CN113590865B - 图像搜索模型的训练方法及图像搜索方法 - Google Patents

图像搜索模型的训练方法及图像搜索方法 Download PDF

Info

Publication number
CN113590865B
CN113590865B CN202110778896.6A CN202110778896A CN113590865B CN 113590865 B CN113590865 B CN 113590865B CN 202110778896 A CN202110778896 A CN 202110778896A CN 113590865 B CN113590865 B CN 113590865B
Authority
CN
China
Prior art keywords
text
training
feature vector
target
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.)
Active
Application number
CN202110778896.6A
Other languages
English (en)
Other versions
CN113590865A (zh
Inventor
杨敏
朱若琳
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 CN202110778896.6A priority Critical patent/CN113590865B/zh
Publication of CN113590865A publication Critical patent/CN113590865A/zh
Priority to US17/742,994 priority patent/US20220269867A1/en
Application granted granted Critical
Publication of CN113590865B publication Critical patent/CN113590865B/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
    • G06F16/5866—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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G06F40/44—Statistical methods, e.g. probability models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了一种图像搜索模型的训练方法及图像搜索方法，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可应用于图像搜索场景下。具体实现方案为：获取样本文本，其中，样本文本包括第一语种文本和第二语种文本；基于样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，并基于目标语义转换网络生成最终的目标跨模态图文检索模型。由此，本公开能够在保持经过大规模数据训练的跨模态图文检索模型特征表示丰富且精准，且并未丢失迁移性的同时，仅进行了语义对齐，实现了任一语种文本到图像的跨模态搜索，提高了图像搜索模型的训练过程中的效率和可靠性。

