CN113807440B - 利用神经网络处理多模态数据的方法、设备和介质 - Google Patents

利用神经网络处理多模态数据的方法、设备和介质 Download PDF

Info

Publication number
CN113807440B
CN113807440B CN202111095097.5A CN202111095097A CN113807440B CN 113807440 B CN113807440 B CN 113807440B CN 202111095097 A CN202111095097 A CN 202111095097A CN 113807440 B CN113807440 B CN 113807440B
Authority
CN
China
Prior art keywords
modality
feature
cross
network
sub
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
CN202111095097.5A
Other languages
English (en)
Other versions
CN113807440A (zh
Inventor
陈帅
汪琦
杨虎
贺峰
冯知凡
柴春光
朱勇
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 CN202111095097.5A priority Critical patent/CN113807440B/zh
Publication of CN113807440A publication Critical patent/CN113807440A/zh
Application granted granted Critical
Publication of CN113807440B publication Critical patent/CN113807440B/zh
Priority to US17/945,415 priority patent/US20230010160A1/en
Priority to EP22196160.0A priority patent/EP4109347A3/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06N3/09—Supervised learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种利用神经网络处理多模态数据的方法、设备和介质，涉及人工智能领域，具体涉及多模态数据处理、视频分类技术和深度学习技术。该神经网络包括：输入子网络，被配置为接收多模态数据以输出多个模态各自的第一特征；多个跨模态特征子网络，并被配置为接收对应的两个模态各自的第一特征，以输出对应于两个模态的跨模态特征；多个跨模态融合子网络，每一个跨模态融合子网络被配置为接收对应于相应的目标模态和其他模态的至少一个跨模态特征，以输出目标模态的第二特征；以及输出子网络，被配置为接收多个模态各自的第二特征以输出对多模态数据的处理结果。

