实施例对此并不进行限制。
也即，文本处理网络可以对目标图像文本包括的目标图像问题和目标图像标准答案均可以采用上述相同的方式进行文本特征提取。相应的，目标图像问题可以对应提取到目标图像问题特征，目标图像标准答案可以对应提取到目标图像标准答案特征。
上述技术方案，通过对目标图像文本进行分词处理，以根据分词结果确定数值编码序列，进一步根据数值编码序列生成视觉问答模型能够直接识别的文本向量编码，从而对文本向量编码进行文本特征提取，得到最终的目标文本特征，实现了对目标图像文本的特征提取，保证了文本特征提取的效率。
S240、对所述目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征。
S250、对所述目标图像特征、所述目标文本特征中的目标图像问题特征以及所述目标非视觉特征进行Element-wise融合操作，得到所述目标融合特征。
具体的，可以对目标图像特征、目标文本特征中的目标图像问题特征以及目标非视觉特征三种不同类型的特征按照元素单位进行特征融合操作，例如对目标图像特征、目标图像问题特征以及目标非视觉特征三种不同类型的特征进行Element-wise相加或点乘等操作，得到最终的目标融合特征。其中，目标图像特征、目标图像问题特征以及目标非视觉特征三种不同类型的特征的融合顺序可以是任意的，例如可以是目标图像特征-目标图像问题特征-目标非视觉特征或目标非视觉特征-目标图像特征-目标图像问题特征等，本公开实施例对此并不进行限制。
上述技术方案，通过对不同类型特征进行Element-wise融合操作，可以建立不同特征对应元素之间的关联关系，使得目标融合特征可以强化各特征元素之间的相互作用特征。
S260、对所述目标融合特征进行预测，得到目标预测特征向量。
其中，目标预测特征向量可以是对目标融合特征进行预测得到的特征向量。
具体的，可以将特征融合得到的目标融合特征输入至融合特征训练网络中，以通过融合特征训练网络针对目标融合特征预测目标融合特征中目标图像问题对应的答案，其预测结果可以作为目标预测特征向量。
S270、根据所述目标预测特征向量和所述目标图像标准答案特征确定所述视觉问答模型的目标函数。
其中，目标函数可以用于对视觉问答模型进行优化训练。
相应的，当融合特征训练网络预测得到目标预测特征向量之后，可以进一步根据预测得到的目标预测特征向量和目标图像标准答案特征确定视觉问答模型的目标函数，以通过目标函数引导视觉问答模型的优化训练过程。
在本公开的一个可选实施例中，所述根据所述目标预测特征向量和所述目标图像标准答案特征确定所述视觉问答模型的目标函数，可以包括：基于如下公式确定所述视觉问答模型的目标函数：
loss＝CrossEntropy(Pred,enc(A))
其中，loss表示目标函数，CrossEntropy()表示交叉熵损失，Pred表示所述目标预测特征向量，enc(A)表示所述目标图像标准答案特征。
也即，可以将目标预测特征向量与目标图像标准答案特征进行对比，计算损失函数作为视觉问答模型的目标函数。
由此可见，本公开实施例所提供的目标函数输出值是可以随着目标预测特征向量的准确性而动态变化的。目标预测特征向量的准确性越高，目标函数越趋于稳定，表明视觉问答模型的准确率越高。
S280、根据所述目标函数对所述视觉问答模型进行模型训练。
在本公开实施例中，可以根据构建的目标函数对视觉问答模型包括的图像处理网络、文本处理网络、非视觉信息处理网络以及融合特征训练网络进行整体训练。可以理解的是，视觉问答模型的训练终止条件可以是目标函数收敛或损失率稳定等，本公开实施例对此并不进行限制。
上述技术方案，通过利用目标预测特征向量和目标图像标准答案特征确定视觉问答模型的目标函数，以利用目标函数引导视觉问答模型的优化训练过程，实现了对视觉问答模型的全监督的训练方式，可以保证视觉问答模型的精确性。
在一个示例中，图4是本公开实施例提供的一种视觉问答方法的流程图，本实施例可适用于利用视觉问答模型处理包括非视觉数据的图像类型的视觉问答任务的情况，该方法可以由视觉问答装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在电子设备中。该电子设备可以是计算机设备或服务器设备等。相应的，如图4所示，该方法包括如下操作：
S310、获取待交互目标图像数据；所述待交互目标图像数据包括待识别目标图像、待交互目标图像问题和待识别图像的非视觉数据。
其中，待交互目标图像数据可以是需要视觉问答模型预测答案的数据。待识别目标图像是可以是需要视觉问答模型预测答案的目标图像。可选的，目标图像可以包括但不限于地理学图像、遥感图像以及医学影像中的至少一种。待交互目标图像问题则可以是针对待识别目标图像所设置的问题，可以是预先配置的文本数据，也可以是实时生成的文本数据，本公开实施例对此并不进行限制。
在本公开实施例中，当视觉问答模型训练完成后，即可获取包括待识别目标图像、待交互目标图像问题和待识别图像的非视觉数据作为待交互目标图像数据。
