CN113918760A - 视觉搜索方法和装置 - Google Patents

Abstract

本公开提供了一种视觉搜索方法和装置，涉及计算机技术领域，尤其涉及基于人工智能的搜索技术领域。实现方案为：基于来自用户的搜索数据，获得视觉搜索意图，其中，搜索数据包括语音数据和图像数据，并且其中，视觉搜索意图与语音数据的文本和图像数据中的图像区域相关；以及基于视觉搜索意图，获得搜索结果。

Description

视觉搜索方法和装置

技术领域

本公开涉及计算机技术领域，尤其涉及基于人工智能的搜索技术，具体涉及一种视觉搜索方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

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。

基于人工智能的搜索技术，已经渗透到各个领域。其中，基于人工智能的视觉搜索技术，根据用户的图像数据，获取搜索结果。

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

本公开提供了一种视觉搜索方法、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，提供了一种视觉搜索方法，包括：基于来自用户的搜索数据，获得视觉搜索意图，其中，所述搜索数据包括语音数据和图像数据，并且其中，所述视觉搜索意图与所述语音数据的文本和所述图像数据中的图像区域相关；以及基于所述视觉搜索意图，获得搜索结果。

根据本公开的另一方面，提供了一种视觉搜索装置，包括：视觉搜索意图获取单元，被配置基于来自用户的搜索数据，获得视觉搜索意图，其中，所述搜索数据包括语音数据和图像数据，并且其中，所述视觉搜索意图与所述语音数据的文本和所述图像数据中的图像区域相关；以及搜索结果获取单元，被配置用于基于所述视觉搜索意图，获得搜索结果。

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实现根据上述的方法。

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，所述计算机指令用于使所述计算机实现根据上述的方法。

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，所述计算机程序在被处理器执行时实现根据上述的方法。

根据本公开的一个或多个实施例，基于用户的包含语音数据和图像数据的搜索数据，获得视觉搜索意图，该视觉搜索意图与语音数据的文本和图像数据的图像区域相关，使得视觉搜索意图能够精准反应用户的搜索意图，从而使基于该视觉搜索意图获得的搜索结果准确。

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视觉搜索方法的流程图；

图3示出了根据本公开的实施例的视觉搜索方法中基于来自用户的搜索数据获得视觉搜索意图的过程的流程图；

图4示出了根据本公开的实施例的视觉搜索方法中基于语音数据获得搜索意图文本的过程的流程图；

图5示出了根据本公开的实施例的视觉搜索方法中基于对象指示文本获取图像区域的过程的流程图；

图6示出了根据本公开的实施例的视觉搜索方法中基于对象指示文本获得所述图像区域的过程的流程图；

图7示出了根据本公开的实施例的视觉搜索装置的结构框图；以及

图8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视觉搜索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来接收搜索结果。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对象文件的信息。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。

参看图2，根据本公开的一些实施例的一种视觉搜索方法200包括：

步骤S210：基于来自用户的搜索数据，获得视觉搜索意图，其中，所述搜索数据包括语音数据和图像数据，并且其中，所述视觉搜索意图与所述语音数据的文本和所述图像数据中的图像区域相关；

步骤S220：基于所述视觉搜索意图，获得搜索结果。

在相关技术中，在基于目标用户的搜索数据为用户获取搜索结果的过程中，往往对用户的搜索图像或者搜索语音分别进行分析，获得搜索意图，该搜索意图仅仅与搜索图像相关或者仅仅与搜索语音相关，不能准确体现用户的搜索意图。

例如，在基于用户的搜索图像进行搜索的过程中，往往获得位于用户的搜索图像中的中间位置的对象，并基于该对象推测用户的搜索意图是“中间对象是什么”，以进行搜索，而获得搜索结果。该结果往往不准确。

又例如，在基于用户的搜索语音进行搜索的过程中，往往通过分析搜索语音的文本获得搜索意图，基于根据文本获得的搜索意图获得搜索结果。由于用户的语音往往不能准确描述其所需要搜索的对象，使获得的搜索意图不准确，从而使获得的搜索结果不准确。