Description

利用神经网络处理多模态数据的方法、设备和介质
技术领域
本公开涉及人工智能领域，具体涉及多模态数据处理、视频分类技术和深度学习技术，特别涉及一种用于多模态数据的神经网络、利用神经网络处理多模态数据的方法、神经网络训练方法、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人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如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要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机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
近年来，随着软硬件技术的快速发展，多模态数据逐渐成为信息传递的主要方式之一。在多模态数据分发、多模态数据压缩、多模态数据分类等场景下，均需要对多模态数据进行处理。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于多模态数据的神经网络、利用神经网络处理多模态数据的方法、神经网络训练方法、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种用于多模态数据的神经网络，包括：输入子网络，输入子网络被配置为接收多模态数据以输出多模态数据所包括的多个模态各自的第一特征；多个跨模态特征子网络，多个跨模态特征子网络中的每一个对应多个模态中的两个模态，每一个跨模态特征子网络被配置为接收两个模态各自的第一特征，以输出对应于两个模态的跨模态特征；与多个模态一一对应的多个跨模态融合子网络，多个跨模态融合子网络中的每一个跨模态融合子网络被配置为针对与该跨模态融合子网络对应的目标模态，接收对应于目标模态的至少一个跨模态特征，以输出目标模态的第二特征；以及输出子网络，输出子网络被配置为接收多个模态各自的第二特征以输出对多模态数据的处理结果。
根据本公开的另一方面，提供了一种利用神经网络处理多模态数据的方法，神经网络包括顺序连接的输入子网络、并列的多个跨模态特征子网络、并列的多个跨模态融合子网络和输出子网络，其中，多个跨模态特征子网络中的每一个对应多模态数据所包括的多个模态中的两个模态，并且多个跨模态融合子网络与多个模态一一对应。其中，方法包括：将多模态数据输入输入子网络，以获取输入子网络输出的多个模态各自的第一特征；将多个模态中的每两个模态各自的第一特征输入对应的跨模态特征子网络，以获取多个跨模态特征子网络各自输出的对应于相应的两个模态的跨模态特征；针对多个模态中的每一个模态，将对应于该模态的至少一个跨模态特征输入与该模态对应的跨模态融合子网络，以获取多个跨模态融合子网络各自输出的相应的模态的第二特征；以及将多个模态各自的第二特征输入输出子网络，以获取输出子网络输出的对多模态数据的处理结果。
根据本公开的另一方面，提供了一种神经网络训练方法，包括：获取样本多模态数据和样本多模态数据的真实标签；将样本多模态数据输入上述神经网络，以获取神经网络输出的样本多模态数据的预测标签；基于预测标签和真实标签，计算损失值；以及基于损失值，调整神经网络的参数。
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；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。
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，其中，计算机指令用于使计算机执行上述方法。
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，其中，计算机程序在被处理器执行时实现上述方法。
根据本公开的一个或多个实施例，通过计算不同模态之间的跨模态特征，并且针对每个模态，基于与该模态对应的所有跨模态特征得到该模态的全局特征，而后基于每个模态的全局特征以对多模态数据进行分析，实现了各模态特征间的深度融合，加强了各模态特征间的交互，使得能够有效促进神经网络对多模态数据的深层次理解，提升了对多模态数据的处理结果的可信度和准确性。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开示例性实施例的用于多模态数据的神经网络的结构框图；
图3示出了根据本公开示例性实施例的输入子网络的结构框图；
图4示出了根据本公开示例性实施例的用于多模态数据的神经网络的结构框图；
图5示出了根据本公开示例性实施例的用于多模态数据的神经网络的结构框图；
图6示出了根据本公开示例性实施例的跨模态特征子网络的结构框图；
图7示出了根据本公开示例性实施例的利用神经网络处理多模态数据的方法的流程图；
图8示出了根据本公开示例性实施例的利用神经网络处理多模态数据的方法的流程图；
图9示出了根据本公开示例性实施例的神经网络训练方法的流程图；以及
图10出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中，由于多模态数据的数据量大、不同模态的数据包含的信息量不同、理解难度不同，现有的多模态数据处理方法往往只利用其中的少部分信息，而这样的方法容易造成对多模态数据的理解片面化。此外，现有的多模态数据处理方法在不同模态之间的交互有限，没有充分利用数据的多模态特性。
为解决上述问题，本公开通过计算不同模态之间的跨模态特征，并且针对每个模态，基于与该模态对应的所有跨模态特征得到该模态的全局特征，而后基于每个模态的全局特征以对多模态数据进行分析，实现了各模态特征间的深度融合，加强了各模态特征间的交互，使得能够有效促进神经网络对多模态数据的深层次理解，提升了对多模态数据的处理结果的可信度和准确性。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行利用神经网络处理多模态数据的方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)网络下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来进行信息验证。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口，例如，用户可以利用客户端通过各种输入设备采集多模态数据，也可以利用客户端处理多模态数据。客户端设备还可以经由该接口向用户输出信息，例如，客户端可以向用户输出数据处理的结果。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的一方面，提供了一种用于多模态数据的神经网络。如图2所示，神经网络200包括：输入子网络202，被配置为接收多模态数据210以输出多模态数据所包括的多个模态a、b、c各自的第一特征；多个跨模态特征子网络204，多个跨模态特征子网络204中的每一个对应多个模态中的两个模态，每一个跨模态特征子网络204被配置为接收两个模态各自的第一特征，以输出对应于两个模态的跨模态特征；与多个模态一一对应的多个跨模态融合子网络206，多个跨模态融合子网络中206的每一个跨模态融合子网络206被配置为针对与该跨模态融合子网络206对应的目标模态，接收对应于目标模态的至少一个跨模态特征，以输出目标模态的第二特征；以及输出子网络208，被配置为接收多个模态各自的第二特征以输出对多模态数据的处理结果212。
由此，通过计算不同模态之间的跨模态特征，并且针对每个模态，基于与该模态对应的所有跨模态特征得到该模态的全局特征，而后基于每个模态的全局特征以对多模态数据进行分析，实现了各模态特征间的深度融合，加强了各模态特征间的交互，使得能够有效促进神经网络对多模态数据的深层次理解，提升了对多模态数据的处理结果的可信度和准确性。
根据一些实施例，如图2所示，输入子网络、并列的多个跨模态特征子网络、并列的多个跨模态融合子网络和输出子网络可以是顺序连接的，以使得前一个子网络的输出能够作为后一个子网络的输入。
根据一些实施例，多模态数据可以为包括不同模态的数据的集合，例如可以为包括图像、音频、文本等模态的视频数据，也可以为包括商品ID、商品图像、商品宣传文本等模态的商品数据，还可以为包括各项生理指标数值、医学影像、病例文本等模态的医学数据，或者包括其他不同模态的数据，在此不做限定。在一个示例性实施例中，多模态数据可以为视频数据。
在本公开中，将主要使用视频数据以及图像、文本和音频三个模态作为示例进行说明，但不意图限定本公开的保护范围。可以理解的是，本领域技术人员可以将本公开中描述的神经网络和方法应用于任意多模态数据，在此不做限定。
根据一些实施例，输入子网络可以将原始多模态数据即包括文本的视频数据拆分为对应的图像数据、文本数据和音频数据。在一些实施例中，图像数据例如可以为包括全部视频帧的图像序列；文本数据例如可以为描述视频的文本，也可以为视频中的字幕文本，还可以为其他与视频相关的文本；音频数据可以为视频中的音频部分。可以理解的是，针对不同类型的多模态数据，可以采用相应的数据拆分方式，以得到各个模态各自对应的数据。
根据一些实施例，在将各个模态的数据输入到输入子网络之前，还可以对各个模态的数据进行预处理，以降低后续的数据处理难度，提升对数据的处理结果的准确性。