在本公开的一个可选实施例中，视觉问答方法还可以包括：获取用户根据所述待识别目标图像实时输入的交互语音；对所述交互语音进行识别，得到交互语音识别结果；将所述交互语音识别结果确定为所述待交互目标图像问题。
其中，交互语音可以是用户对待识别目标图像输入的语音，可以用户实时确定待识别目标图像对应的待交互目标图像问题。交互语音识别结果也即对交互语音进行识别得到的结果。
在本公开实施例中，可选的，还可以预先训练一个生成待交互目标图像数据的数据预处理模型。其中，数据预处理模型可以包括语音识别模型和图像数据处理模型。其中，语音识别模型可以获取用户根据待识别目标图像实时输入的交互语音，并对交互语音进行识别，得到交互语音识别结果。该交互语音识别结果可以作为待识别目标图像的待交互目标图像问题。相应的，图像数据处理模型则可以建立待识别目标图像、待识别图像的非视觉数据与通过语音识别确定的待交互目标图像问题之间的绑定关系，从而生成包括待识别目标图像、待交互目标图像问题和待识别图像的非视觉数据的待交互目标图像数据。
上述技术方案，通过根据用户实时输入的交互语音生成待识别目标图像的待交互目标图像问题，扩展了待交互目标图像问题的生成方式。
S320、将所述待交互目标图像数据输入至视觉问答模型，得到所述待交互目标图像问题的目标图像交互答案。
其中，所述视觉问答模型通过上述任一实施例所述的视觉问答模型训练方法训练得到。目标图像交互答案即为视觉问答模型根据待识别目标图像和待识别目标图像的待交互目标图像问题预测得到的交互答案。
相应的，在获取到待交互目标图像数据之后，即可将待交互目标图像数据输入至训练完成的视觉问答模型中，以通过视觉问答模型对待交互目标图像数据的目标图像、非视觉数据和对应的问题进行自动识别和答案预测，得到待交互目标图像问题的目标图像交互答案。
具体的，视觉问答模型可以自动对待识别目标图像进行图像特征提取，对待交互目标图像问题进行文本特征提取，并对待识别图像的非视觉数据进行非视觉特征提取，并对提取的三种特征进行融合，进而根据融合的特征预测待交互目标图像问题对应的目标图像交互答案。其中，各种类型的特征提取方式与视觉问答模型训练过程中的特征提取方式相同，特征融合的方式也相同，不再累述。
由此可见，本公开实施例所提供的视觉问答方法可以实现对具有高层次的图像内容精准预测答案，提高了视觉问答模型的智能性和精准性，从而提高人机交互效果。
本公开实施例通过利用训练成功的视觉问答模型对包括非视觉特征的待交互目标图像数据进行预测，得到目标图像交互答案，解决现有视觉问答模型难以有效处理具有非视觉特征的图像类型的视觉问答任务的问题，从而提高视觉问答模型的智能性和精准性，从而提高人机交互效果。
本公开的技术方案中，所涉及用户个人信息(如医学影像以及其非视觉数据等)的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
需要说明的是，以上各实施例中各技术特征之间的任意排列组合也属于本公开的保护范围。
在一个示例中，图5是本公开实施例提供的一种视觉问答模型训练装置的结构图，本公开实施例可适用于利用目标图像的训练集数据训练视觉问答模型，以使视觉问答模型能够处理包括非视觉数据的图像类型的视觉问答任务的情况，该装置通过软件和/或硬件实现，并具体配置于电子设备中。该电子设备可以是计算机设备或服务器设备等。
如图5所示的一种视觉问答模型训练装置400，包括：训练集数据获取模块410、目标图像特征提取模块420、目标文本特征提取模块430、目标非视觉特征提取模块440、特征融合模块450和模型训练模块460。其中，
训练集数据获取模块410，用于获取目标图像的训练集数据；其中，所述目标图像的训练集数据包括目标图像、目标图像文本以及目标图像非视觉数据；
目标图像特征提取模块420，用于对所述目标图像进行图像特征提取，得到目标图像特征；
目标文本特征提取模块430，用于对所述目标图像文本进行文本特征提取，得到目标文本特征；
目标非视觉特征提取模块440，用于对所述目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征；
特征融合模块450，用于对所述目标图像特征、所述目标文本特征以及所述目标非视觉特征进行融合，得到目标融合特征；
模型训练模块460，用于根据所述目标融合特征对视觉问答模型进行模型训练。
本公开实施例通过对目标图像的训练集数据中的目标图像进行图像特征提取，得到目标图像特征，对目标图像的训练集数据中的目标图像文本进行文本特征提取，得到目标文本特征，并对目标图像的训练集数据中的目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征，进而对目标图像特征、目标文本特征以及目标非视觉特征进行融合，得到目标融合特征，最终根据目标融合特征对视觉问答模型进行模型训练。其中，训练成功的视觉问答模型可以用于对待交互目标图像数据进行预测，得到目标图像交互答案，解决现有视觉问答模型难以有效处理具有非视觉特征的图像类型的视觉问答任务的问题，从而提高视觉问答模型的智能性和精准性，从而提高人机交互效果。