根据本公开的实施例，通过将用户的搜索数据中的图像数据和语音数据相结合，获得视觉搜索意图，该视觉搜索意图与语音数据的文本和图像数据的图像区域相关，使得视觉搜索意图能够精准反应用户的搜索意图，从而使基于该视觉搜索意图获得的搜索结果准确。

在一些实施例中，语音数据可以是用户自己口述的一段语音，也可以是用户输入的语音音频，在此并不限定。

在一些实施例中，视频数据可以包括用户拍摄的照片或者视频、用户输入的视频或者视频中的一帧图像等等，在此并不限定。

在一些实施例中，如图3所示、基于来自用户的搜索数据，获得视觉搜索意图包括：

步骤S310：基于所述语音数据，获得搜索意图文本，所述搜索意图文本包括对象指示文本和与所述对象指示文本对应的问题意图文本；以及

步骤S320：基于所述对象指示文本，获得所述图像区域，其中，所述视觉搜索意图包括所述图像区域和所述问题意图文本。

通过搜索意图文本，获得包括对象指示文本和问题意图文本的搜索意图文本，并基于搜索意图文本中的对象指示文本获得图像数据中的图像区域，使视觉搜索意图包括该图像区域和搜索意图文本中的问题意图文本。由于文本表示的问题意图准确，并且图像区域表示的对象较对象指示文本指示的对象更加具体和准确，使获得的视觉搜索意图包含具体和准确的对象和准确的问题意图，从而使获得搜索结果更加准确。

在一些实施例中，对象可以是物品、植物、动物等等，在此并不限定。

在一些实施例中，对象指示文本可以是用以指示搜索对象，将搜索对象与图像中的其他对象区分出来的任何文本，包括但不限于指示对象的分类类型的分类指示文本，指示对象和对象之间的相对关系的关系指示文本。

在一些示例中，分类指示文本包括颜色指示文本，例如，红色、黄色等；分类指示文本，例如人、车、手机等。

在一些示例中，关系指示文本包括相对位置指示文本，例如左侧、右侧、前方或者后方等；相对年龄指示文本，例如年龄较大，等等。

需要理解的是，上述示例中仅仅对分类指示文本和关系指示文本进行示例性介绍，本领域技术人员应当理解，还分类指示文本和关系指示文本还可以是任何形式的指示文本，在此并不限定，

在一些实施例中，如图4所示，基于所述语音数据，获得搜索意图文本包括：

步骤S410：将所述语音数据，转化为所述文本；以及

步骤S420：对所述文本进行语义理解，获得所述搜索意图文本。

基于语音数据转化的文本，进行语义理解，获取搜索意图文本，使搜索意图文本与文本的语义相关，从而更准确。

例如，对于用户的语音数据转化的文本“那辆红色的车真好看啊，不知道要多少钱”，进行语义理解，获得的搜索意图文本为“红色的车多少钱？”。由于搜索意图文本是基于对语音数据转化的文本进行语义理解得到的，其相对于语音数据转化的文本精简，能准确表征用户的搜索意图。

在一些实施例中，如图5所示，基于所述对象指示文本，获得所述图像区域包括：

步骤S510：对所述图像进行图像理解，以获得所述图像数据中的多个对象和所述多个对象中的每一个对象对应的对象标签；

步骤S520：从所述多个对象中确定至少一个对象，其中，所述至少一个对象中的每一个对象对应的对象标签与该对象指示文本对应；以及

步骤S530：基于所述至少一个对象，获得所述图像区域。

对图像进行图像理解，获取图像数据中多个对象和多个对象中的每一个对象对应的对象标签，由于对象标签能够将图像数据中的多个对象中的每一个对象与其他对象区分开来，从而使得根据对象标签和对象指示文本，可以从多个对象中获取要搜索的对象，进而获得视觉搜索意图的图像区域。

