CN113836333B - 图文匹配模型的训练方法、实现图文检索的方法、装置 - Google Patents
图文匹配模型的训练方法、实现图文检索的方法、装置 Download PDFInfo
- Publication number
- CN113836333B CN113836333B CN202111101658.8A CN202111101658A CN113836333B CN 113836333 B CN113836333 B CN 113836333B CN 202111101658 A CN202111101658 A CN 202111101658A CN 113836333 B CN113836333 B CN 113836333B
- Authority
- CN
- China
- Prior art keywords
- text
- image
- sample
- model
- loss function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 91
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008447 perception Effects 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- 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
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/1916—Validation; Performance evaluation
Abstract
本公开提供了一种图文匹配模型的训练方法、实现图文检索的方法、装置、电子设备和计算机可读存储介质,涉及人工智能领域,尤其涉及知识图谱和深度学习技术领域。实现方案为:获取样本文本和样本文本相应的样本图像;标记样本文本的真实语义标签;获取文本编码子模型所输出的样本文本的文本特征表示和预测语义标签;获取图像编码子模型所输出的样本图像的图像特征表示;基于真实语义标签和预测语义标签,计算第一损失函数;基于样本文本的文本特征表示和样本图像的图像特征表示,计算对比损失函数;至少基于第一损失函数和对比损失函数,调整文本编码子模型的参数;以及基于对比损失函数,调整图像编码子模型的参数。
Description
技术领域
本公开涉及人工智能领域,尤其涉及知识图谱和深度学习技术领域,具体涉及一种图文匹配模型的训练方法、实现图文检索的方法、装置、电子设备、计算机可读存储介质。
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。
随着互联网技术的发展,互联网上的图像数量呈现爆炸性增长,图像作为信息载体,在人们的日常生活和工作中扮演了重要的角色,人们常常需要通过文字检索所需的图像。而面对日益增长的图像库,需要设计一种图文匹配模型,以实现更高效并且精确地检索的目的。
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
本公开提供了一种图文匹配模型的训练方法、装置、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,提供了一种图文匹配模型的训练方法,图文匹配模型包括文本编码子模型和图像编码子模型,该方法包括:获取样本文本和样本文本相应的样本图像;根据第一预设规则标记样本文本的真实语义标签;将样本文本输入文本编码子模型,以获取文本编码子模型所输出的样本文本的文本特征表示和预测语义标签;将样本图像输入图像编码子模型,以获取图像编码子模型所输出的样本图像的图像特征表示;基于真实语义标签和预测语义标签,计算第一损失函数;基于样本文本的文本特征表示和样本图像的图像特征表示,计算对比损失函数;至少基于第一损失函数和对比损失函数,调整文本编码子模型的参数;以及基于对比损失函数,调整图像编码子模型的参数。
根据本公开的另一方面,提供了一种利用图文匹配模型实现图文检索的方法,图文匹配模型为通过上述的训练方法来训练得到,图文匹配模型包括文本编码子模型和图像编码子模型,并且该方法包括:将待检索文本输入文本编码子模型,以获取文本编码子模型所输出的待检索文本的文本特征表示;基于待检索文本的文本特征表示和图像库中各图像的图像特征表示,计算检索文本与图像库中的每个图像的相似度,其中,图像库中各图像的图像特征表示为利用图像编码子模型来获得;以及基于相应的相似度,从图像库中确定与检索文本匹配的至少一个图像。
根据本公开的另一方面,提供了一种图文匹配模型的训练装置,图文匹配模型包括文本编码子模型和图像编码子模型,装置包括:第一获取模块,被配置用于获取样本文本和样本文本相应的样本图像;语义标记模块,被配置用于根据第一预设规则标记样本文本的真实语义标签;第二获取模块,被配置用于将样本文本输入文本编码子模型,并获取文本编码子模型所输出的样本文本的文本特征表示和预测语义标签;第三获取模块,被配置用于将样本图像输入图像编码子模型,并获取图像编码子模型所输出的样本图像的图像特征表示;第一计算模块,被配置用于基于真实语义标签和预测语义标签,计算第一损失函数;对比损失计算模块,被配置为用于基于样本文本的文本特征表示和样本图像的图像特征表示,计算对比损失函数;第一调参模块,被配置用于至少基于第一损失函数和对比损失函数,调整文本编码子模型的参数;以及第二调参模块,被配置用于基于对比损失函数,调整图像编码子模型的参数。