根据一些实施例，如图3所示，输入子网络300可以包括：多模态拆分子网络304，被配置为将多模态数据302拆分为多个模态各自的数据；与多个模态一一对应的多个特征提取子网络306，多个特征提取子网络306中的每一个特征提取子网络306被配置为：基于多模态数据302中的与该特征提取子网络306对应的模态的数据，确定该模态的初始特征序列，初始特征序列中的每一项对应该模态的数据的一部分；以及至少基于初始特征序列，确定该模态的第一特征308。由此，通过从模态数据中提取特征序列，再基于特征序列确定该模态的第一特征，从而能够得到对该模态的特征的综合表示。由此，通过从模态数据中提取特征序列，再基于特征序列确定该模态的第一特征，从而能够得到对该模态的特征的综合表示。
根据一些实施例，基于多模态数据中的与该特征提取子网络对应的模态的数据，确定该模态的初始特征序列例如可以包括：将数据切分、采样，以得到与每个模态的数据对应的多份数据，进而对多份数据进行特征提取，以得到相应的初始特征序列。在一个示例性实施例中，对于图像数据，根据预设规则提取其中的关键帧，并利用例如ResNet、Xception等图像专家模型对这些关键帧进行编码，以得到图像特征序列；对于文本数据，利用例如ERNIE、BERT等文本专家模型对每一个文本中的词进行编码，以得到文本特征序列；对于音频数据，可以按预设时长进行切分，经傅里叶变换转为频域信号，再利用例如VGGish等音频专家模型对每一段音频的频域信号进行编码，以得到音频特征序列。在一个示例性实施例中，图像模态的初始特征序列可以表示为
Figure BDA0003268930490000091
其中，
Figure BDA0003268930490000092
表示图像模态对应的序列中的第i项，该序列总共有l项。
根据一些实施例，不同模态的专家模型输出的特征序列的长度可以相同，也可以不同，不同模态的专家模型输出的特征序列中的特征的维度可以相同，也可以不同，在此不做限定。在一个示例性实施例中，不同模态的专家模型输出的特征序列中的特征的维度相同。
根据一些实施例，每个模态可以对应一个第一特征，作为该模态的数据的表示。在一些示例性实施例中，图像模态的第一特征例如可以通过将图像序列输入用于提取图像特征的神经网络得到，也可以使用传统图像特征提取方法得到，还可以使用其他方法得到。可以理解的是，针对不同模态的第一特征，本领域技术人员可以根据需求自行选择合适的特征提取方式以得到相应的第一特征，在此不做限定。根据一些实施例，不同模态的第一特征的维度可以相同，也可以不同，在此不做限定。在一个示例性实施例中，不同模态的第一特征的维度相同。
根据一些实施例，至少基于初始特征序列，确定该模态的第一特征可以包括：基于初始特征序列，确定第一特征分量；确定第二特征分量，第二特征分量能够指示该模态的类型；以及基于第一特征分量和第二特征分量，确定该模态的第一特征。由此，通过使用指示模态类型的特征分量，能够在特征空间中将不同模态的第一特征进行区分，从而提升神经网络模型对多模态数据的处理准确率。
在一个示例性实施例中，图像模态的第一特征分量可以表示为
Figure BDA0003268930490000101
第二特征分量可以表示为
Figure BDA0003268930490000102
根据一些实施例，第一特征分量可以是通过对初始特征序列进行最大池化而确定的。由此，通过对初始特征序列使用最大池化，使得得到的第一特征分量为对初始特征序列的综合表示，从而提升神经网络模型对多模态数据的处理准确率。可以理解的是，本领域技术人员也可以采用例如平均池化、随机采样、取中位值、加权求和等操作等其他方法基于初始特征序列得到第一特征分量，在此不作限定。
根据一些实施例，至少基于初始特征序列，确定该模态的第一特征还可以包括：确定第三特征分量，第三特征分量能够指示该在初始特征序列中的位置信息。在一个示例性实施例中，可以使用位置编码的方式得到第三特征分量。在一个示例性实施例中，与图像模态的初始特征序列对应的第三特征分量的序列可以表示为
Figure BDA0003268930490000103
该序列中的每一项均不同。可以确定与序列P中的每一项都不同的
Figure BDA0003268930490000104
作为第三特征分量。
根据一些实施例，可以通过将第一特征分量、第二特征分量和第三特征分量相加，以确定该模态的第一特征。在一个示例性实施例中，与图像模态对应的第一特征可以表示为：
Figure BDA0003268930490000111
根据一些实施例，在得到各个模态的第一特征之后，可以将第一特征映射为查询特征Q、键特征K和值特征V以输出。在一些实施例中，针对不同模态，可以使用不同的一组参数矩阵WQ、WK、WV对第一特征进行映射。由此，通过将第一特征映射为Q、K、V三个特征，能够便于后续生成深度融合的跨模态特征。
根据一些实施例，如图4所示，神经网络400还可以包括第一相关性计算子网络412，被配置为计算多个模态中的每两个模态之间的相关性系数。图4中的输入子网络402、多个跨模态特征子网络404、多个跨模态融合子网络406、输出子网络410、多模态数据414和处理结果416分别与图2中的输入子网络202、多个跨模态特征子网络204、多个跨模态融合子网络206、输出子网络208、多模态数据210和处理结果212类似，在此不做赘述。由此，通过引入相关性计算模块并计算每两个模态之间的相关性系数，使得能够基于模态间的相关性来融合跨模态特征，进而使得各模态的融合后的特征能够更多参考该模态同与该模态相关性更高的模态之间的跨模态特征，进一步提升了神经网络模型对多模态数据的处理准确率。
根据一些实施例，每两个模态之间的相关性系数例如可以是根据先验知识而确定的，也可以是基于这两个模态各自的第一特征得到的。还可以是基于这两个模态各自的第一特征分量得到的，或者根据其他方式确定的，在此不作限定。
根据一些实施例，第一相关性计算子网络412位于输入子网络402和多个跨模态融合子网络406之间。在一个示例性实施例中，两个模态之间的相关性系数是通过将两个模态各自的第一特征分量进行点乘而得到的。在另一个实施例中，两个模态之间的相关性系数是通过将第一个模态的第一特征分量乘以一个参数矩阵，再将结果与第二个模态的第一特征分量相乘而得到的。其中，参数矩阵的参数是对神经网络进行训练而确定的。通过使用参数矩阵，能够解决不同模态之间的第一特征或第一特征分量的维度不同的问题，并且能够通过训练以调整不同模态间的相关性系数，从而增强高相关性模态之间的跨模态特征，弱化低相关性模态之间的跨模态特征，实现了将各模态特征间的深度融合。
根据一些实施例，第一相关性计算子网络412可以被进一步配置为针对多个模态中的每一个模态，将该模态与除该模态外的每一个其他模态之间的相关性系数进行归一化。由此，通过对这些相关性系数进行归一化，避免了过高或过低的相关性系数给系统带来的潜在风险。在一个示例性实施例中，使用softmax函数对相关性系数进行处理。
在得到多个模态各自的第一特征后，可以利用多个跨模态特征子网络404确定每两个模态间的跨模态特征。根据一些实施例，跨模态特征子网络404可以被配置为对对应的两个模态各自的第一特征的执行最大池化、平均池化、随机采样、取中位数、加权求和等操作，以得到跨模态特征，也可以被配置为利用小型神经网络处理由两个模态各自的第一特征拼接而成的特征以得到跨模态特征，还可以被配置为根据其他方式确定跨模态特征，在此不做限定。
在得到每两个模态间的跨模态特征后，可以利用多个跨模态融合子网络406确定每一个模态与其他模态融合后的第二特征。
根据一些实施例，跨模态融合子网络406可以被配置为与目标模态对应的至少一个跨模态特征执行最大池化、平均池化、随机采样、取中位数、加权求和等操作，以得到目标模态的第二特征，也可以被配置为利用小型神经网络处理由至少一个跨模态特征拼接而成的特征以得到第二特征，还可以被配置为根据其他方式确定第二特征，在此不做限定。可以理解的是，跨模态特征可以同时对应于两个模态，即同时包含这两个模态各自的信息。与目标模态对应的跨模态特征在对应目标模态的同时，还可以对应除目标模态外的另一个模态。
根据一些实施例，跨模态融合子网络406被进一步配置为基于至少一个跨模态特征各自对应的两个模态之间的相关性系数，融合至少一个跨模态特征，以输出目标模态的第二特征。图4中的虚线表示相关性系数。在一个示例性实施例中，可以将这些相关性系数作为权重，对至少一个跨模态特征进行加权求和，以得到第二特征。由此，基于模态间的相关性系数来融合跨模态特征，使得特定模态的融合后的特征能够更多参考该模态同与该模态相关性更高的模态之间的跨模态特征。
在得到多个模态各自的第二特征后，可以对第二特征使用自注意力机制，以进一步强化特征。根据一些实施例，如图4所示，在多个跨模态融合子网络406和输出子网络410之间还包括与多个模态一一对应的多个局部注意力子网络408。局部注意力子网络408可以被配置为对第二特征使用自注意力机制，以输出强化后的第二特征。在一个示例性实施例中，可以基于Transformer网络模型的编码器的结构对局部注意力子网络进行设计，以包括顺序连接的多头注意力子网络和前馈子网络(图中未示出)。可以理解的是，本领域技术人员可以自行选择合适的网络模型作为局部注意力子网络，也可以根据需求自行设计局部注意力子网络，在此不做限定。
根据一些实施例，输出子网络410可以被配置为基于多个模态各自的第二特征以输出对多模态数据的处理结果。具体地，输出子网络410可以基于多个模态各自的第二特征，确定多模态数据的最终特征，进而根据相应的任务需求，对该最终特征进行处理，以得到相应的处理结果416。