Description

图像搜索模型的训练方法及图像搜索方法
技术领域
本公开涉及计算机技术领域，并且更具体地涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可应用于图像搜索场景下。
背景技术
检索技术应用在日常生活的方方面面，其大致可分为三个大方向，一是图像/视频检索，比如拍照搜索同款商品、相似短视频搜索；二是文本搜索文本，在搜索引擎中输入要搜索的关键词，既可检索试图搜索的文本信息。除此之外，使用文本搜索相应的图片或者视频的需求也日益提升。此时，输入信息的类型和获得的信息的类型不同，可以称之为“跨模态”检索。
然而，相关技术中，跨模态的图像搜索方式尚不完善，因此，往往存在搜索文本约束条件过于苛刻、搜索效率低、可靠性差等技术问题。因此，如何提高图像搜索模型的训练过程中的有效性和可靠性，已成为了重要的研究方向之一。
发明内容
本公开提供了一种图像搜索模型的训练方法及图像搜索方法。
根据本公开的一方面，提供了一种图像搜索模型的训练方法，包括：
获取样本文本，其中，所述样本文本包括第一语种文本和第二语种文本；
基于所述样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，并基于所述目标语义转换网络生成最终的目标跨模态图文检索模型；
其中，所述目标语义转换网络用于将所述样本文本的语义向目标语种的训练文本的语义进行对齐，所述训练文本用于训练所述跨模态图文检索模型。
根据本公开的另一方面，提供了一种图像搜索方法，包括：
获取搜索文本，其中，所述搜索文本为中文文本、英文文本或者中英混合文本中的一种；
将所述搜索文本输入目标跨模态图文搜索模型中，输出与所述搜索文本对应的目标搜索图像。
根据本公开的另一方面，提供了一种图像搜索模型的训练装置，包括：
获取模块，用于获取样本文本，其中，所述样本文本包括第一语种文本和第二语种文本；
生成模块，用于基于所述样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，并基于所述目标语义转换网络生成最终的目标跨模态图文检索模型；
其中，所述目标语义转换网络用于将所述样本文本的语义向目标语种的训练文本的语义进行对齐，所述训练文本用于训练所述跨模态图文检索模型。
根据本公开的另一方面，提供了一种图像搜索装置，包括：
获取模块，用于获取搜索文本，其中，所述搜索文本为中文文本、英文文本或者中英混合文本中的一种；
输出模块，用于将所述搜索文本输入目标跨模态图文搜索模型中，输出与所述搜索文本对应的目标搜索图像。
根据本公开的另一方面，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本公开第一方面所述的图像搜索模型的训练方法或者第二方面所述的图像搜索方法。
根据本公开的另一方面，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本公开第一方面所述的图像搜索模型的训练方法或者第二方面所述的图像搜索方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现根据本公开第一方面所述的图像搜索模型的训练方法或者第二方面所述的图像搜索方法。
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是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是一种第三特征向量获取过程的示意图；
图6是根据本公开第五实施例的示意图；
图7是一种目标搜索图像的示意图；
图8是另一种目标搜索图像的示意图；
图9是用来实现本公开实施例的图像搜索模型的训练方法的图像搜索模型的训练装置的框图；
图10是用来实现本公开实施例的图像搜索模型的训练方法的图像搜索模型的训练装置的框图；
图11是用来实现本公开实施例的图像搜索方法的图像搜索装置的框图；
图12是用来实现本公开实施例的图像搜索模型的训练方法以及图像搜索方法的电子设备的框图。
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。
以下对本公开的方案涉及的技术领域进行简要说明：
计算机技术(Computer Technology)，内容非常广泛，可粗略分为计算机系统技术、计算机器件技术、计算机部件技术和计算机组装技术等几个方面。计算机技术包括：运算方法的基本原理与运算器设计、指令系统、中央处理器(CPU)设计、流水线原理及其在CPU设计中的应用、存储体系、总线与输入输出。
AI(Artificial Intelligence，人工智能)，是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术，也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。