在一些实施例中，对象标签可以是指示对象的分类类型的分类标签。

在一些实施例中，分类类型可以包括以对象的属性为分类标准的属性分类类型，对象的分类类型也可以包括植物、动物和人等分类类型，也可以包括人、车、马、道路、路灯等属性的分类类型。

需要理解的是，对象标签可以包括对象按照任何维度进行分类的分类类型，也可以包括可以识别的最小维度的分类类型。例如对于照片中的人作为对象，对象标签可以是指示植物、动物和人等分类类型中的人的分类标签，也可以是指示以人的性别作为区分的分类类型(例如男人和女人分类类型)中的男人的分类标签；还可以是指示以身份类型进行区分的分类类型(例如学生/老师/医生等分类类型)中的学生的分类标签。

在一些实施例中，分类类型还可以包括以对象的颜色为分类标注的颜色分类类型，例如，颜色分类类型可以包括：红色、黄色、蓝色、紫色等等。

在一些实施例中，对象标签还可以包括指示多个对象之间的相对关系的关系标签。

在一些实施例中，相对关系可以包括位置关系、相对大小关系、相对年龄关系等等。

例如，对于照片中的三个人(位于图像的左边的第一人、位于图像的中间的第二人和位于图像的右边的第三人)，对象标签可以包括指示三个人中的每一个人相对三个人中的另外两个人的相对位置关系的关系标签。对于位于图像的左边的第一人，其对象标签包括指示其位于最左边的关系标签；对于位于图像的中间的第二人，其对象标签包括指示其位于中间的关系标签；对于位于图像的右边的第三人，其对象标签包括指示其位于最右边等等的关系标签。

又例如，对于照片中道路上的人和车里的人，相对关系可以包括人相对于道路和人相对于车的位置关系。对于照片中道路上的人，对象标签可以包括指示对象位于道路上的关系标签。对于车里的人，对象标签可以包括指示对象位于车里的关系标签。

在一些实施例中，对于所述多个对象中的每一个对象，该对象的对象标签包括指示该对象的分类类型的分类标签，并且其中，所述对象指示文本包括对应于分类类型的分类指示文本。

由于根据对象的分类类型可以准确获得索要搜索的对象，通过将指示多个对象中的每一个对象的分类的分类标签作为对象标签，并且将对象标签与对象指示文本中指示分类类型的分类指示文本对应的对象作为获取图像区域的对象，使获得的用以获取图像区域的至少一个对象准确，从而使所获取的视觉搜索意图中的图像区域准确。

在一些实施例中，对于所述多个对象中的每一个对象，该对象的对象标签包括指示该对象与所述多个对象中的区别于该对象的任一对象的相对关系的关系标签，并且其中，所述对象指示文本包括对应于相对关系的关系指示文本。

由于相对关系指示图像数据中多个对象之间的更多的信息，通过获取指示对象与所述多个对象中的区别于该对象的任一对象的相对关系的关系标签，并且将关系标签与对象指示文本中指示相对关系的分类指示文本对应的对象作为获取图像区域的对象，进一步提升根据对象指示文本所获得的用以获取图像区域的至少一个对象的准确性，进一步提升使所获取的视觉搜索意图中的图像区域准确。

根据本公开的实施例，采用图像理解获取图像数据中的多个对象，由于图像理解过程，对图像数据进行充分理解，通过理解图像数据中包含的多个对象和多个对象之间的相对关系，使得获得的对象标签全面、准确，从而使获得的作为搜索对象的至少一个对象准确，进而使获得的视觉搜索意图的图像区域准确。

在一些实施例中，如图6所示，基于所述对象指示文本，获得所述图像区域包括：

步骤S610：基于所述对象指示文本，识别所述图像中的至少一个对象；以及

步骤S620：基于所述至少一个对象，获得所述图像区域。

对于图像中包括多种分类类型的多个对象的情况，通过对象指示文本，识别图像中的用以获取图像区域的至少一个对象，其基于预设的目标(对象指示文本所指示的对象)进行识别，而不需要对图像中的多个对象中的每一个对象的多个分类类型的每一个分类类型进行理解，从而可以减少数据处理量。