根据一些实施例，输出子网络410可以被配置为对多个模态各自的第二特征直接拼接，以得到相应的最终特征，也可以被配置为对这些第二特征执行最大池化、平均池化、随机采样、取中位数、加权求和等操作，以得到相应的最终特征，还可以以其他的方式对这些第二特征进行处理，以得到相应的最终特征，在此不做限定。在一个示例性实施例中，可以将强化后的图像模态第二特征
Figure BDA0003268930490000131
强化后的文本模态第二特征
Figure BDA0003268930490000132
强化后的音频模态第二特征
Figure BDA0003268930490000133
进行拼接，以得到相应的最终特征：
Figure BDA0003268930490000134
Figure BDA0003268930490000135
根据一些实施例，针对视频分类任务，输出子网络410可以包括现有的用于执行分类任务的神经网络(图中未示出)，以处理视频数据的最终特征。在一个示例性实施例中，输出子网络410例如可以包括一层全连接层用以处理该最终特征，以得到对应于各个类别的预测值，进而能够确定视频分类结果。
综上所述，通过计算不同模态之间的跨模态特征和相关性系数，并且针对每个模态，基于与该模态对应的所有跨模态特征和相应的相关性系数得到该模态的全局特征，而后基于每个模态的全局特征以对多模态数据进行分析，实现了各模态特征间的深度融合，加强了各模态特征间的交互，从而提升了对多模态数据的处理结果的可信度和准确性。在此基础上，可以引入模态间关系的方向性，从而进一步加深各模态特征间的融合与交互，促进神经网络对多模态数据的深层次理解。
根据一些实施例，如图5所示，神经网络500还可以包括：第二相关性计算子网络512，被配置为确定多个模态中的每一个模态对于除该模态外的每一个其他模态的相关性系数。其中，相关性系数是至少基于对应的两个模态各自的第一特征确定的。图5中的输入子网络502、局部注意力子网络508、输出子网络510、多模态数据514和处理结果516分别与图4中的输入子网络402、局部注意力子网络408、输出子网络410、多模态数据414和处理结果416类似，在此不做赘述。由此，通过引入计算两个模态之间的具有方向的相关性系数，使得能够基于模态间的具有方向的相关性来融合具有方向的跨模态特征，从而进一步加深各模态特征间的融合与交互，提升了神经网络模型对多模态数据的处理准确率。
根据一些实施例，每两个模态之间的相关性系数例如可以是根据先验知识而确定的，也可以是基于这两个模态各自的第一特征得到的。还可以是基于这两个模态各自的第一特征分量得到的，或者根据其他方式确定的，在此不作限定。
根据一些实施例，第二相关性计算子网络512位于输入子网络502和多个跨模态融合子网络506之间。在一个示例性实施例中，第一模态对于第二模态的相关性系数是通过将第一模态的第一特征分量和第二模态的第一特征分类进行点乘而得到的。在另一个实施例中，两个模态之间的相关性系数是通过将第一个模态的第一特征分量乘以一个参数矩阵，再将结果与第二个模态的第一特征分量相乘而得到的。其中，参数矩阵的参数是对神经网络进行训练而确定的。通过使用参数矩阵，能够解决不同模态之间的第一特征或第一特征分量的维度不同的问题，并且能够通过训练以调整不同模态间的相关性系数，从而增强高相关性模态之间的跨模态特征，弱化低相关性模态之间的跨模态特征，实现了将各模态特征间的深度融合。在一个示例性实施例中，图像模态对于文本模态的相关性系数例如可以表示为：
Figure BDA0003268930490000151
其中，
Figure BDA0003268930490000152
为图像模态的第一特征分量，W为参数矩阵，
Figure BDA0003268930490000153
为文本模态的第一特征分量。
根据一些实施例，第二相关性计算子网络512可以被进一步配置为针对多个模态中的每一个模态，将该模态对于除该模态外的每一个其他模态的相关性系数进行归一化。由此，通过对这些相关性系数进行归一化，避免了过高或过低的相关性系数给系统带来的潜在风险。在一个示例性实施例中，使用softmax函数对相关性系数进行处理，图像模态对于文本模态的相关性系数被处理为：
Figure BDA0003268930490000154
其中，exp(·)表示指数函数。Score(Hv,Ht)表示图像模态对于文本模态的相关性系数，Score(Hv,Ha)表示图像模态对于音频模态的相关性系数。
根据一些实施例，跨模态特征子网络504被进一步配置为针对与该跨模态特征子网络504对应的第一模态和第二模态，输出第一模态对于第二模态的第一跨模态特征和第二模态对于第一模态的第二跨模态特征。由此，通过引入跨模态特征的方向性，进一步细化了模态之间的融合与交互关系，进一步促进了模型对多模态数据的深层次理解，提升了模型的处理结果的可信度和准确性。
根据一些实施例，跨模态特征子网络504被进一步配置为：接收第一模态的查询特征、键特征和值特征以及第二模态的查询特征、键特征和值特征；基于第一模态的查询特征、第二模态的键特征和第二模态的值特征，确定第一跨模态特征；以及基于第二模态的查询特征、第一模态的键特征和第一模态的值特征，确定第二跨模态特征。由此，通过上述方式，能够进一步细化模态之间的融合和交互方式，提升模态间的融合程度，促进了模型对多模态数据的深层次理解，提升了模型的处理结果的可信度和准确性。
根据一些实施例，跨模态特征子网络可以以类似于Transformer模型的编码器的结构进行设计。在一个示例性实施例中，如图6所示，图像模态的第一特征614被映射为查询特征Qv、键特征Kv、值特征Vv，文本模态的第一特征616被映射为查询特征Qt、键特征Kt、值特征Vt。跨模态特征子网络600包括对应图像模态的第一子网络602和对应文本模态的第二子网络604，第一子网络602包括顺序连接的第一多头注意力子网络606和第一前馈子网络608，第二子网络604包括顺序连接的第二多头注意力子网络610和第二前馈子网络612。其中，第一多头注意力子网络606接收Qv、Kt、Vt，并将输出的特征输入到第一前馈子网络608，进而第一前馈子网络608输出图像模态对于文本模态的跨模态特征618。类似地，第二多头注意力子网络610接收Qt、Kv、Vv，并将输出的特征输入到第二前馈子网络612，进而第二前馈子网络612输出文本模态对于图像模态的跨模态特征620。多头注意力子网络对输入特征的处理可以表示为：
Figure BDA0003268930490000161
其中，Q、K、V可以分别表示对应的查询特征、键特征、值特征，也可以分别表示将查询特征、键特征、值特征进行进一步映射后得到的查询矩阵、键矩阵、值矩阵，在此不做限定。d表示查询特征、键特征、值特征的长度。需要注意的是，查询特征、键特征、值特征通常具有相同的长度。如果三者的长度不同，则可以将其映射为具有相同长度的特征，或将其映射为在某一维度上具有相同长度的矩阵。
在得到每两个模态间的跨模态特征后，可以利用多个跨模态融合子网络506将每一个模态对于其他模态的跨模态特征进行融合，以得到对应的模态的第二特征。根据一些实施例，每一个跨模态融合子网络506被进一步配置为接收目标模态分别对于至少一个其他模态的至少一个跨模态特征，以输出目标模态的第二特征。在一些实施例中，跨模态融合子网络可以被配置为对对应的目标模态对于至少一个其他模态的至少一个跨模态特征执行最大池化、平均池化、随机采样、取中位数、加权求和等操作，以得到目标模态的第二特征，也可以被配置为利用小型神经网络处理由至少一个跨模态特征拼接而成的特征以得到第二特征，还可以被配置为根据其他方式确定第二特征，在此不做限定。
根据一些实施例，跨模态融合子网络506被进一步配置为基于目标模态分别对于至少一个其他模态的至少一个相关性系数，融合目标模态对于至少一个其他模态的至少一个跨模态特征，以输出目标模态的第二特征。在一个示例性实施例中，可以将这些相关性系数作为权重，对至少一个跨模态特征进行加权求和，以得到第二特征。在一个示例性实施例中，与图像模态对应的跨模态融合子网络506对图像-文本跨模态特征
Figure BDA0003268930490000171
图像-音频跨模态特征
Figure BDA0003268930490000172
图像-文本相关性系数Rvt和图像-音频相关性系数Rva的处理可以表示为：
Figure BDA0003268930490000173
其中，
Figure BDA0003268930490000174
为图像模态的第二特征。
由此，基于模态间的具有方向性的相关性系数来融合同样具有方向性的跨模态特征，进一步细化了模态之间的融合与交互关系，进一步促进了模型对多模态数据的深层次理解，提升了模型的处理结果的可信度和准确性。
根据本公开的另一方面，提供了一种利用神经网络处理多模态数据的方法。神经网络包括顺序连接的输入子网络、并列的多个跨模态特征子网络、并列的多个跨模态融合子网络和输出子网络，其中，多个跨模态特征子网络中的每一个对应多模态数据所包括的多个模态中的两个模态，并且多个跨模态融合子网络与多个模态一一对应。如图7所述，该方法包括：步骤S701、将多模态数据输入输入子网络，以获取输入子网络输出的多个模态各自的第一特征；步骤S702、将多个模态中的每两个模态各自的第一特征输入对应的跨模态特征子网络，以获取多个跨模态特征子网络各自输出的对应于相应的两个模态的跨模态特征；步骤S703、针对多个模态中的每一个模态，将对应于该模态的至少一个跨模态特征输入与该模态对应的跨模态融合子网络，以获取多个跨模态融合子网络各自输出的相应的模态的第二特征；以及步骤S704、将多个模态各自的第二特征输入输出子网络，以获取输出子网络输出的对多模态数据的处理结果。