计算机视觉(Computer Vision)，是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。这里所指的信息指Shannon定义的，可以用来帮助做一个“决定”的信息。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。
DL(Deep Learning，深度学习)，是ML机器学习(Machine Learning，机器学习)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
下面参考附图描述本公开实施例的一种图像搜索模型的训练方法及图像搜索方法。
图1是根据本公开第一实施例的示意图。其中，需要说明的是，本实施例的图像搜索模型的训练方法的执行主体为图像搜索模型的训练装置，图像搜索模型的训练装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。
如图1所示，本实施例提出的图像搜索模型的训练方法，包括如下步骤：
S101、获取样本文本，其中，样本文本包括第一语种文本和第二语种文本。
其中，第一语种文本和第二语种文本，可以为任意不相同的语种文本。例如，第一语种文本可以为中文、第二语种文本可以为英文。
S102、基于样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，并基于目标语义转换网络生成最终的目标跨模态图文检索模型；其中，目标语义转换网络用于将样本文本的语义向目标语种的训练文本的语义进行对齐，训练文本用于训练跨模态图文检索模型。
其中，跨模态图文检索模型，包括语义转换网络和图像处理网络；目标跨模态图文检索模型，包括目标转换网络和图像处理网络。
需要说明的是，跨模态图文检索模型可以采用CLIP(Compression Learning byIn-Parallel Pruning)模型，CLIP模型是在海量数据上训练得到的一个预训练模型。此种情况下，语义转换网络可以采用transformer，图像处理网络可以采用vision transformer(VIT)，由此，CLIP模型可以看作是大规模文本监督训练得到的transformer模型。这样一来，跨模态图文检索模型处理的每张图像的标签不再是一个名词，而是一个句子，因此以往被强行分成同类的图像，就有了“无限细粒度”的标签。
举例而言，给图片打的标签是“萨摩耶”，而这种配对的例子，就可以学习“萨摩耶”身处不同环境、在做不同事情的细微差别，比如“雪地上奔跑的萨摩耶”等。
由此可知，CLIP模型的效果十分惊艳，在各个下游任务均有亮眼表现，然而，基于CLIP模型自身特点，CLIP模型无法直接应用在中文与图像的跨模态搜索上。本公开提出的图像搜索模型的训练方法，能够通过采用多语种样本文本对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，并基于目标语义转换网络生成最终的目标跨模态图文检索模型，提高了CLIP模型的适用性。
根据本公开实施例的图像搜索模型的训练方法，通过获取多语种的样本文本，并基于样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，并基于目标语义转换网络生成最终的目标跨模态图文检索模型，能够在保持经过大规模数据训练的跨模态图文检索模型特征表示丰富且精准，且并未丢失迁移性的同时，仅进行了语义对齐，实现了任一语种文本到图像的跨模态搜索，提高了图像搜索模型的训练过程中的效率和可靠性。
图2是根据本公开第二实施例的示意图。
如图2所示，本实施例提出的图像搜索模型的训练方法，包括如下步骤：
S201、获取样本文本，其中，样本文本包括第一语种文本和第二语种文本。
该步骤S201与上一实施例中的步骤S101相同，此处不再赘述。
上一实施例中的步骤S102中基于样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络的具体过程，包括步骤S202～S204：
S202、将样本文本输入至语义转换网络中，以输出样本文本对应的目标训练文本。
作为一种可能的实现方式，如图3所示，在上述实施例的基础上，上述步骤S202中将样本文本输入至语义转换网络中，以输出样本文本对应的目标训练文本的具体过程，包括以下步骤：
S301、对第一语种文本和第二语种文本分别进行特征提取，以获取第一语种文本的第一特征向量和第二语种文本的第二特征向量。
本公开实施例中，可以将第一语种文本和第二语种文本分别经过语义转换网络进行处理，以得到第一语种文本和第二语种文本的特征表示输出，例如，Es(Engli shsequence)和Cs(Chinese sequence)。
S302、根据第一特征向量和第二特征向量，生成第三特征向量。
作为一种可能的实现方式，如图4所示，在上述实施例的基础上，上述步骤S302中根据第一特征向量和第二特征向量，生成第三特征向量的具体过程，包括以下步骤：
S401、将第一特征向量和第二特征向量拼接，生成拼接特征向量。