可选的，目标文本特征提取模块430具体用于：对所述目标图像文本进行分词处理，得到文本分词数据；根据预设词典确定所述文本分词数据中各分词数据的数值编码，并根据各分词数据的数值编码生成所述文本分词数据的数值编码序列；对所述数值编码序列再次进行向量编码，得到所述目标图像文本的文本向量编码；对所述文本向量编码进行文本特征提取，得到所述目标文本特征；其中，所述目标图像文本包括目标图像问题以及目标图像标准答案；所述目标文本特征包括目标图像问题特征和目标图像标准答案特征。
可选的，特征融合模块450具体用于：对所述目标图像特征、所述目标文本特征中的目标图像问题特征以及所述目标非视觉特征进行Element-wise融合操作，得到所述目标融合特征。
可选的，模型训练模块460具体用于：对所述目标融合特征进行预测，得到目标预测特征向量；根据所述目标预测特征向量和所述目标图像标准答案特征确定所述视觉问答模型的目标函数；根据所述目标函数对所述视觉问答模型进行模型训练。
可选的，模型训练模块460具体用于：基于如下公式确定所述视觉问答模型的目标函数：
loss＝CrossEntropy(Pred,enc(A))
其中，loss表示目标函数，CrossEntropy()表示交叉熵损失，Pred表示所述目标预测特征向量，enc(A)表示所述目标图像标准答案特征。
可选的，目标图像包括地理学图像、遥感图像以及医学影像中的至少一种。
上述视觉问答模型训练装置可执行本公开任意实施例所提供的视觉问答模型训练方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开任意实施例提供的视觉问答模型训练方法。
由于上述所介绍的视觉问答模型训练装置为可以执行本公开实施例中的视觉问答模型训练方法的装置，故而基于本公开实施例中所介绍的视觉问答模型训练方法，本领域所属技术人员能够了解本实施例的视觉问答模型训练装置的具体实施方式以及其各种变化形式，所以在此对于该视觉问答模型训练装置如何实现本公开实施例中的视觉问答模型训练方法不再详细介绍。只要本领域所属技术人员实施本公开实施例中视觉问答模型训练方法所采用的装置，都属于本公开所欲保护的范围。
在一个示例中，图6是本公开实施例提供的一种视觉问答装置的结构图，本公开实施例可适用于利用视觉问答模型处理包括非视觉数据的图像类型的视觉问答任务的情况，该装置通过软件和/或硬件实现，并具体配置于电子设备中。该电子设备可以是计算机设备或服务器设备等。
如图6所示的一种视觉问答装置500，包括：待交互目标图像数据获取模块510和目标图像交互答案获取模块520。其中，
待交互目标图像数据获取模块510，用于获取待交互目标图像数据；所述待交互目标图像数据包括待识别目标图像和待交互目标图像问题；
目标图像交互答案获取模块520，用于将所述待交互目标图像数据输入至视觉问答模型，得到所述待交互目标图像问题的目标图像交互答案；
其中，所述视觉问答模型通过上述任一实施例所述的视觉问答模型训练方法训练得到。
本公开实施例通过利用训练成功的视觉问答模型对包括非视觉特征的待交互目标图像数据进行预测，得到目标图像交互答案，解决现有视觉问答模型难以有效处理具有非视觉特征的图像类型的视觉问答任务的问题，从而提高视觉问答模型的智能性和精准性，从而提高人机交互效果。
可选的，视觉问答装置还可以包括：交互语音获取模块，用于获取用户根据所述待识别目标图像实时输入的交互语音；交互语音识别模块，用于对所述交互语音进行识别，得到交互语音识别结果；待交互目标图像问题确定模块，用于将所述交互语音识别结果确定为所述待交互目标图像问题。
可选的，所述目标图像包括地理学图像、遥感图像以及医学影像中的至少一种。
上述视觉问答装置可执行本公开任意实施例所提供的视觉问答方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开任意实施例提供的视觉问答方法。
由于上述所介绍的视觉问答装置为可以执行本公开实施例中的视觉问答方法的装置，故而基于本公开实施例中所介绍的视觉问答方法，本领域所属技术人员能够了解本实施例的视觉问答装置的具体实施方式以及其各种变化形式，所以在此对于该视觉问答装置如何实现本公开实施例中的视觉问答方法不再详细介绍。只要本领域所属技术人员实施本公开实施例中视觉问答方法所采用的装置，都属于本公开所欲保护的范围。
在一个示例中，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603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。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如视觉问答模型训练方法或视觉问答方法。例如，在一些实施例中，视觉问答模型训练方法或视觉问答方法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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的视觉问答模型训练方法或视觉问答方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行视觉问答模型训练方法或视觉问答方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器还可以分布式系统的服务器，或者是结合了区块链的服务器。