例如，对于对象指示文本为“红色的车”，基于该对象指示文本识别图像中红色的车，其仅仅只需要对红色区域的车进行识别，而不需要对道路上的树、道路上的人进行识别，从而减少数据处理量。

在一些实施例中，将图像数据中与至少一个对象对应的区域作为图像区域，以用于搜索。

在一些实施例中，基于视觉搜索意图，获得的搜索结果可以以视频、语音、文字或图像的形式展示给用户，在此并不限定。

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。

根据本公开的另一方面，还提供一种视觉搜索装置，参看图7，该装置700包括：视觉搜索意图获取单元710，被配置基于来自用户的搜索数据，获得视觉搜索意图，其中，所述搜索数据包括语音数据和图像数据，并且其中，所述视觉搜索意图与所述语音数据的文本和所述图像数据中的图像区域相关；以及搜索结果获取单元720，被配置用于基于所述视觉搜索意图，获得搜索结果。

在一些实施例中，所述视觉搜索意图获取单元710包括：搜索意图文本获取单元，被配置用于基于所述语音数据，获得搜索意图文本，所述搜索意图文本包括对象指示文本和与所述对象指示文本对应的问题意图文本；

图像区域获取单元，被配置用于基于所述对象指示文本，获得所述图像区域，其中，所述视觉搜索意图包括所述图像区域和所述问题意图文本。

在一些实施例中，所述搜索意图文本获取单元包括：语音文本获取单元，被配置用于将所述语音数据，转化为所述文本；以及语义理解单元，被配置用于对所述文本进行语义理解，获得所述搜索意图文本。

在一些实施例中，所述图像区域获取单元包括：图像理解单元，被配置用于对所述图像进行图像理解，以获得所述图像数据中的多个对象和所述多个对象中的每一个对象对应的对象标签；对象确定单元，被配置用于从所述多个对象中确定至少一个对象，其中，所述至少一个对象中的每一个对象对应的对象标签与该对象指示文本对应；以及第一获取子单元，被配置用于基于所述至少一个对象，获得所述图像区域。

在一些实施例中，对于所述多个对象中的每一个对象，该对象的对象标签包括指示该对象的分类类型的分类标签，并且其中，所述对象指示文本包括对应于分类类型的分类指示文本。

在一些实施例中，对于所述多个对象中的每一个对象，该对象的对象标签包括指示该对象与所述多个对象中的区别于该对象的任一对象的相对关系的关系标签，并且其中，所述对象指示文本包括对应于相对关系的关系指示文本。

在一些实施例中，所述图像区域获取单元包括：识别单元，被配置用于基于所述对象指示文本，识别所述图像中的至少一个对象；以及第二获取子单元，被配置用于基于所述至少一个对象，获得所述图像区域。

根据本公开的另一方面，还提供一种电子设备，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计算机程序，所述计算机程序在被所述至少一个处理器执行时实现根据上述的方法。

根据本公开的另一方面，还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被处理器执行时实现根据上述的方法。

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，所述计算机程序在被处理器执行时实现根据上述的方法。

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8，现将描述可以作为本公开的服务器或客户端的电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806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807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、对象/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元801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。

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 (17)

1.一种视觉搜索方法，包括：

基于来自用户的搜索数据，获得视觉搜索意图，其中，所述搜索数据包括语音数据和图像数据，并且其中，所述视觉搜索意图与所述语音数据的文本和所述图像数据中的图像区域相关；以及