本公开实施例中，可以将第一特征向量和第二特征向量通过分隔符进行连接，生成拼接特征向量。
举例而言，针对第一特征向量Es和第二特征向量Cs，可以通过分隔符[Sep]进行连接，生成拼接特征向量。
S402、基于拼接特征向量生成第三特征向量。
本公开实施例中，可以在拼接特征向量之前加入预留向量，以得到第三特征向量。
举例而言，如图5所示，对第一语种文本和第二语种文本分别提取文本特征后，在通过分隔符[Sep]进行连接，生成拼接特征向量Es[Sep]Cs。进一步地，在拼接特征向量之前加入预留向量[CLS]，以得到第三特征向量[CLS]Es[Sep]Cs。
S303、根据第三特征向量，获取样本文本对应的目标训练文本。
本公开实施例中，可以将第三特征向量与候选训练文本的第四特征向量进行相似度比较，以获取最高相似度的第四特征向量对应的候选训练文本，作为目标训练文本。
S203、获取样本文本和目标训练文本的相似度，并基于相似度确定语义转换网络的损失函数。
本公开实施例中，可以获取样本文本和目标训练文本的相似度，进而获取样本文本和目标训练文本的相似度差异，然后根据相似度差异，查询预先设定的相似度差异与损失函数调整策略的映射关系，从而确定语义转换网络的损失函数。
S204、基于损失函数对语义转换网络进行调整，以生成目标语义转换网络。
本公开实施例中，可以基于损失函数对语义转换网络的参数进行调整，并返回使用下一个样本文本继续对语义转换网络进行训练直至训练结束，生成目标语义转换网络。
需要说明的是，本公开中对于训练结束的条件不作设定，可以根据实际情况进行选取。例如，可以设定样本文本和目标训练文本的相似度差异小于相似度阈值。
根据本公开实施例的图像搜索模型的训练方法，可以通过将样本文本输入至语义转换网络中，以输出样本文本对应的目标训练文本，并获取样本文本和目标训练文本的相似度，并基于相似度确定语义转换网络的损失函数，进而基于损失函数对语义转换网络进行调整，以生成目标语义转换网络，从而实现目标语义转换网络的生成，能够很好适配下游模型，且训练过程较简单，不会破坏原来的参数，进一步提高了图像搜索模型的训练过程中的效率和可靠性。
图6是根据本公开第五实施例的示意图。其中，需要说明的是，本实施例的图像搜索方法的执行主体为图像搜索装置，图像搜索装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。
如图6所示，本实施例提出的图像搜索方法，包括如下步骤：
S601、获取搜索文本，其中，搜索文本为中文文本、英文文本或者中英混合文本中的一种。
例如，搜索文本可以为春节、spring festival或者春节spring festival中的一种。
需要说明的是，本公开中，搜索文本中的词组数量不作限定，可以为任一词组，或者至少两个词组的组合。例如，搜索文本可以为春节，也可以为城市，房屋。
S602、将搜索文本输入目标跨模态图文搜索模型中，输出与搜索文本对应的目标搜索图像。
例如，如图7所示，将搜索文本7-1(春节)输入目标跨模态图文搜索模型中，输出与搜索文本对应的目标搜索图像7-2。
又例如，如图8所示，将搜索文本8-1(城市，房屋)输入目标跨模态图文搜索模型中，输出与搜索文本对应的目标搜索图像8-2。
根据本公开实施例的图像搜索模型的训练方法，通过获取搜索文本，进而将搜索文本输入目标跨模态图文搜索模型中，输出与搜索文本对应的目标搜索图像，以实现基于文字的跨模态图像搜索，对搜索文字的语种不再进行限制，提高了图像搜索过程中的效率和适应性，提升了用户体验。
本公开的技术方案中，所涉及的用户个人信息的获取，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。
与上述几种实施例提供的图像搜索模型的训练方法相对应，本公开的一个实施例还提供一种图像搜索模型的训练装置，由于本公开实施例提供的图像搜索模型的训练装置与上述几种实施例提供的图像搜索模型的训练方法相对应，因此在图像搜索模型的训练方法的实施方式也适用于本实施例提供的图像搜索模型的训练装置，在本实施例中不再详细描述。
图9是根据本公开一个实施例的图像搜索模型的训练装置的结构示意图。
如图9所示，该图像搜索模型的训练装置900，包括：获取模块910和生成模块920。其中：
获取模块910，用于获取样本文本，其中，所述样本文本包括第一语种文本和第二语种文本；
生成模块920，用于基于所述样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，并基于所述目标语义转换网络生成最终的目标跨模态图文检索模型；
其中，所述目标语义转换网络用于将所述样本文本的语义向目标语种的训练文本的语义进行对齐，所述训练文本用于训练所述跨模态图文检索模型。
图10是根据本公开另一个实施例的图像搜索模型的训练装置的结构示意图。
如图10所示，该图像搜索模型的训练装置1000，包括：获取模块1010和生成模块1020。
其中，生成模块1020，还用于：