根据本公开的另一方面,提供了一种利用图文匹配模型实现图文检索的装置,图文匹配模型为通过上述的训练方法来训练得到,图文匹配模型包括文本编码子模型和图像编码子模型,并且装置包括:获取模块,被配置用于将检索文本输入文本编码子模型,并获取文本编码子模型所输出的检索文本的文本特征表示;计算模块,被配置用于基于待检索文本的文本特征表示和图像库中各图像的图像特征表示,计算检索文本与图像库中的每个图像的相似度,其中,图像库中各图像的图像特征表示为利用图像编码子模型来获得;确定模块,被配置用于基于相应的相似度,从图像库中确定与检索文本匹配的至少一个图像。
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,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,可以提供一种图文匹配模型及其训练方法,通过应用该模型,可以实现输入文字检索图像,能够精确、高效地匹配文字与图像。
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示出了根据本公开的实施例的图文匹配模型的训练方法的流程图;
图3示出了根据本公开的实施例的图文匹配模型的训练原理示意图;
图4示出了根据本公开的实施例的利用图文匹配模型实现图文检索的方法的流程图;
图5示出了根据本公开的实施例的图文匹配模型的训练装置的结构框图;
图6示出了根据本公开的实施例的利用图文匹配模型实现图文检索的装置的结构框图;
图7示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。
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图文匹配模型的训练方法以及利用图文匹配模型实现图文检索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)模型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来输入文本以检索相应图像。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。客户端设备还可以经由该接口向用户输出信息。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图像文件的信息。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。
图2示出了根据本公开的实施例的图文匹配模型的训练方法的流程图。
图3示出了根据本公开的实施例的图文匹配模型的训练原理示意图。结合图2和图3所示,图文匹配模型包括文本编码子模型310和图像编码子模型320,如图2所示,该方法200包括:步骤S201,获取样本文本301和样本文本301相应的样本图像306;步骤S203,根据第一预设规则标记样本文本301的真实语义标签304;步骤S205,将样本文本301输入文本编码子模型310,以获取文本编码子模型310所输出的样本文本301的文本特征表示311和预测语义标签314;步骤S207,将样本图像306输入图像编码子模型320,以获取图像编码子模型320所输出的样本图像的图像特征表示;步骤S209,基于真实语义标签304和预测语义标签314,计算第一损失函数;步骤S211,基于样本文本的文本特征表示311和样本图像的图像特征表示,计算对比损失函数;步骤S213,至少基于第一损失函数和对比损失函数,调整文本编码子模型310的参数;以及步骤S215,基于对比损失函数,调整图像编码子模型320的参数。通过方法200训练能够使得图文检索模型保留文本本身的语义信息,更好得学习文本和图像之间的联系。
图3中示意的样本图像306包括与样本文本301匹配的正例样本图像302和与样本文本301不匹配的负例样本图像303,使得模型能够学习样本文本301和正例样本图像302之间的匹配关系,以及样本文本301和负例样本图像303之间的不匹配关系。可以理解的,也可以仅利用正例样本图像302对模型进行训练。
根据本公开的一些实施例,文本编码子模型310和图像编码子模型320中的至少其中一个为预训练模型。
预训练的方法通过在进行目标任务之前采用大量的语料对预训练模型进行训练,使预训练模型获得语义和语法信息,进而增强目标任务的性能。在一些示例中,文本编码子模型310为预训练模型时,可以通过大量的语料对文本编码子模型310进行预训练,以使得文本编码子模型310能够获得语义信息。在本公开实施例的图文匹配任务中,基于第一损失函数和对比损失函数对图文匹配模型进行微调,能够实现保留文本编码子模型310的语义信息感知能力,并且能够提升图文匹配模型的训练速度和性能。
根据本公开的一些实施例,文本编码子模型310可以但不限于采取基于transformer的编码结构,并使用[cls]向量代表文本整体的表示,过程如下:vtext=BERT(S),其中,s为输入的样本文本301,BERT是文本编码子模型310使用的编码结构,vtext是最终得到的样本文本301的文本特征表示311。
根据本公开的一些实施例,样本图像306可以为单张图片,或者样本图像可以包括样本视频的多个视频帧。
根据本公开的一些实施例,在视文(视频和文本)匹配任务中,样本图像包括样本视频中的多个帧,可以通过预训练的图像编码子模型320(例如resnet模型)处理样本视频的多个视频帧,得到多个视频帧的图像特征的序列vvideo_feature=Resnet([img1,img2,…,imgn]),其中,img1,img2,…,imgn表示多个视频帧的序列,。然后可以使用视频聚合模型,将上述的多个视频帧的图像特征的序列聚合为向量,过程如下:向量vvideo=Video_Encoder(vvideo_feature)。该向量vvideo即为样本图像的图像特征表示。