由此，通过计算不同模态之间的跨模态特征，并且针对每个模态，基于与该模态对应的所有跨模态特征得到该模态的全局特征，而后基于每个模态的全局特征以对多模态数据进行分析，实现了各模态特征间的深度融合，加强了各模态特征间的交互，使得能够有效促进神经网络对多模态数据的深层次理解，提升了对多模态数据的处理结果的可信度和准确性。
根据一些实施例，多模态数据可以为包括不同模态的数据的集合，例如可以为包括图像、音频、文本等模态的视频数据，也可以为包括商品ID、商品图像、商品宣传文本等模态的商品数据，还可以为包括各项生理指标数值、医学影像、病例文本等模态的医学数据，或者包括其他不同模态的数据，在此不做限定。在一个示例性实施例中，多模态数据可以为视频数据。
根据一些实施例，输入子网络可以将原始多模态数据即包括文本的视频数据拆分为对应的图像数据、文本数据和音频数据。在一些实施例中，图像数据例如可以为包括全部视频帧的图像序列；文本数据例如可以为描述视频的文本，也可以为视频中的字幕文本，还可以为其他与视频相关的文本；音频数据可以为视频中的音频部分。可以理解的是，针对不同类型的多模态数据，可以采用相应的数据拆分方式，以得到各个模态各自对应的数据。
根据一些实施例，在将各个模态的数据输入到输入子网络之前，还可以对各个模态的数据进行预处理，以降低后续的数据处理难度，提升对数据的处理结果的准确性。
根据一些实施例，输入子网络可以包括：多模态拆分子网络，被配置为将多模态数据拆分为多个模态各自的数据；与多个模态一一对应的多个特征提取子网络。在一些实施例中，步骤S701、将多模态数据输入输入子网络，以获取输入子网络输出的多个模态各自的第一特征可以包括：将多个模态各自的数据分别输入对应的特征提取子网络，以获取多个特征提取子网络各自输出的对应的模态的第一特征。
根据一些实施例，多个特征提取子网络中的每一个特征提取子网络被配置为：基于多模态数据中的与该特征提取子网络对应的模态的数据，确定该模态的初始特征序列，初始特征序列中的每一项对应该模态的数据的一部分；以及至少基于初始特征序列，确定该模态的第一特征。由此，通过从模态数据中提取特征序列，再基于特征序列确定该模态的第一特征，从而能够得到对该模态的特征的综合表示。由此，通过从模态数据中提取特征序列，再基于特征序列确定该模态的第一特征，从而能够得到对该模态的特征的综合表示。
根据一些实施例，基于多模态数据中的与该特征提取子网络对应的模态的数据，确定该模态的初始特征序列例如可以包括：将数据切分、采样，以得到与每个模态的数据对应的多份数据，进而对多份数据进行特征提取，以得到相应的初始特征序列。在一个示例性实施例中，对于图像数据，根据预设规则提取其中的关键帧，并利用例如ResNet、Xception等图像专家模型对这些关键帧进行编码，以得到图像特征序列；对于文本数据，利用例如ERNIE、BERT等文本专家模型对每一个文本中的词进行编码，以得到文本特征序列；对于音频数据，可以按预设时长进行切分，经傅里叶变换转为频域信号，再利用例如VGGish等音频专家模型对每一段音频的频域信号进行编码，以得到音频特征序列。
根据一些实施例，不同模态的专家模型输出的特征序列的长度可以相同，也可以不同，不同模态的专家模型输出的特征序列中的特征的维度可以相同，也可以不同，在此不做限定。在一个示例性实施例中，不同模态的专家模型输出的特征序列中的特征的维度相同。
根据一些实施例，每个模态可以对应一个第一特征，作为该模态的数据的表示。在一些示例性实施例中，图像模态的第一特征例如可以通过将图像序列输入用于提取图像特征的神经网络得到，也可以使用传统图像特征提取方法得到，还可以使用其他方法得到。可以理解的是，针对不同模态的第一特征，本领域技术人员可以根据需求自行选择合适的特征提取方式以得到相应的第一特征，在此不做限定。根据一些实施例，不同模态的第一特征的维度可以相同，也可以不同，在此不做限定。在一个示例性实施例中，不同模态的第一特征的维度相同。
根据一些实施例，至少基于初始特征序列，确定该模态的第一特征可以包括：基于初始特征序列，确定第一特征分量；确定第二特征分量，第二特征分量能够指示该模态的类型；以及基于第一特征分量和第二特征分量，确定该模态的第一特征。由此，通过使用指示模态类型的特征分量，能够在特征空间中将不同模态的第一特征进行区分，从而提升神经网络模型对多模态数据的处理准确率。
根据一些实施例，第一特征分量可以是通过对初始特征序列进行最大池化而确定的。由此，通过对初始特征序列使用最大池化，使得得到的第一特征分量为对初始特征序列的综合表示，从而提升神经网络模型对多模态数据的处理准确率。可以理解的是，本领域技术人员也可以采用例如平均池化、随机采样、取中位值、加权求和等操作等其他方法基于初始特征序列得到第一特征分量，在此不作限定。
根据一些实施例，至少基于初始特征序列，确定该模态的第一特征还可以包括：确定第三特征分量，第三特征分量能够指示该在初始特征序列中的位置信息。在一个示例性实施例中，可以使用位置编码的方式得到第三特征分量。
根据一些实施例，可以通过将第一特征分量、第二特征分量和第三特征分量相加，以确定该模态的第一特征。
根据一些实施例，在得到各个模态的第一特征之后，可以将第一特征映射为查询特征Q、键特征K和值特征V以输出。在一些实施例中，针对不同模态，可以使用不同的一组参数矩阵WQ、WK、WV对第一特征进行映射。由此，通过将第一特征映射为Q、K、V三个特征，能够便于后续生成深度融合的跨模态特征。
根据一些实施例，神经网络还包括：第一相关性计算子网络。方法还可以包括：获取所述第一相关性计算子网络输出的所述多个模态中的每两个模态之间的相关性系数。由此，通过引入相关性计算模块并计算每两个模态之间的相关性系数，使得能够基于模态间的相关性来融合跨模态特征，进而使得各模态的融合后的特征能够更多参考该模态同与该模态相关性更高的模态之间的跨模态特征，进一步提升了神经网络模型对多模态数据的处理准确率。
根据一些实施例，每两个模态之间的相关性系数例如可以是根据先验知识而确定的，也可以是基于这两个模态各自的第一特征得到的。还可以是基于这两个模态各自的第一特征分量得到的，或者根据其他方式确定的，在此不作限定。
根据一些实施例，第一相关性计算子网络位于输入子网络和多个跨模态融合子网络之间。在一个示例性实施例中，两个模态之间的相关性系数是通过将两个模态各自的第一特征分量进行点乘而得到的。在另一个实施例中，两个模态之间的相关性系数是通过将第一个模态的第一特征分量乘以一个参数矩阵，再将结果与第二个模态的第一特征分量相乘而得到的。其中，参数矩阵的参数是对神经网络进行训练而确定的。通过使用参数矩阵，能够解决不同模态之间的第一特征或第一特征分量的维度不同的问题，并且能够通过训练以调整不同模态间的相关性系数，从而增强高相关性模态之间的跨模态特征，弱化低相关性模态之间的跨模态特征，实现了将各模态特征间的深度融合。
根据一些实施例，第一相关性计算子网络可以被进一步配置为针对多个模态中的每一个模态，将该模态与除该模态外的每一个其他模态之间的相关性系数进行归一化。由此，通过对这些相关性系数进行归一化，避免了过高或过低的相关性系数给系统带来的潜在风险。在一个示例性实施例中，使用softmax函数对相关性系数进行处理。
在得到多个模态各自的第一特征后，可以利用多个跨模态特征子网络确定每两个模态间的跨模态特征。根据一些实施例，跨模态特征子网络可以被配置为对对应的两个模态各自的第一特征的执行最大池化、平均池化、随机采样、取中位数、加权求和等操作，以得到跨模态特征，也可以被配置为利用小型神经网络处理由两个模态各自的第一特征拼接而成的特征以得到跨模态特征，还可以被配置为根据其他方式确定跨模态特征，在此不做限定。
在得到每两个模态间的跨模态特征后，可以利用多个跨模态融合子网络确定每一个模态与其他模态融合后的第二特征。
根据一些实施例，跨模态融合子网络可以被配置为与目标模态对应的至少一个跨模态特征执行最大池化、平均池化、随机采样、取中位数、加权求和等操作，以得到目标模态的第二特征，也可以被配置为利用小型神经网络处理由至少一个跨模态特征拼接而成的特征以得到第二特征，还可以被配置为根据其他方式确定第二特征，在此不做限定。可以理解的是，跨模态特征可以同时对应于两个模态，即同时包含这两个模态各自的信息。与目标模态对应的跨模态特征在对应目标模态的同时，还可以对应除目标模态外的另一个模态。
根据一些实施例，跨模态融合子网络被进一步配置为基于至少一个跨模态特征各自对应的两个模态之间的相关性系数，融合至少一个跨模态特征，以输出目标模态的第二特征。在一个示例性实施例中，可以将这些相关性系数作为权重，对至少一个跨模态特征进行加权求和，以得到第二特征。由此，基于模态间的相关性系数来融合跨模态特征，使得特定模态的融合后的特征能够更多参考该模态同与该模态相关性更高的模态之间的跨模态特征。
在得到多个模态各自的第二特征后，可以对第二特征使用自注意力机制，以进一步强化特征。根据一些实施例，在多个跨模态融合子网络和输出子网络之间还包括与多个模态一一对应的多个局部注意力子网络。局部注意力子网络可以被配置为对第二特征使用自注意力机制，以输出强化后的第二特征。在一个示例性实施例中，可以基于Transformer网络模型的编码器的结构对局部注意力子网络进行设计，以包括顺序连接的多头注意力子网络和前馈子网络。可以理解的是，本领域技术人员可以自行选择合适的网络模型作为局部注意力子网络，也可以根据需求自行设计局部注意力子网络，在此不做限定。