将所述样本文本输入至所述语义转换网络中，以输出所述样本文本对应的目标训练文本；
获取所述样本文本和所述目标训练文本的相似度，并基于所述相似度确定所述语义转换网络的损失函数；
基于所述损失函数对所述语义转换网络进行调整，以生成所述目标语义转换网络。
其中，生成模块1020，还用于：
对所述第一语种文本和所述第二语种文本分别进行特征提取，以获取所述第一语种文本的第一特征向量和所述第二语种文本的第二特征向量；
根据所述第一特征向量和所述第二特征向量，生成第三特征向量；
根据所述第三特征向量，获取所述样本文本对应的目标训练文本。
其中，生成模块1020，还用于：
将所述第三特征向量与候选训练文本的第四特征向量进行相似度比较，以获取最高相似度的所述第四特征向量对应的所述候选训练文本，作为所述目标训练文本。
其中，生成模块1020，还用于：
将所述第一特征向量和所述第二特征向量拼接，生成拼接特征向量；
基于所述拼接特征向量生成所述第三特征向量。
其中，生成模块1020，还用于：
将所述第一特征向量和所述第二特征向量通过分隔符进行连接，生成所述拼接特征向量。
其中，生成模块1020，还用于：
在所述拼接特征向量之前加入预留向量，以得到所述第三特征向量。
需要说明的是，获取模块1010与获取模块910具有相同功能和结构。
根据本公开实施例的图像搜索模型的训练装置，通过获取多语种的样本文本，并基于样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，并基于目标语义转换网络生成最终的目标跨模态图文检索模型，能够在保持经过大规模数据训练的跨模态图文检索模型特征表示丰富且精准，且并未丢失迁移性的同时，仅进行了语义对齐，实现了任一语种文本到图像的跨模态搜索，提高了图像搜索模型的训练过程中的效率和可靠性。
与上述几种实施例提供的图像搜索方法相对应，本公开的一个实施例还提供一种图像搜索装置，由于本公开实施例提供的图像搜索装置与上述几种实施例提供的图像搜索方法相对应，因此在图像搜索方法的实施方式也适用于本实施例提供的图像搜索装置，在本实施例中不再详细描述。
图11是根据本公开一个实施例的图像搜索装置的结构示意图。
如图11所示，该图像搜索装置1100，包括：获取模块1110和输出模块1120。其中：
获取模块，用于获取搜索文本，其中，所述搜索文本为中文文本、英文文本或者中英混合文本中的一种；
输出模块，用于将所述搜索文本输入目标跨模态图文搜索模型中，输出与所述搜索文本对应的目标搜索图像。
根据本公开实施例的图像搜索模型的训练方法，通过获取搜索文本，进而将搜索文本输入目标跨模态图文搜索模型中，输出与搜索文本对应的目标搜索图像，以实现基于文字的跨模态图像搜索，对搜索文字的语种不再进行限制，提高了图像搜索过程中的效率和适应性，提升了用户体验。
根据本公开的实施例，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12示出了可以用来实施本公开的实施例的示例电子设备1200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12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200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1201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1201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1201执行上文所描述的各个方法和处理，例如图像搜索模型的训练方法或者图像搜索方法。例如，在一些实施例中，图像搜索模型的训练或者图像搜索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1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的图像搜索模型的训练或者图像搜索方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像搜索模型的训练方法或者图像搜索方法。
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)、互联网以及区块链网络。
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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
本公开还提供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，实现如上所述的图像搜索模型的训练方法或者图像搜索方法。
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 (13)