步骤S201中获取样本文本301和样本图像306,示例性的,获取的样本文本301例如可以为“明星A和明星B一起参加了节目C”,以及样本图像306可以包含样本视频的多个视频帧。图3中仅示例性地示出了正例样本视频中的一帧和负例样本视频中的一帧。
步骤S203中根据第一预设规则标记样本文本301的真实语义标签304。
根据本公开的一些实施例,步骤S203包括:对样本文本301中的目标词进行掩码标记,以将目标词标记为真实语义标签304。仍以样本文本301“明星A和明星B一起参加了节目C”为例,可以对样本文本301“明星A和明星B一起参加了节目C”中的“节目C”进行掩码标记,以将“节目C”标记为真实语义标签304。
步骤S205,将样本文本301输入文本编码子模型310,以获取文本编码子模型310所输出的样本文本301的文本特征表示311和预测语义标签314。
继续以样本文本301“明星A和明星B一起参加了节目C”为例,输出预测语义标签314的过程为:根据“明星A和明星B一起参加了XXX”,预测“XXX”处对应的词,其中“XXX”代表掩码标记的位置,并且真实的语义标签已知为“节目C”。训练的目的即是使模型输出的预测语义标签314为真实语义标签304。通过引入语义信息感知训练,可以在图文匹配训练过程中保留文本编码子模型310的语义信息感知能力,不会受到图像信息的干扰而减弱,更好得学习文本和图像之间的关联关系。
步骤S207,将样本图像306输入图像编码子模型320,以获取图像编码子模型320所输出的样本图像的图像特征表示。根据本公开的一些实施例,可以通过特征向量来表示样本图像的图像特征vimg(即样本图像的图像特征表示)。
步骤S209,基于真实语义标签304和预测语义标签314,计算第一损失函数。根据本公开的一些实施例,在文本编码子模型310中,第一损失函数例如可以为:Loss1=-logp(ti|S),其中ti为真实语义标签304,例如上述示例中的“节目C”,S为样本文本301遮掩了真实语义标签304的文本,例如上述示例中的“明星A和明星B一起参加了XXX”,p(ti|S)为在已知S的条件下,通过文本编码子模型310输出的预测语义标签314与真实语义标签304相同的概率。由公式可知,概率p(ti|S)越大,第一损失函数越小,因此,基于第一损失函数对文本编码子模型310进行调参,能够增强文本编码子模型310对样本文本301本身的语义信息的感知能力。
步骤S211,基于样本文本的文本特征表示311和样本图像的图像特征表示,计算对比损失函数。
根据本公开的一些实施例,样本图像306包括与样本文本301匹配的正例样本图像302和与样本文本301不匹配的负例样本图像303,图像特征表示包括图像正例特征表示312和图像负例特征表示313。在这种情况下,基于样本文本301的文本特征表示311和样本图像的图像特征表示,计算对比损失函数包括:基于样本文本301的文本特征表示311以及样本图像的图像正例特征表示312和图像负例特征表示313,计算对比损失函数。
继续参考图3,图3示出了根据本公开的实施例的其中一个样本图像306的示意图,该样本图像306包含正例样本图像302,正例样本图像302为综艺节目“节目C”的海报图,并且已被人工标记为是与样本文本301匹配的图像;该样本图像306还包含负例样本图像303,负例样本图像303为另一张图片,并且已被人工标记为是与样本文本301不匹配的图像。
根据本公开的一些实施例,可以但不限于使用cos相似度衡量样本文本301和样本图像的相似性,则样本文本301与正例样本图像302的相似度为sim(vtext,vimg)=CosSimilarity(vtext,vimg),样本文本301与负例样本图像303的相似度为其中负例样本图像303可以是随机选取的,对比损失函数为/> 其中a为预先设定的阈值,且a为正整数。由对比损失函数的公式可知,模型训练的目的为使样本文本301与正例样本图像302的相似度尽量大,且使样本文本301与负例样本图像303的相似度尽量小。
根据本公开的另一些实施例,样本文本301包括与样本图像匹配的正例样本文本和与样本图像不匹配的负例样本文本,文本特征表示311包括正例文本特征表示和负例文本特征表示。在这种情况下,基于样本文本301的文本特征表示311和样本图像的图像特征表示,计算对比损失函数包括:基于样本文本301的正例文本特征表示和负例文本特征表示以及样本图像的图像特征表示,计算对比损失函数。
根据本公开的一些实施例,样本图像与样本文本301正例的相似度为sim(vimg,vtext)=CosSimilarity(vimg,vtext),样本图像与负例样本文本的相似度为对比损失函数为其中a为预先设定的阈值,且a为正整数。由对比损失函数的公式可知,模型训练的目的为使样本图像与正例样本文本的相似度尽量大,且使样本图像与负例样本文本的相似度尽量小。
根据本公开的另一实施例,对于某一对样本文本301和正例样本图像302,可以基于样本文本301获取与样本文本301匹配的正例样本图像302和与样本文本301不匹配的负例样本图像303,以获取对比损失函数同时,基于正例样本图像302获取与样本图像匹配的正例样本文本和与样本图像不匹配的负例样本文本,以获取对比损失函数/>
根据一些实施例,可以结合上述两个技术方案,计算总对比损失函数Losscl=Losscl_t2i+Losscl_i2t,并基于该总对比损失函数对模型进行调参。由对比损失函数的公式可知,模型训练能够实现样本图像与正例样本文本的相似度尽量大且与负例样本文本的相似度尽量小,并且样本文本与正例样本图像302的相似度尽量大且与负例样本图像303的相似度尽量小。
步骤S213,至少基于第一损失函数和对比损失函数,调整文本编码子模型310的参数。
步骤S215,基于对比损失函数,调整图像编码子模型320的参数。