本公开实施例通过对目标图像的训练集数据中的目标图像进行图像特征提取，得到目标图像特征，对目标图像的训练集数据中的目标图像文本进行文本特征提取，得到目标文本特征，并对目标图像的训练集数据中的目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征，进而对目标图像特征、目标文本特征以及目标非视觉特征进行融合，得到目标融合特征，最终根据目标融合特征对视觉问答模型进行模型训练，并利用训练成功的视觉问答模型对待交互目标图像数据进行预测，得到目标图像交互答案，解决现有视觉问答模型难以有效处理具有非视觉特征的图像类型的视觉问答任务的问题，从而提高视觉问答模型的智能性和精准性，从而提高人机交互效果。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (21)

1.一种视觉问答模型训练方法，包括：
获取目标图像的训练集数据；其中，所述目标图像的训练集数据包括目标图像、目标图像文本以及目标图像非视觉数据；
对所述目标图像进行图像特征提取，得到目标图像特征；
对所述目标图像文本进行文本特征提取，得到目标文本特征；
对所述目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征；
对所述目标图像特征、所述目标文本特征以及所述目标非视觉特征进行融合，得到目标融合特征；
根据所述目标融合特征对视觉问答模型进行模型训练。
2.根据权利要求1所述的方法，其中，所述对所述目标图像文本进行文本特征提取，得到目标文本特征，包括：
对所述目标图像文本进行分词处理，得到文本分词数据；
根据预设词典确定所述文本分词数据中各分词数据的数值编码，并根据各分词数据的数值编码生成所述文本分词数据的数值编码序列；
对所述数值编码序列再次进行向量编码，得到所述目标图像文本的文本向量编码；
对所述文本向量编码进行文本特征提取，得到所述目标文本特征；
其中，所述目标图像文本包括目标图像问题以及目标图像标准答案；所述目标文本特征包括目标图像问题特征和目标图像标准答案特征。
3.根据权利要求1所述的方法，其中，对所述目标图像特征、所述目标文本特征以及所述目标非视觉特征进行融合，包括：
对所述目标图像特征、所述目标文本特征中的目标图像问题特征以及所述目标非视觉特征进行逐元素Element-wise融合操作，得到所述目标融合特征。
4.根据权利要求2所述的方法，所述根据所述目标融合特征对视觉问答模型进行模型训练，包括：
对所述目标融合特征进行预测，得到目标预测特征向量；
根据所述目标预测特征向量和所述目标图像标准答案特征确定所述视觉问答模型的目标函数；
根据所述目标函数对所述视觉问答模型进行模型训练。
5.根据权利要求4所述的方法，其中，所述根据所述目标预测特征向量和所述目标图像标准答案特征确定所述视觉问答模型的目标函数，包括：
基于如下公式确定所述视觉问答模型的目标函数：
loss＝CrossEntropy(Pred,enc(A))
其中，loss表示目标函数，CrossEntropy()表示交叉熵损失，Pred表示所述目标预测特征向量，enc(A)表示所述目标图像标准答案特征。
6.根据权利要求1-5任一所述的方法，其中，所述目标图像包括地理学图像、遥感图像以及医学影像中的至少一种。
7.一种视觉问答方法，包括：
获取待交互目标图像数据；所述待交互目标图像数据包括待识别目标图像、待交互目标图像问题和待识别图像的非视觉数据；
将所述待交互目标图像数据输入至视觉问答模型，得到所述待交互目标图像问题的目标图像交互答案；
其中，所述视觉问答模型通过权利要求1-6任一所述的视觉问答模型训练方法训练得到。
8.根据权利要求7所述的方法，还包括：
获取用户根据所述待识别目标图像实时输入的交互语音；
对所述交互语音进行识别，得到交互语音识别结果；
将所述交互语音识别结果确定为所述待交互目标图像问题。
9.根据权利要求7-8任一所述的方法，其中，所述目标图像包括地理学图像、遥感图像以及医学影像中的至少一种。
10.一种视觉问答模型训练装置，包括：
训练集数据获取模块，用于获取目标图像的训练集数据；其中，所述目标图像的训练集数据包括目标图像、目标图像文本以及目标图像非视觉数据；
目标图像特征提取模块，用于对所述目标图像进行图像特征提取，得到目标图像特征；
目标文本特征提取模块，用于对所述目标图像文本进行文本特征提取，得到目标文本特征；
目标非视觉特征提取模块，用于对所述目标图像非视觉数据进行非视觉特征提取，得到目标非视觉特征；