1.一种图像搜索模型的训练方法，包括：
获取样本文本，其中，所述样本文本包括第一语种文本和第二语种文本；
基于所述样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，并基于所述目标语义转换网络生成最终的目标跨模态图文检索模型，其中，跨模态图文检索模型，包括语义转换网络和图像处理网络；目标跨模态图文检索模型，包括目标转换网络和图像处理网络；
其中，所述目标语义转换网络用于将所述样本文本的语义向目标语种的训练文本的语义进行对齐，所述训练文本用于训练所述跨模态图文检索模型；所述基于所述样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，包括：
将所述样本文本输入至所述语义转换网络中，以输出所述样本文本对应的目标训练文本；
获取所述样本文本和所述目标训练文本的相似度，并基于所述相似度确定所述语义转换网络的损失函数；
基于所述损失函数对所述语义转换网络进行调整，以生成所述目标语义转换网络；所述将所述样本文本输入至所述语义转换网络中，以输出所述样本文本对应的目标训练文本，包括：
对所述第一语种文本和所述第二语种文本分别进行特征提取，以获取所述第一语种文本的第一特征向量和所述第二语种文本的第二特征向量；
将所述第一特征向量和所述第二特征向量拼接，生成拼接特征向量；
基于所述拼接特征向量生成第三特征向量；
根据所述第三特征向量，获取所述样本文本对应的目标训练文本。
2.根据权利要求1所述的训练方法，其中，所述根据所述第三特征向量，获取所述样本文本对应的目标训练文本，包括：
将所述第三特征向量与候选训练文本的第四特征向量进行相似度比较，以获取最高相似度的所述第四特征向量对应的所述候选训练文本，作为所述目标训练文本。
3.根据权利要求1所述的训练方法，其中，所述将所述第一特征向量和所述第二特征向量拼接，生成拼接特征向量，包括：
将所述第一特征向量和所述第二特征向量通过分隔符进行连接，生成所述拼接特征向量。
4.根据权利要求1所述的训练方法，其中，所述基于所述拼接特征向量生成所述第三特征向量，包括：
在所述拼接特征向量之前加入预留向量，以得到所述第三特征向量。
5.一种图像搜索方法，包括：
获取搜索文本，其中，所述搜索文本为中文文本、英文文本或者中英混合文本中的一种；
将所述搜索文本输入如权利要求1-4中任一所述的目标跨模态图文检索模型中，输出与所述搜索文本对应的目标搜索图像。
6.一种图像搜索模型的训练装置，包括：
获取模块，用于获取样本文本，其中，所述样本文本包括第一语种文本和第二语种文本；
生成模块，用于基于所述样本文本，对跨模态图文检索模型中的语义转换网络中进行训练，以获取目标语义转换网络，并基于所述目标语义转换网络生成最终的目标跨模态图文检索模型，其中，跨模态图文检索模型，包括语义转换网络和图像处理网络；目标跨模态图文检索模型，包括目标转换网络和图像处理网络；
其中，所述目标语义转换网络用于将所述样本文本的语义向目标语种的训练文本的语义进行对齐，所述训练文本用于训练所述跨模态图文检索模型；所述生成模块，还用于：
将所述样本文本输入至所述语义转换网络中，以输出所述样本文本对应的目标训练文本；
获取所述样本文本和所述目标训练文本的相似度，并基于所述相似度确定所述语义转换网络的损失函数；
基于所述损失函数对所述语义转换网络进行调整，以生成所述目标语义转换网络；所述生成模块，还用于：
对所述第一语种文本和所述第二语种文本分别进行特征提取，以获取所述第一语种文本的第一特征向量和所述第二语种文本的第二特征向量；
将所述第一特征向量和所述第二特征向量拼接，生成拼接特征向量；
基于所述拼接特征向量生成第三特征向量；
根据所述第三特征向量，获取所述样本文本对应的目标训练文本。
7.根据权利要求6所述的训练装置，其中，所述生成模块，还用于：
将所述第三特征向量与候选训练文本的第四特征向量进行相似度比较，以获取最高相似度的所述第四特征向量对应的所述候选训练文本，作为所述目标训练文本。
8.根据权利要求6所述的训练装置，其中，所述生成模块，还用于：
将所述第一特征向量和所述第二特征向量通过分隔符进行连接，生成所述拼接特征向量。
9.根据权利要求6所述的训练装置，其中，所述生成模块，还用于：
在所述拼接特征向量之前加入预留向量，以得到所述第三特征向量。
10.一种图像搜索装置，包括：
获取模块，用于获取搜索文本，其中，所述搜索文本为中文文本、英文文本或者中英混合文本中的一种；
输出模块，用于将所述搜索文本输入如权利要求6-9中任一所述的训练装置中，输出与所述搜索文本对应的目标搜索图像。
11.一种电子设备，其特征在于，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-5中任一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
13.一种计算机程序产品，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1-5中任一项所述的方法。
CN202110778896.6A 2021-07-09 2021-07-09 图像搜索模型的训练方法及图像搜索方法 Active CN113590865B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110778896.6A CN113590865B (zh) 2021-07-09 2021-07-09 图像搜索模型的训练方法及图像搜索方法
US17/742,994 US20220269867A1 (en) 2021-07-09 2022-05-12 Method for training image search model and method for image search