基于所述视觉搜索意图，获得搜索结果。

2.根据权利要求1所述的方法，其中，所述基于来自用户的搜索数据，获得视觉搜索意图包括：

基于所述语音数据，获得搜索意图文本，所述搜索意图文本包括对象指示文本和与所述对象指示文本对应的问题意图文本；以及

基于所述对象指示文本，获得所述图像区域，其中，所述视觉搜索意图包括所述图像区域和所述问题意图文本。

3.根据权利要求2所述的方法，其中，所述基于所述语音数据，获得搜索意图文本包括：

将所述语音数据，转化为所述文本；以及

对所述文本进行语义理解，获得所述搜索意图文本。

4.根据权利要求2所述的方法，其中，所述基于所述对象指示文本，获得所述图像区域包括：

对所述图像进行图像理解，以获得所述图像数据中的多个对象和所述多个对象中的每一个对象对应的对象标签；

从所述多个对象中确定至少一个对象，其中，所述至少一个对象中的每一个对象对应的对象标签与该对象指示文本对应；以及

基于所述至少一个对象，获得所述图像区域。

5.根据权利要求4所述的方法，其中，对于所述多个对象中的每一个对象，该对象的对象标签包括指示该对象的分类类型的分类标签，并且其中，所述对象指示文本包括对应于分类类型的分类指示文本。

6.根据权利要求4所述的方法，其中，对于所述多个对象中的每一个对象，该对象的对象标签包括指示该对象与所述多个对象中的区别于该对象的任一对象的相对关系的关系标签，并且其中，所述对象指示文本包括对应于相对关系的关系指示文本。

7.根据权利要求2所述的方法，其中，所述基于所述对象指示文本，获得所述图像区域包括：

基于所述对象指示文本，识别所述图像中的至少一个对象；以及

基于所述至少一个对象，获得所述图像区域。

8.一种视觉搜索装置，包括：

视觉搜索意图获取单元，被配置基于来自用户的搜索数据，获得视觉搜索意图，其中，所述搜索数据包括语音数据和图像数据，并且其中，所述视觉搜索意图与所述语音数据的文本和所述图像数据中的图像区域相关；以及

搜索结果获取单元，被配置用于基于所述视觉搜索意图，获得搜索结果。

9.根据权利要求7所述的装置，其中，所述视觉搜索意图获取单元包括：

搜索意图文本获取单元，被配置用于基于所述语音数据，获得搜索意图文本，所述搜索意图文本包括对象指示文本和与所述对象指示文本对应的问题意图文本；以及

图像区域获取单元，被配置用于基于所述对象指示文本，获得所述图像区域，其中，所述视觉搜索意图包括所述图像区域和所述问题意图文本。

10.根据权利要求9所述的装置，其中，所述搜索意图文本获取单元包括：

语音文本获取单元，被配置用于将所述语音数据，转化为所述文本；以及

语义理解单元，被配置用于对所述文本进行语义理解，获得所述搜索意图文本。

11.根据权利要求9所述的装置，其中，所述图像区域获取单元包括：

图像理解单元，被配置用于对所述图像进行图像理解，以获得所述图像数据中的多个对象和所述多个对象中的每一个对象对应的对象标签；

对象确定单元，被配置用于从所述多个对象中确定至少一个对象，其中，所述至少一个对象中的每一个对象对应的对象标签与该对象指示文本对应；以及

第一获取子单元，被配置用于基于所述至少一个对象，获得所述图像区域。

12.根据权利要求11所述的装置，其中，对于所述多个对象中的每一个对象，该对象的对象标签包括指示该对象的分类类型的分类标签，并且其中，所述对象指示文本包括对应于分类类型的分类指示文本。

13.根据权利要求11所述的装置，其中，对于所述多个对象中的每一个对象，该对象的对象标签包括指示该对象与所述多个对象中的区别于该对象的任一对象的相对关系的关系标签，并且其中，所述对象指示文本包括对应于相对关系的关系指示文本。

14.根据权利要求9所述的装置，其中，所述图像区域获取单元包括：

识别单元，被配置用于基于所述对象指示文本，识别所述图像中的至少一个对象；以及

第二获取子单元，被配置用于基于所述至少一个对象，获得所述图像区域。

15.一种电子设备，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1-7中任意一项所述的方法。

16.一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1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。

Images