特征融合模块，用于对所述目标图像特征、所述目标文本特征以及所述目标非视觉特征进行融合，得到目标融合特征；
模型训练模块，用于根据所述目标融合特征对视觉问答模型进行模型训练。
11.根据权利要求10所述的装置，其中，所述目标文本特征提取模块具体用于：
对所述目标图像文本进行分词处理，得到文本分词数据；
根据预设词典确定所述文本分词数据中各分词数据的数值编码，并根据各分词数据的数值编码生成所述文本分词数据的数值编码序列；
对所述数值编码序列再次进行向量编码，得到所述目标图像文本的文本向量编码；
对所述文本向量编码进行文本特征提取，得到所述目标文本特征；
其中，所述目标图像文本包括目标图像问题以及目标图像标准答案；所述目标文本特征包括目标图像问题特征和目标图像标准答案特征。
12.根据权利要求10所述的装置，其中，所述特征融合模块具体用于：
对所述目标图像特征、所述目标文本特征中的目标图像问题特征以及所述目标非视觉特征进行逐元素Element-wise融合操作，得到所述目标融合特征。
13.根据权利要求11所述的装置，其中，所述模型训练模块具体用于：
对所述目标融合特征进行预测，得到目标预测特征向量；
根据所述目标预测特征向量和所述目标图像标准答案特征确定所述视觉问答模型的目标函数；
根据所述目标函数对所述视觉问答模型进行模型训练。
14.根据权利要求13所述的装置，其中，所述模型训练模块具体用于：
基于如下公式确定所述视觉问答模型的目标函数：
loss＝CrossEntropy(Pred,enc(A))
其中，loss表示目标函数，CrossEntropy()表示交叉熵损失，Pred表示所述目标预测特征向量，enc(A)表示所述目标图像标准答案特征。
15.根据权利要求10-14任一所述的装置，其中，所述目标图像包括地理学图像、遥感图像以及医学影像中的至少一种。
16.一种视觉问答装置，包括：
待交互目标图像数据获取模块，用于获取待交互目标图像数据；所述待交互目标图像数据包括待识别目标图像和待交互目标图像问题；
目标图像交互答案获取模块，用于将所述待交互目标图像数据输入至视觉问答模型，得到所述待交互目标图像问题的目标图像交互答案；
其中，所述视觉问答模型通过权利要求1-6任一所述的视觉问答模型训练方法训练得到。
17.根据权利要求16所述的装置，还包括：
交互语音获取模块，用于获取用户根据所述待识别目标图像实时输入的交互语音；
交互语音识别模块，用于对所述交互语音进行识别，得到交互语音识别结果；
待交互目标图像问题确定模块，用于将所述交互语音识别结果确定为所述待交互目标图像问题。
18.根据权利要求16-17任一所述的装置，其中，所述目标图像包括地理学图像、遥感图像以及医学影像中的至少一种。
19.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的视觉问答模型训练方法或权利要求7-9中任一项所述的视觉问答方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行权利要求1-6中任一项所述的视觉问答模型训练方法或权利要求7-9中任一项所述的视觉问答方法。
21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的视觉问答模型训练方法或权利要求7-9中任一项所述的视觉问答方法。
CN202110719508.7A 2021-06-28 2021-06-28 视觉问答模型训练及视觉问答方法、装置、设备及介质 Active CN113392253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110719508.7A CN113392253B (zh) 2021-06-28 2021-06-28 视觉问答模型训练及视觉问答方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110719508.7A CN113392253B (zh) 2021-06-28 2021-06-28 视觉问答模型训练及视觉问答方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113392253A true CN113392253A (zh) 2021-09-14
CN113392253B CN113392253B (zh) 2023-09-29

Family

ID=77624195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110719508.7A Active CN113392253B (zh) 2021-06-28 2021-06-28 视觉问答模型训练及视觉问答方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113392253B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114201592A (zh) * 2021-12-02 2022-03-18 重庆邮电大学 面向医学图像诊断的视觉问答方法