根据一些实施例，输出子网络可以被配置为基于多个模态各自的第二特征以输出对多模态数据的处理结果。具体地，输出子网络可以基于多个模态各自的第二特征，确定多模态数据的最终特征，进而根据相应的任务需求，对该最终特征进行处理，以得到相应的处理结果。
根据一些实施例，输出子网络可以被配置为对多个模态各自的第二特征直接拼接，以得到相应的最终特征，也可以被配置为对这些第二特征执行最大池化、平均池化、随机采样、取中位数、加权求和等操作，以得到相应的最终特征，还可以以其他的方式对这些第二特征进行处理，以得到相应的最终特征，在此不做限定。
根据一些实施例，针对视频分类任务，输出子网络可以包括现有的用于执行分类任务的神经网络，以处理视频数据的最终特征。在一个示例性实施例中，输出子网络例如可以包括一层全连接层用以处理该最终特征，以得到对应于各个类别的预测值，进而能够确定视频分类结果。
综上所述，通过计算不同模态之间的跨模态特征和相关性系数，并且针对每个模态，基于与该模态对应的所有跨模态特征和相应的相关性系数得到该模态的全局特征，而后基于每个模态的全局特征以对多模态数据进行分析，实现了各模态特征间的深度融合，加强了各模态特征间的交互，从而提升了对多模态数据的处理结果的可信度和准确性。在此基础上，可以引入模态间关系的方向性，从而进一步加深各模态特征间的融合与交互，促进神经网络对多模态数据的深层次理解。
根据一些实施例，神经网络还包括：第二相关性计算子网络，被配置为确定多个模态中的每一个模态对于除该模态外的每一个其他模态的相关性系数。如图8所示，方法还包括：步骤S802、将多个模态各自的第一特征输入第二相关性计算子网络，以获取第二相关性计算子网络输出的多个模态中的每一个模态对于除该模态外的每一个其他模态的相关性系数。其中，相关性系数是至少基于对应的两个模态各自的第一特征确定的。图8中的步骤S801、步骤S803-步骤S805的操作分别与图7中的步骤S701-步骤S704的操作类似，在此不做赘述。由此，通过引入计算两个模态之间的具有方向的相关性系数，使得能够基于模态间的具有方向的相关性来融合具有方向的跨模态特征，从而进一步加深各模态特征间的融合与交互，提升了神经网络模型对多模态数据的处理准确率。
根据一些实施例，每两个模态之间的相关性系数例如可以是根据先验知识而确定的，也可以是基于这两个模态各自的第一特征得到的。还可以是基于这两个模态各自的第一特征分量得到的，或者根据其他方式确定的，在此不作限定。
根据一些实施例，第二相关性计算子网络位于输入子网络和多个跨模态融合子网络之间。在一个示例性实施例中，第一模态对于第二模态的相关性系数是通过将第一模态的第一特征分量和第二模态的第一特征分类进行点乘而得到的。在另一个实施例中，两个模态之间的相关性系数是通过将第一个模态的第一特征分量乘以一个参数矩阵，再将结果与第二个模态的第一特征分量相乘而得到的。其中，参数矩阵的参数是对神经网络进行训练而确定的。通过使用参数矩阵，能够解决不同模态之间的第一特征或第一特征分量的维度不同的问题，并且能够通过训练以调整不同模态间的相关性系数，从而增强高相关性模态之间的跨模态特征，弱化低相关性模态之间的跨模态特征，实现了将各模态特征间的深度融合。
根据一些实施例，第二相关性计算子网络可以被进一步配置为针对多个模态中的每一个模态，将该模态对于除该模态外的每一个其他模态的相关性系数进行归一化。由此，通过对这些相关性系数进行归一化，避免了过高或过低的相关性系数给系统带来的潜在风险。在一个示例性实施例中，使用softmax函数对相关性系数进行处理。
根据一些实施例，每一个跨模态特征子网络被进一步配置为针对与该跨模态特征子网络对应的第一模态和第二模态，输出第一模态对于第二模态的第一跨模态特征和第二模态对于第一模态的第二跨模态特征。由此，通过引入跨模态特征的方向性，进一步细化了模态之间的融合与交互关系，进一步促进了模型对多模态数据的深层次理解，提升了模型的处理结果的可信度和准确性。
根据一些实施例，跨模态特征子网络被进一步配置为：接收第一模态的查询特征、键特征和值特征以及第二模态的查询特征、键特征和值特征；基于第一模态的查询特征、第二模态的键特征和第二模态的值特征，确定第一跨模态特征；以及基于第二模态的查询特征、第一模态的键特征和第一模态的值特征，确定第二跨模态特征。由此，通过上述方式，能够进一步细化模态之间的融合和交互方式，提升模态间的融合程度，促进了模型对多模态数据的深层次理解，提升了模型的处理结果的可信度和准确性。
根据一些实施例，跨模态特征子网络可以以类似于Transformer模型的编码器的结构进行设计。
根据一些实施例，每一个跨模态融合子网络被进一步配置为接收目标模态分别对于至少一个其他模态的至少一个跨模态特征，以输出目标模态的第二特征。在一些实施例中，跨模态融合子网络可以被配置为对对应的目标模态对于至少一个其他模态的至少一个跨模态特征执行最大池化、平均池化、随机采样、取中位数、加权求和等操作，以得到目标模态的第二特征，也可以被配置为利用小型神经网络处理由至少一个跨模态特征拼接而成的特征以得到第二特征，还可以被配置为根据其他方式确定第二特征，在此不做限定。
在得到每两个模态间的跨模态特征后，可以利用多个跨模态融合子网络将每一个模态对于其他模态的跨模态特征进行融合，以得到对应的模态的第二特征。根据一些实施例，每一个跨模态融合子网络被进一步配置为接收目标模态分别对于至少一个其他模态的至少一个跨模态特征，以输出目标模态的第二特征。在一些实施例中，跨模态融合子网络可以被配置为对对应的目标模态对于至少一个其他模态的至少一个跨模态特征执行最大池化、平均池化、随机采样、取中位数、加权求和等操作，以得到目标模态的第二特征，也可以被配置为利用小型神经网络处理由至少一个跨模态特征拼接而成的特征以得到第二特征，还可以被配置为根据其他方式确定第二特征，在此不做限定。
根据一些实施例，跨模态融合子网络被进一步配置为基于目标模态分别对于至少一个其他模态的至少一个相关性系数，融合目标模态对于至少一个其他模态的至少一个跨模态特征，以输出目标模态的第二特征。在一个示例性实施例中，可以将这些相关性系数作为权重，对至少一个跨模态特征进行加权求和，以得到第二特征。由此，基于模态间的具有方向性的相关性系数来融合同样具有方向性的跨模态特征，进一步细化了模态之间的融合与交互关系，进一步促进了模型对多模态数据的深层次理解，提升了模型的处理结果的可信度和准确性。
根据本公开的另一方面，提供了一种神经网络训练方法。如图9所示，训练方法包括：步骤S901、获取样本多模态数据和样本多模态数据的真实标签；步骤S902、将样本多模态数据输入上述神经网络，以获取神经网络输出的样本多模态数据的预测标签；步骤S903、基于预测标签和真实标签，计算损失值；以及步骤S904、基于损失值，调整神经网络的参数。
由此，通过训练能够计算不同模态之间的跨模态特征，并且能够针对每个模态，基于与该模态对应的所有跨模态特征得到该模态的全局特征，而后能够基于每个模态的全局特征以对多模态数据进行分析的神经网络，实现了各模态特征间的深度融合，加强了各模态特征间的交互，使得能够有效促进神经网络对多模态数据的深层次理解，提升了对多模态数据的处理结果的可信度和准确性。
根据一些实施例，通过使用上述方法，能够调整输入子网络300中的多个特征提取子网络306的参数、将第一特征分别映射为Q、K、V的参数、第一相关性计算子网络412或第二相关性计算子网络512中的参数矩阵的参数、跨模态特征子网络600中的第一多头注意力子网络606、第一前馈子网络608、第二多头注意力子网络610和第二前馈子网络612、局部注意力子网络508和输出子网络510的参数，以得到训练好的神经网络。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，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。
参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许设备1000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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001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1001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、各种运行机器学习网络算法的计算单元、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1001执行上文所描述的各个方法和处理，例如处理多模态数据的方法和训练方法。例如，在一些实施例中，处理多模态数据的方法和训练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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的处理多模态数据的方法和训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行处理多模态数据的方法和训练方法。
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)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("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (17)