基于第一损失函数调整文本编码子模型310的参数可以使文本编码子模型310保留文本语义。基于对比损失函数调整文本编码子模型310的参数与图像编码子模型320的参数可以使由文本编码子模型310输出的样本文本的文本特征表示311与由图像编码子模型320输出的正例样本图像的图像特征表示312相似度更大。
根据本公开的一些实施例,文本编码子模型310的输出还包括预测属性标签315,并且方法还包括:根据第二预设规则标记样本文本301的真实属性标签305;以及基于真实属性标签305和预测属性标签315,计算第二损失函数,并且其中,至少基于第一损失函数和对比损失函数,调整文本编码子模型310的参数包括:基于第一损失函数、第二损失函数和对比损失函数,调整文本编码子模型310的参数。
根据本公开的一些实施例,根据第二预设规则标记样本文本301的真实属性标签305包括:标记样本文本301中的至少一个实体词的真实属性标签305。
根据本公开的一些实施例,也可以同时标记样本文本301中的多个实体词的真实属性标签305,并对多个真实属性标签305进行预测。由此可以通过一个样本文本301使得文本编码子模型310多次获得实体词本身的属性信息,进一步增强图文匹配模型的效果。
例如,继续参考图3,标记样本文本301“明星A和明星B一起参加了节目C”中的“明星A”的真实属性标签305为“演员”。根据本公开的一些实施例,输出预测属性标签315的过程为:根据“明星A和明星B一起参加了节目C”,预测“明星A”的职业属性标签。
在一些示例中,第二损失函数可以但不限于为Loss2=-logp(attri|S,ti),attri是给定样本文本301S后由文本编码子模型310预测的ti属性的真实值,即预测属性标签315。通过添加第二损失函数,调整文本编码子模型310的参数,可以使文本编码子模型310获得词本身的属性信息,增强文本编码子模型310的语义和语法信息,使得模型更好得学习图像和文本的关联关系。
根据本公开的另一方面,还提供了一种采用如上方法200训练得到的图文匹配模型实现图文检索的方法400,图文匹配模型包括文本编码子模型和图像编码子模型,如图4所示。方法400包括:步骤S401,将待检索文本输入文本编码子模,以获取文本编码子模型所输出的待检索文本的文本特征表示;步骤S403,基于待检索文本的文本特征表示和图像库中各图像的图像特征表示,计算检索文本与图像库中的每个图像的相似度,其中,图像库中各图像的图像特征表示为利用图像编码子模型来获得;以及步骤S405,基于相应的相似度,从图像库中确定与检索文本匹配的至少一个图像。
利用本公开实施例中的图文检索方法,能够提升图文匹配的效果和准确性。
根据本公开的另一方面,还提供了一种图文匹配模型的训练装置500,图文匹配模型包括文本编码子模型和图像编码子模型。图5示出了根据本公开的实施例的图文匹配模型的训练装置500的结构框图,如图5所示,装置500包括第一获取模块501、语义标记模块502、第二获取模块503、第三获取模块504、第一计算模块505、对比损失计算模块506、第一调参模块507以及第二调参模块508。
第一获取模块501被配置用于获取样本文本和样本图像。
语义标记模块502被配置用于根据第一预设规则标记样本文本的真实语义标签。
第二获取模块503被配置用于将样本文本输入文本编码子模型,并获取文本编码子模型所输出的样本文本的文本特征表示和预测语义标签。
第三获取模块504被配置用于将样本图像输入图像编码子模型,并获取图像编码子模型所输出的样本图像的图像特征表示。
第一计算模块505被配置用于基于真实语义标签和预测语义标签,计算第一损失函数。
对比损失计算模块506被配置为用于基于样本文本的文本特征表示和样本图像的图像特征表示,计算对比损失函数。
第一调参模块507被配置用于至少基于第一损失函数和对比损失函数,调整文本编码子模型的参数。
第二调参模块508被配置用于基于对比损失函数,调整图像编码子模型的参数。
根据本公开的一些实施例,文本编码子模型的输出还包括预测属性标签,并且装置还包括属性标记模块509以及第二计算模块510。
属性标记模块509被配置用于根据第二预设规则标记样本文本的真实属性标签。
第二计算模块510被配置用于基于真实属性标签和预测属性标签,计算第二损失函数,并且其中,第一调参模块被配置用于基于第一损失函数、第二损失函数和对比损失函数,调整文本编码子模型的参数。
根据本公开的一些实施例,属性标记模块509被配置用于标记样本文本中的至少一个实体词的真实属性标签。
根据本公开的一些实施例,语义标记模块502被配置用于对样本文本中的目标词进行掩码标记,以将目标词标记为真实语义标签,其中,目标词与样本图像匹配。
根据本公开的一些实施例,样本图像包括与样本文本匹配的正例样本图像和与样本文本不匹配的负例样本图像,图像特征表示包括图像正例特征表示和图像负例特征表示,并且其中,对比损失计算模块506被配置用于基于样本文本的文本特征表示以及样本图像的图像正例特征表示和图像负例特征表示,计算对比损失函数。
根据本公开的一些实施例,样本文本包括与样本图像匹配的正例样本文本和与样本图像不匹配的负例样本文本,文本特征表示包括文本正例特征表示和文本负例特征表示,并且其中,对比损失计算模块506被配置用于基于样本文本的文本正例特征表示和文本负例特征表示以及样本图像的图像特征表示,计算对比损失函数。
根据本公开的另一方面,还提供了一种利用通过上述训练方法来训练得到的图文匹配模型实现图文检索的装置600。图6示出了根据本公开的实施例的利用图文匹配模型实现图文检索的装置600的结构框图,图文匹配模型包括文本编码子模型和图像编码子模型,如图6所示,装置600包括获取模块601、计算模块602以及确定模块603。
获取模块601被配置用于将检索文本输入文本编码子模型,并获取文本编码子模型所输出的检索文本的文本特征表示。