CN114998684A (zh) * 2022-05-20 2022-09-02 北京百度网讯科技有限公司 地理与视觉跨模态预训练模型的训练方法、定位调整方法
WO2023165012A1 (zh) * 2022-03-02 2023-09-07 平安科技（深圳）有限公司 问诊方法和装置、电子设备及存储介质
CN116862000A (zh) * 2023-09-01 2023-10-10 浪潮电子信息产业股份有限公司 一种生成式人工智能的因果思维链生成方法、装置及设备
CN117892140A (zh) * 2024-03-15 2024-04-16 浪潮电子信息产业股份有限公司 视觉问答及其模型训练方法、装置、电子设备、存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960804A (zh) * 2019-03-21 2019-07-02 江西风向标教育科技有限公司 一种题目文本句子向量生成方法及装置
CN110047569A (zh) * 2019-04-09 2019-07-23 清华大学 基于胸片报告生成问答数据集的方法、装置及介质
CN110263912A (zh) * 2019-05-14 2019-09-20 杭州电子科技大学 一种基于多目标关联深度推理的图像问答方法
CN110348462A (zh) * 2019-07-09 2019-10-18 北京金山数字娱乐科技有限公司 一种图像特征确定、视觉问答方法、装置、设备及介质
CN110717024A (zh) * 2019-10-08 2020-01-21 苏州派维斯信息科技有限公司 基于图像视觉到文本转换的视觉问答问题解决方法
CN111782839A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 图像问答方法、装置、计算机设备和介质
CN111782847A (zh) * 2019-07-31 2020-10-16 北京京东尚科信息技术有限公司 图像处理方法、装置和计算机可读存储介质
CN111984772A (zh) * 2020-07-23 2020-11-24 中山大学 一种基于深度学习的医疗影像问答方法及系统
WO2020232877A1 (zh) * 2019-05-21 2020-11-26 平安科技（深圳）有限公司 一种问题答案选取方法、装置、计算机设备及存储介质
CN112100346A (zh) * 2020-08-28 2020-12-18 西北工业大学 基于细粒度图像特征和外部知识相融合的视觉问答方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960804A (zh) * 2019-03-21 2019-07-02 江西风向标教育科技有限公司 一种题目文本句子向量生成方法及装置
CN110047569A (zh) * 2019-04-09 2019-07-23 清华大学 基于胸片报告生成问答数据集的方法、装置及介质
CN110263912A (zh) * 2019-05-14 2019-09-20 杭州电子科技大学 一种基于多目标关联深度推理的图像问答方法
WO2020232877A1 (zh) * 2019-05-21 2020-11-26 平安科技（深圳）有限公司 一种问题答案选取方法、装置、计算机设备及存储介质
CN110348462A (zh) * 2019-07-09 2019-10-18 北京金山数字娱乐科技有限公司 一种图像特征确定、视觉问答方法、装置、设备及介质
CN111782847A (zh) * 2019-07-31 2020-10-16 北京京东尚科信息技术有限公司 图像处理方法、装置和计算机可读存储介质
CN110717024A (zh) * 2019-10-08 2020-01-21 苏州派维斯信息科技有限公司 基于图像视觉到文本转换的视觉问答问题解决方法
CN111782839A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 图像问答方法、装置、计算机设备和介质
CN111984772A (zh) * 2020-07-23 2020-11-24 中山大学 一种基于深度学习的医疗影像问答方法及系统
CN112100346A (zh) * 2020-08-28 2020-12-18 西北工业大学 基于细粒度图像特征和外部知识相融合的视觉问答方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A LUBNA: "MoBVQA: A Modality based Medical Image Visual Question Answering System", TENCON 2019 - 2019 IEEE REGION 10 CONFERENCE (TENCON) *