1.一种用于多模态数据的神经网络，包括：
输入子网络，所述输入子网络被配置为接收所述多模态数据以输出所述多模态数据所包括的多个模态各自的第一特征；
多个跨模态特征子网络，所述多个跨模态特征子网络中的每一个对应所述多个模态中的两个模态，所述每一个跨模态特征子网络被配置为接收所述两个模态各自的所述第一特征，以输出对应于所述两个模态的跨模态特征，并且被配置为针对与该跨模态特征子网络对应的第一模态和第二模态，输出所述第一模态对于所述第二模态的第一跨模态特征和所述第二模态对于所述第一模态的第二跨模态特征；
第二相关性计算子网络，所述第二相关性计算子网络被配置为确定所述多个模态中的每一个模态对于除该模态外的每一个其他模态的相关性系数，其中，所述相关性系数是至少基于对应的两个模态各自的第一特征确定的；
与所述多个模态一一对应的多个跨模态融合子网络，所述多个跨模态融合子网络中的每一个跨模态融合子网络被配置为针对与该跨模态融合子网络对应的目标模态，接收对应于所述目标模态的至少一个跨模态特征，以输出所述目标模态的第二特征，并且被配置为基于所述目标模态分别对于至少一个其他模态的至少一个相关性系数，融合所述目标模态对于所述至少一个其他模态的至少一个跨模态特征，以输出所述目标模态的所述第二特征；以及
输出子网络，所述输出子网络被配置为接收所述多个模态各自的所述第二特征以输出对所述多模态数据的处理结果。
2.如权利要求1所述的网络，其中，所述输入子网络被配置为将所述多个模态各自的所述第一特征映射为查询特征、键特征和值特征以输出，
其中，所述每一个跨模态特征子网络被配置为：
接收相应的第一模态的查询特征、键特征和值特征以及相应的第二模态的查询特征、键特征和值特征；
基于所述相应的第一模态的查询特征、所述相应的第二模态的键特征和所述相应的第二模态的值特征，确定所述第一跨模态特征；以及
基于所述相应的第二模态的查询特征、所述相应的第一模态的键特征和所述相应的第一模态的值特征，确定所述第二跨模态特征。
3.如权利要求1所述的网络，其中，所述第二相关性计算子网络被配置为针对所述多个模态中的每一个模态，将该模态对于除该模态外的每一个其他模态的相关性系数进行归一化。
4.如权利要求1所述的网络，其中，所述输入子网络包括：
与所述多个模态一一对应的多个特征提取子网络，所述多个特征提取子网络中的每一个特征提取子网络被配置为：
基于所述多模态数据中的与该特征提取子网络对应的模态的数据，确定该模态的初始特征序列，所述初始特征序列中的每一项对应该模态的数据的一部分；以及
至少基于所述初始特征序列，确定该模态的所述第一特征。
5.如权利要求4所述的网络，其中，至少基于所述初始特征序列，确定该模态的所述第一特征包括：
基于所述初始特征序列，确定第一特征分量；
确定第二特征分量，所述第二特征分量能够指示该模态的类型；以及
基于所述第一特征分量和所述第二特征分量，确定该模态的所述第一特征。
6.如权利要求5所述的网络，其中，所述第一特征分量是通过对所述初始特征序列进行最大池化而确定的。
7.如权利要求1-6中任一项所述的网络，其中，所述多模态数据为视频数据。
8.如权利要求7所述的网络，其中，所述多个模态包括图像模态、文本模态和音频模态。
9.一种利用神经网络处理多模态数据的方法，所述神经网络包括顺序连接的输入子网络、并列的多个跨模态特征子网络、并列的多个跨模态融合子网络和输出子网络，并且包括所述输入子网络和所述多个跨模态融合子网络之间的第二相关性计算子网络，其中，所述多个跨模态特征子网络中的每一个对应所述多模态数据所包括的多个模态中的两个模态，并且所述多个跨模态融合子网络与所述多个模态一一对应，
其中，所述方法包括：
将所述多模态数据输入所述输入子网络，以获取所述输入子网络输出的所述多个模态各自的第一特征；
将所述多个模态中的每两个模态各自的所述第一特征输入对应的跨模态特征子网络，以获取所述多个跨模态特征子网络各自输出的对应于相应的两个模态的跨模态特征，其中，所述多个跨模态特征子网络中的每一个跨模态特征子网络被配置为针对与该跨模态特征子网络对应的第一模态和第二模态，输出所述第一模态对于所述第二模态的第一跨模态特征和所述第二模态对于所述第一模态的第二跨模态特征；
将所述多个模态各自的第一特征输入所述第二相关性计算子网络，以获取所述第二相关性计算子网络输出的所述多个模态中的每一个模态对于除该模态外的每一个其他模态的相关性系数，其中，所述相关性系数是至少基于对应的两个模态各自的第一特征确定的；
针对所述多个模态中的每一个模态，将对应于该模态的至少一个跨模态特征输入与该模态对应的跨模态融合子网络，以获取所述多个跨模态融合子网络各自输出的相应的模态的第二特征，其中，所述多个跨模态融合子网络中的每一个跨模态融合子网络被配置为针对与该跨模态融合子网络对应的目标模态，基于所述目标模态分别对于至少一个其他模态的至少一个相关性系数，融合所述目标模态对于所述至少一个其他模态的至少一个跨模态特征，以输出所述目标模态的所述第二特征；以及
将所述多个模态各自的第二特征输入所述输出子网络，以获取所述输出子网络输出的对所述多模态数据的处理结果。
10.如权利要求9所述的方法，其中，所述输入子网络被配置为将所述多个模态各自的所述第一特征映射为查询特征、键特征和值特征以输出，
其中，所述每一个跨模态特征子网络被配置为：
接收相应的第一模态的查询特征、键特征和值特征以及相应的第二模态的查询特征、键特征和值特征；
基于所述相应的第一模态的查询特征、所述相应的第二模态的键特征和所述相应的第二模态的值特征，确定所述第一跨模态特征；以及
基于所述相应的第二模态的查询特征、所述相应的第一模态的键特征和所述相应的第一模态的值特征，确定所述第二跨模态特征。
11.如权利要求9所述的方法，其中，所述第二相关性计算子网络被配置为针对所述多个模态中的每一个模态，将该模态对于除该模态外的每一个其他模态的相关性系数进行归一化。
12.如权利要求9所述的方法，其中，所输入子网络包括与所述多个模态一一对应的多个特征提取子网络，
其中，将所述多模态数据输入所述输入子网络，以获取所述输入子网络输出的所述多个模态各自的第一特征包括：
将所述多个模态各自的数据分别输入对应的特征提取子网络，以获取所述多个特征提取子网络各自输出的对应的模态的所述第一特征，
其中，所述多个特征提取子网络中的每一个特征提取子网络被配置为：
基于所述多模态数据中的与该特征提取子网络对应的模态的数据，确定该模态的初始特征序列，所述初始特征序列中的每一项对应该模态的数据的一部分；以及
至少基于所述初始特征序列，确定该模态的所述第一特征。
13.如权利要求12所述的方法，其中，至少基于所述初始特征序列，确定该模态的所述第一特征包括：
基于所述初始特征序列，确定第一特征分量；
确定第二特征分量，所述第二特征分量能够指示该模态的类型；以及
基于所述第一特征分量和所述第二特征分量，确定该模态的所述第一特征。
14.如权利要求13所述的方法，其中，所述第一特征分量是通过对所述初始特征序列进行最大池化而确定的。
15.一种神经网络训练方法，包括：
获取样本多模态数据和所述样本多模态数据的真实标签；
将所述样本多模态数据输入权利要求1-8中任一项所述的神经网络，以获取所述神经网络输出的所述样本多模态数据的预测标签；
基于所述预测标签和所述真实标签，计算损失值；以及
基于所述损失值，调整所述神经网络的参数。
16.一种电子设备，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9-15中任一项所述的方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求9-15中任一项所述的方法。
CN202111095097.5A 2021-09-17 2021-09-17 利用神经网络处理多模态数据的方法、设备和介质 Active CN113807440B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111095097.5A CN113807440B (zh) 2021-09-17 2021-09-17 利用神经网络处理多模态数据的方法、设备和介质
US17/945,415 US20230010160A1 (en) 2021-09-17 2022-09-15 Multimodal data processing
EP22196160.0A EP4109347A3 (en) 2021-09-17 2022-09-16 Method for processing multimodal data using neural network, device, and medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111095097.5A CN113807440B (zh) 2021-09-17 2021-09-17 利用神经网络处理多模态数据的方法、设备和介质