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110778896.6A CN113590865B (zh) 2021-07-09 2021-07-09 图像搜索模型的训练方法及图像搜索方法

Publications (2)

Publication Number Publication Date
CN113590865A CN113590865A (zh) 2021-11-02
CN113590865B true CN113590865B (zh) 2022-11-22

Family

ID=78246700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110778896.6A Active CN113590865B (zh) 2021-07-09 2021-07-09 图像搜索模型的训练方法及图像搜索方法

Country Status (2)

Country Link
US (1) US20220269867A1 (zh)
CN (1) CN113590865B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114282552B (zh) * 2021-11-16 2022-11-04 北京百度网讯科技有限公司 非自回归翻译模型的训练方法及其装置
CN114549874B (zh) * 2022-03-02 2024-03-08 北京百度网讯科技有限公司 多目标图文匹配模型的训练方法、图文检索方法及装置
US20240112403A1 (en) * 2022-09-30 2024-04-04 Sony Interactive Entertainment LLC Rapid generation of 3d heads with natural language
CN116051668B (zh) * 2022-12-30 2023-09-19 北京百度网讯科技有限公司 文生图扩散模型的训练方法和基于文本的图像生成方法
CN117079048B (zh) * 2023-08-29 2024-05-14 贵州电网有限责任公司 基于clip模型的地质灾害图像识别方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709249B (zh) * 2020-05-29 2023-02-24 北京百度网讯科技有限公司 多语种模型的训练方法、装置、电子设备和存储介质
CN111539227B (zh) * 2020-07-06 2020-12-18 北京百度网讯科技有限公司 训练语义表示模型的方法、装置、设备和计算机存储介质
CN112668671B (zh) * 2021-03-15 2021-12-24 北京百度网讯科技有限公司 预训练模型的获取方法和装置

Also Published As

Publication number Publication date
CN113590865A (zh) 2021-11-02
US20220269867A1 (en) 2022-08-25

Similar Documents

Publication Publication Date Title
CN113590865B (zh) 图像搜索模型的训练方法及图像搜索方法
CN107679039B (zh) 用于确定语句意图的方法和装置
CN112528677B (zh) 一种语义向量提取模型的训练方法、装置及电子设备
CN113313022B (zh) 文字识别模型的训练方法和识别图像中文字的方法
CN112507706B (zh) 知识预训练模型的训练方法、装置和电子设备
CN112100332A (zh) 词嵌入表示学习方法及装置、文本召回方法及装置
CN114861889B (zh) 深度学习模型的训练方法、目标对象检测方法和装置
CN113407850B (zh) 一种虚拟形象的确定和获取方法、装置以及电子设备
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
CN113657395B (zh) 文本识别方法、视觉特征提取模型的训练方法及装置
KR20210091076A (ko) 비디오를 처리하기 위한 방법, 장치, 전자기기, 매체 및 컴퓨터 프로그램
JP2023022845A (ja) ビデオ処理方法、ビデオサーチ方法及びモデルトレーニング方法、装置、電子機器、記憶媒体及びコンピュータプログラム
US20230114673A1 (en) Method for recognizing token, electronic device and storage medium
CN111639228B (zh) 视频检索方法、装置、设备及存储介质
CN114490998A (zh) 文本信息的抽取方法、装置、电子设备和存储介质
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN114417879B (zh) 跨语言文本语义模型的生成方法、装置及电子设备
CN114528840A (zh) 融合上下文信息的中文实体识别方法、终端及存储介质
CN112507705B (zh) 一种位置编码的生成方法、装置及电子设备
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
CN110472241A (zh) 生成去冗余信息句向量的方法及相关设备
US11610396B2 (en) Logo picture processing method, apparatus, device and medium
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN115359323A (zh) 图像的文本信息生成方法和深度学习模型的训练方法
CN113705206B (zh) 情感预测模型的训练方法、装置、设备及存储介质

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