SYLVAIN LOBRY: "Visual Question Answering From Remote Sensing Images", IGARSS 2019 - 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM *
闫茹玉;刘学亮;: "结合自底向上注意力机制和记忆网络的视觉问答模型", 中国图象图形学报, no. 05 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114201592A (zh) * 2021-12-02 2022-03-18 重庆邮电大学 面向医学图像诊断的视觉问答方法
WO2023165012A1 (zh) * 2022-03-02 2023-09-07 平安科技（深圳）有限公司 问诊方法和装置、电子设备及存储介质
CN114998684A (zh) * 2022-05-20 2022-09-02 北京百度网讯科技有限公司 地理与视觉跨模态预训练模型的训练方法、定位调整方法
CN114998684B (zh) * 2022-05-20 2023-06-23 北京百度网讯科技有限公司 地理与视觉跨模态预训练模型的训练方法、定位调整方法
CN116862000A (zh) * 2023-09-01 2023-10-10 浪潮电子信息产业股份有限公司 一种生成式人工智能的因果思维链生成方法、装置及设备
CN116862000B (zh) * 2023-09-01 2024-01-23 浪潮电子信息产业股份有限公司 一种生成式人工智能的因果思维链生成方法、装置及设备
CN117892140A (zh) * 2024-03-15 2024-04-16 浪潮电子信息产业股份有限公司 视觉问答及其模型训练方法、装置、电子设备、存储介质
CN117892140B (zh) * 2024-03-15 2024-05-31 浪潮电子信息产业股份有限公司 视觉问答及其模型训练方法、装置、电子设备、存储介质

Also Published As

Publication number Publication date
CN113392253B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN113392253B (zh) 视觉问答模型训练及视觉问答方法、装置、设备及介质
CN115035538B (zh) 文本识别模型的训练方法、文本识别方法及装置
CN113642431B (zh) 目标检测模型的训练方法及装置、电子设备和存储介质
CN112541122A (zh) 推荐模型的训练方法、装置、电子设备及存储介质
CN113191256A (zh) 车道线检测模型的训练方法、装置、电子设备及存储介质
CN113553412B (zh) 问答处理方法、装置、电子设备和存储介质
CN112541332B (zh) 表单信息抽取方法、装置、电子设备及存储介质
CN113361578A (zh) 图像处理模型的训练方法、装置、电子设备及存储介质
CN116152833B (zh) 基于图像的表格还原模型的训练方法及表格还原方法
CN112632227B (zh) 简历匹配方法、装置、电子设备、存储介质和程序产品
CN113361363A (zh) 人脸图像识别模型的训练方法、装置、设备及存储介质
CN115063875A (zh) 模型训练方法、图像处理方法、装置和电子设备
CN113177449A (zh) 人脸识别的方法、装置、计算机设备及存储介质
CN114494776A (zh) 一种模型训练方法、装置、设备以及存储介质
CN117114063A (zh) 用于训练生成式大语言模型和用于处理图像任务的方法
CN114715145A (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN114937277A (zh) 基于图像的文本获取方法、装置、电子设备及存储介质
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN113886543A (zh) 生成意图识别模型的方法、装置、介质及程序产品
CN114972910A (zh) 图文识别模型的训练方法、装置、电子设备及存储介质
CN114490965A (zh) 问题处理方法、装置、电子设备和存储介质
CN114239583A (zh) 实体链指模型的训练及实体链指方法、装置、设备及介质
CN113051926A (zh) 文本抽取方法、设备和存储介质
CN113204616A (zh) 文本抽取模型的训练与文本抽取的方法、装置
CN113033431A (zh) 光学字符识别模型训练和识别方法、装置、设备及介质

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