Publications (2)

Publication Number Publication Date
CN113807440A CN113807440A (zh) 2021-12-17
CN113807440B true CN113807440B (zh) 2022-08-26

Family

ID=78895862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111095097.5A Active CN113807440B (zh) 2021-09-17 2021-09-17 利用神经网络处理多模态数据的方法、设备和介质

Country Status (3)

Country Link
US (1) US20230010160A1 (zh)
EP (1) EP4109347A3 (zh)
CN (1) CN113807440B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7486349B2 (ja) * 2020-05-28 2024-05-17 キヤノン株式会社 ニューラルネットワーク、ニューラルネットワークの学習方法、プログラム、画像処理装置
CN114550313B (zh) * 2022-02-18 2024-08-06 北京百度网讯科技有限公司 图像处理方法、神经网络及其训练方法、设备和介质
CN114821385A (zh) * 2022-03-08 2022-07-29 阿里巴巴（中国）有限公司 多媒体信息处理方法、装置、设备及存储介质
US20240004963A1 (en) * 2022-06-30 2024-01-04 Microsoft Technology Licensing, Llc Cross-modal data completion and compression
CN115964560B (zh) * 2022-12-07 2023-10-27 南京擎盾信息科技有限公司 基于多模态预训练模型的资讯推荐方法及设备
CN116115915B (zh) * 2023-02-16 2023-07-14 北京医智影科技有限公司 基于多级模态交叉融合网络的剂量验证方法
CN115861303B (zh) * 2023-02-16 2023-04-28 四川大学 基于肺部ct图像的egfr基因突变检测方法和系统
CN116502069B (zh) * 2023-06-25 2023-09-12 四川大学 一种基于深度学习的触觉时序信号识别方法
CN116994602B (zh) * 2023-08-14 2024-10-11 大连海洋大学 一种基于Mel声谱图与改进SEResNet的鱼类行为识别方法
CN116740662B (zh) * 2023-08-15 2023-11-21 贵州中南锦天科技有限责任公司 一种基于激光雷达的车轴识别方法及系统
CN117994822B (zh) * 2024-04-07 2024-06-14 南京信息工程大学 一种基于辅助模态增强和多尺度特征融合的跨模态行人重识别方法
CN118606796B (zh) * 2024-08-08 2024-10-11 南京航天工业科技有限公司 基于深度学习和时频变换的复杂电磁环境信号分选方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146064B (zh) * 2018-09-05 2023-07-25 腾讯科技（深圳）有限公司 神经网络训练方法、装置、计算机设备和存储介质
CN110334689B (zh) * 2019-07-16 2022-02-15 北京百度网讯科技有限公司 视频分类方法和装置
US20210151034A1 (en) * 2019-11-14 2021-05-20 Comcast Cable Communications, Llc Methods and systems for multimodal content analytics
CN111680541B (zh) * 2020-04-14 2022-06-21 华中科技大学 一种基于多维度注意力融合网络的多模态情绪分析方法
CN113240056B (zh) * 2021-07-12 2022-05-17 北京百度网讯科技有限公司 多模态数据联合学习模型训练方法及装置

Also Published As

Publication number Publication date
CN113807440A (zh) 2021-12-17
EP4109347A3 (en) 2023-03-15
US20230010160A1 (en) 2023-01-12
EP4109347A2 (en) 2022-12-28

Similar Documents

Publication Publication Date Title
CN113807440B (zh) 利用神经网络处理多模态数据的方法、设备和介质
CN114648638B (zh) 语义分割模型的训练方法、语义分割方法与装置
CN114612749B (zh) 神经网络模型训练方法及装置、电子设备和介质
CN112579909A (zh) 对象推荐方法及装置、计算机设备和介质
CN114611532B (zh) 语言模型训练方法及装置、目标翻译错误检测方法及装置
CN116306862B (zh) 用于文本处理神经网络的训练方法、装置和介质
CN114550313B (zh) 图像处理方法、神经网络及其训练方法、设备和介质
CN114443989B (zh) 排序方法、排序模型的训练方法、装置、电子设备及介质
CN115168545A (zh) 群组搜索方法、装置、电子设备及介质
CN115511779A (zh) 图像检测方法、装置、电子设备和存储介质
CN114821581A (zh) 图像识别方法和用于训练图像识别模型的方法
CN114547252A (zh) 文本识别方法、装置、电子设备和介质
CN117351330A (zh) 图像处理方法、图像处理模型的训练方法、装置和设备
CN114693977A (zh) 图像处理方法、模型训练方法、装置、设备及介质
CN115578501A (zh) 图像处理方法、装置、电子设备和存储介质
CN114998963A (zh) 图像检测方法和用于训练图像检测模型的方法
CN114429678A (zh) 模型训练方法及装置、电子设备和介质
CN117218499B (zh) 面部表情捕捉模型的训练方法、面部表情驱动方法和装置
CN114140851B (zh) 图像检测方法和用于训练图像检测模型的方法
CN114219079A (zh) 特征选择方法及装置、模型训练方法及装置、设备和介质
CN117876839A (zh) 神经网络的训练方法、利用神经网络进行图像处理的方法
CN114169440A (zh) 模型训练方法、数据处理方法、装置、电子设备及介质
CN117273107A (zh) 文本生成模型的训练方法和训练装置
CN117291191A (zh) 文本处理方法及装置、设备和介质
CN115879468A (zh) 基于自然语言理解的文本要素提取方法、装置和设备

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