计算模块602被配置用于基于待检索文本的文本特征表示和图像库中各图像的图像特征表示,计算检索文本与图像库中的每个图像的相似度,其中,图像库中各图像的图像特征表示为利用图像编码子模型来获得。
确定模块603被配置用于基于相应的相似度,从图像库中确定与检索文本匹配的至少一个图像。
根据本公开的另一方面,还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,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,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,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,还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。
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。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备,输入单元706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707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、图像/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,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701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701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701执行上文所描述的各个方法和处理,例如方法200或者方法400。例如,在一些实施例中,方法200或者方法400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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的方法200或者方法400的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200或者方法400。
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,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 (8)
1.一种图文匹配模型的训练方法,所述图文匹配模型包括文本编码子模型和图像编码子模型,所述方法包括:
获取样本文本和所述样本文本相应的样本图像,所述样本图像包括与所述样本文本匹配的正例样本图像和与所述样本文本不匹配的负例样本图像,所述样本文本还包括与所述样本图像匹配的正例样本文本和与所述样本图像不匹配的负例样本文本;
根据第一预设规则标记所述样本文本的真实语义标签,所述真实语义标签包括所述样本文本中的目标词,所述目标词用于指示所述样本文本的真实语义,其中,所述根据第一预设规则标记所述样本文本的真实语义标签包括:
对所述样本文本中的目标词进行掩码标记,以将所述目标词标记为真实语义标签;
根据第二预设规则标记所述样本文本的真实属性标签,包括:
标记所述样本文本中的至少一个实体词的真实属性标签;
将所述样本文本输入所述文本编码子模型,以获取所述文本编码子模型所输出的所述样本文本的文本特征表示、预测语义标签和预测属性标签,所述文本特征表示包括文本正例特征表示和文本负例特征表示;
将所述样本图像输入所述图像编码子模型,以获取所述图像编码子模型所输出的所述样本图像的图像特征表示,所述图像特征表示包括图像正例特征表示和图像负例特征表示;
基于所述真实语义标签和所述预测语义标签,计算第一损失函数;
基于所述真实属性标签和预测属性标签,计算第二损失函数;
基于所述样本文本的文本特征表示和所述样本图像的图像特征表示,计算总对比损失函数,包括:
基于所述样本文本的文本特征表示以及所述样本图像的图像正例特征表示和图像负例特征表示,计算对比损失函数,所述对比损失函数/>基于下述公式计算得到:
,
其中,所述对比损失函数的计算公式中的/>为所述样本文本的文本特征表示,/>为所述图像正例特征表示,/>为所述图像负例特征表示;
基于所述样本文本的文本正例特征表示和文本负例特征表示以及所述样本图像的图像特征表示,计算对比损失函数,所述对比损失函数/>基于下述公式计算得到:
,
其中,所述对比损失函数的计算公式中的/>为所述样本图像的图像特征表示,/>为所述文本正例特征表示,/>为所述文本负例特征表示,并且其中,sim函数用于计算两特征表示之间的相似度,a为预先设定的阈值,且a为正整数;以及
基于所述对比损失函数和所述对比损失函数/>,计算所述总对比损失函数/>,所述总对比损失函数/>基于下述公式计算得到:
;
基于所述第一损失函数、所述第二损失函数和所述总对比损失函数,调整所述文本编码子模型的参数,所述第一损失函数和所述第二损失函数用于对所述文本编码子模型进行语义信息感知训练;以及
基于所述总对比损失函数,调整所述图像编码子模型的参数。
2.根据权利要求1所述的方法,其中,所述文本编码子模型和图像编码子模型中的至少其中一个为预训练模型。
3.根据权利要求 1 所述的方法,其中,所述样本图像为单张图片,或者所述样本图像包括样本视频的多个视频帧。
4.一种利用图文匹配模型实现图文检索的方法,所述图文匹配模型为通过权利要求1-3中任一项所述的训练方法来训练得到,所述图文匹配模型包括文本编码子模型和图像编码子模型,并且所述方法包括:
将待检索文本输入所述文本编码子模型,以获取所述文本编码子模型所输出的所述待检索文本的文本特征表示;
基于所述待检索文本的文本特征表示和所述图像库中各图像的图像特征表示,计算所述待检索文本与所述图像库中的每个图像的相似度,其中,所述图像库中各图像的图像特征表示为利用所述图像编码子模型来获得;以及
基于相应的相似度,从所述图像库中确定与所述待检索文本匹配的至少一个图像。
5.一种图文匹配模型的训练装置,所述图文匹配模型包括文本编码子模型和图像编码子模型,所述装置包括:
第一获取模块,被配置用于获取样本文本和所述样本文本相应的样本图像,所述样本图像包括与所述样本文本匹配的正例样本图像和与所述样本文本不匹配的负例样本图像,所述样本文本还包括与所述样本图像匹配的正例样本文本和与所述样本图像不匹配的负例样本文本;
语义标记模块,被配置用于根据第一预设规则标记所述样本文本的真实语义标签,所述真实语义标签包括所述样本文本中的目标词,所述目标词用于指示所述样本文本的真实语义,其中,所述根据第一预设规则标记所述样本文本的真实语义标签包括:
对所述样本文本中的目标词进行掩码标记,以将所述目标词标记为真实语义标签;
属性标记模块,被配置用于根据第二预设规则标记所述样本文本的真实属性标签,所述属性标记模块被进一步配置用于标记所述样本文本中的至少一个实体词的真实属性标签;
第二获取模块,被配置用于将所述样本文本输入所述文本编码子模型,并获取所述文本编码子模型所输出的所述样本文本的文本特征表示和预测语义标签,所述文本特征表示包括文本正例特征表示和文本负例特征表示;
第三获取模块,被配置用于将所述样本图像输入所述图像编码子模型,并获取所述图像编码子模型所输出的所述样本图像的图像特征表示,所述图像特征表示包括图像正例特征表示和图像负例特征表示;
第一计算模块,被配置用于基于所述真实语义标签和所述预测语义标签,计算第一损失函数;
第二计算模块,被配置用于基于所述真实属性标签和预测属性标签,计算第二损失函数;
对比损失计算模块,被配置为用于基于所述样本文本的文本特征表示和所述样本图像的图像特征表示,计算总对比损失函数,包括:
基于所述样本文本的文本特征表示以及所述样本图像的图像正例特征表示和图像负例特征表示,计算对比损失函数,所述对比损失函数/>基于下述公式计算得到:
,
其中,所述对比损失函数的计算公式中的/>为所述样本文本的文本特征表示,/>为所述图像正例特征表示,/>为所述图像负例特征表示;
基于所述样本文本的文本正例特征表示和文本负例特征表示以及所述样本图像的图像特征表示,计算对比损失函数,所述对比损失函数/>基于下述公式计算得到:
,
其中,所述对比损失函数的计算公式中的/>为所述样本图像的图像特征表示,/>为所述文本正例特征表示,/>为所述文本负例特征表示,并且其中,sim函数用于计算两特征表示之间的相似度,a为预先设定的阈值,且a为正整数;以及
基于所述对比损失函数和所述对比损失函数/>,计算所述总对比损失函数/>,所述总对比损失函数/>基于下述公式计算得到:
;
第一调参模块,被配置用于基于所述第一损失函数、所述第二损失函数和所述总对比损失函数,调整所述文本编码子模型的参数,所述第一损失函数和所述第二损失函数用于对所述文本编码子模型进行语义信息感知训练;以及
第二调参模块,被配置用于基于所述总对比损失函数,调整所述图像编码子模型的参数。
6.一种利用图文匹配模型实现图文检索的装置,所述图文匹配模型为通过权利要求1-3中任一项所述的训练方法来训练得到,所述图文匹配模型包括文本编码子模型和图像编码子模型,并且所述装置包括:
获取模块,被配置用于将待检索文本输入所述文本编码子模型,并获取所述文本编码子模型所输出的所述待检索文本的文本特征表示;
计算模块,被配置用于基于所述待检索文本的文本特征表示和所述图像库中各图像的图像特征表示,计算所述待检索文本与所述图像库中的每个图像的相似度,其中,所述图像库中各图像的图像特征表示为利用所述图像编码子模型来获得;
确定模块,被配置用于基于相应的相似度,从所述图像库中确定与所述待检索文本匹配的至少一个图像。
7.一种电子设备,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1-4中任一项所述的方法。
8.一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1-4中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111101658.8A CN113836333B (zh) | 2021-09-18 | 2021-09-18 | 图文匹配模型的训练方法、实现图文检索的方法、装置 |
US17/943,458 US20230005284A1 (en) | 2021-09-18 | 2022-09-13 | Method for training image-text matching model, computing device, and storage medium |
EP22196023.0A EP4152178A1 (en) | 2021-09-18 | 2022-09-16 | Method for training image-text matching model, apparatus, storage medium, and computer program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111101658.8A CN113836333B (zh) | 2021-09-18 | 2021-09-18 | 图文匹配模型的训练方法、实现图文检索的方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836333A CN113836333A (zh) | 2021-12-24 |
CN113836333B true CN113836333B (zh) | 2024-01-16 |
Family
ID=78960110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111101658.8A Active CN113836333B (zh) | 2021-09-18 | 2021-09-18 | 图文匹配模型的训练方法、实现图文检索的方法、装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230005284A1 (zh) |
EP (1) | EP4152178A1 (zh) |
CN (1) | CN113836333B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2023165942A1 (en) * | 2022-03-04 | 2023-09-07 | Koninklijke Philips N.V. | Cross-modality data matching |
EP4239644A1 (en) * | 2022-03-04 | 2023-09-06 | Koninklijke Philips N.V. | Cross-modality data matching |
CN114625923B (zh) * | 2022-03-18 | 2024-01-09 | 北京百度网讯科技有限公司 | 视频检索模型的训练方法、视频检索方法、装置以及设备 |
CN114612749B (zh) * | 2022-04-20 | 2023-04-07 | 北京百度网讯科技有限公司 | 神经网络模型训练方法及装置、电子设备和介质 |
CN114782722B (zh) * | 2022-04-29 | 2023-02-03 | 北京百度网讯科技有限公司 | 图文相似度的确定方法、装置及电子设备 |
CN114972910B (zh) * | 2022-05-20 | 2023-05-23 | 北京百度网讯科技有限公司 | 图文识别模型的训练方法、装置、电子设备及存储介质 |
CN115115914B (zh) * | 2022-06-07 | 2024-02-27 | 腾讯科技(深圳)有限公司 | 信息识别方法、装置以及计算机可读存储介质 |
CN114880441B (zh) * | 2022-07-06 | 2023-02-10 | 北京百度网讯科技有限公司 | 视觉内容生成方法、装置、系统、设备和介质 |
CN114896373B (zh) * | 2022-07-15 | 2022-12-09 | 苏州浪潮智能科技有限公司 | 图文互检模型训练方法及装置、图文互检方法、设备 |
CN115512005A (zh) * | 2022-08-22 | 2022-12-23 | 华为技术有限公司 | 一种数据处理方法及其装置 |
CN115631251B (zh) * | 2022-09-07 | 2023-09-22 | 北京百度网讯科技有限公司 | 基于文本生成图像的方法、装置、电子设备和介质 |
CN115292455B (zh) * | 2022-10-08 | 2023-03-24 | 有米科技股份有限公司 | 图文匹配模型的训练方法及装置 |
CN116166843B (zh) * | 2023-03-02 | 2023-11-07 | 北京中科闻歌科技股份有限公司 | 基于细粒度感知的文本视频跨模态检索方法和装置 |
CN115860587A (zh) * | 2023-03-02 | 2023-03-28 | 广州市玄武无线科技股份有限公司 | 基于图文匹配的拜访考核方法、装置、设备及存储介质 |
CN116467607B (zh) * | 2023-03-28 | 2024-03-01 | 阿里巴巴(中国)有限公司 | 信息匹配方法和存储介质 |
CN116631566A (zh) * | 2023-05-23 | 2023-08-22 | 重庆邮电大学 | 一种基于大数据的医学影像报告智能生成方法 |
CN116841506B (zh) * | 2023-06-30 | 2024-05-03 | 北京百度网讯科技有限公司 | 程序代码生成方法及装置、模型训练方法及装置 |
CN116992493B (zh) * | 2023-09-01 | 2024-02-06 | 滨州八爪鱼网络科技有限公司 | 数字盲盒的生成方法及其系统 |
CN117076711A (zh) * | 2023-10-12 | 2023-11-17 | 北京汇通天下物联科技有限公司 | 驾驶行为识别模型的训练方法、识别方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257452A (zh) * | 2020-09-21 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 情感识别模型的训练方法、装置、设备和存储介质 |
CN112650867A (zh) * | 2020-12-25 | 2021-04-13 | 北京中科闻歌科技股份有限公司 | 图片匹配方法、装置、电子设备以及存储介质 |
CN113360700A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 图文检索模型的训练和图文检索方法、装置、设备和介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11144784B2 (en) * | 2019-05-30 | 2021-10-12 | Adobe Inc. | Text-to-visual machine learning embedding techniques |
WO2021042763A1 (en) * | 2019-09-03 | 2021-03-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Image searches based on word vectors and image vectors |
-
2021
- 2021-09-18 CN CN202111101658.8A patent/CN113836333B/zh active Active
-
2022
- 2022-09-13 US US17/943,458 patent/US20230005284A1/en active Pending
- 2022-09-16 EP EP22196023.0A patent/EP4152178A1/en not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257452A (zh) * | 2020-09-21 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 情感识别模型的训练方法、装置、设备和存储介质 |
CN112650867A (zh) * | 2020-12-25 | 2021-04-13 | 北京中科闻歌科技股份有限公司 | 图片匹配方法、装置、电子设备以及存储介质 |
CN113360700A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 图文检索模型的训练和图文检索方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
基于深度学习哈希算法的快速图像检索研究;李泗兰;郭雅;;计算机与数字工程(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US20230005284A1 (en) | 2023-01-05 |
CN113836333A (zh) | 2021-12-24 |
EP4152178A1 (en) | 2023-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836333B (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
CN112749758B (zh) | 图像处理方法、神经网络的训练方法、装置、设备和介质 | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN114005178B (zh) | 人物交互检测方法、神经网络及其训练方法、设备和介质 | |
CN113656582A (zh) | 神经网络模型的训练方法、图像检索方法、设备和介质 | |
CN113836268A (zh) | 文档理解方法及装置、电子设备和介质 | |
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 | |
CN112528004A (zh) | 语音交互方法、装置、电子设备、介质和计算机程序产品 | |
CN115862031B (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
CN115170887B (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
CN116152607A (zh) | 目标检测方法、训练目标检测模型的方法及装置 | |
CN114547270B (zh) | 文本处理方法、文本处理模型的训练方法、装置和设备 | |
CN113868453B (zh) | 对象推荐方法和装置 | |
US20220207286A1 (en) | Logo picture processing method, apparatus, device and medium | |
CN115600646A (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN115359309A (zh) | 目标检测模型的训练方法及装置、设备和介质 | |
CN115578451B (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
CN114821233B (zh) | 目标检测模型的训练方法及装置、设备和介质 | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN113836939B (zh) | 基于文本的数据分析方法和装置 | |
CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
CN116450917B (zh) | 信息搜索方法及装置、电子设备和介质 | |
CN112765975B (zh) | 分词岐义处理方法、装置、设备以及介质 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN116205819B (zh) | 字符图像生成方法、深度学习模型的训练方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |