CN114036937A - 场景布局预测网络的训练方法及场景布局的估计方法 - Google Patents

Abstract

本公开关于一种场景布局预测网络的训练方法及场景布局的估计方法，训练方法包括：获取多个样本组，每个样本组包括样本文本及样本文本对应的目标场景布局信息，目标场景布局信息包括样本文本中目标对象的标注类别信息、及目标对象的标注尺寸信息及标注位置信息；对每个样本组中的样本文本进行词向量转换处理，得到样本文本对应的样本词向量序列；通过初始场景布局预测网络对样本词向量序列进行场景布局预测处理，得到样本文本的预测场景布局信息；根据样本文本的预测场景布局信息和对应的目标场景布局信息的差异，确定初始场景布局预测网络的损失值；根据初始场景布局预测网络的损失值，训练初始场景布局预测网络，得到场景布局预测网络。本公开可以提高空间布局预测效率。

Description

场景布局预测网络的训练方法及场景布局的估计方法

技术领域

本公开涉及自然语言处理技术领域，尤其涉及一种场景布局预测网络的训练方法及场景布局的估计方法。

背景技术

随着计算机视觉和自然语言处理技术的发展，目前可以实现基于自然语言生成对应的图像，但直接基于自然语言生成图像的任务难度较大。空间布局是对图像的抽象表达，它有利于拉近语言与图像之间的分布差异，可以降低直接从自然语言生成图像的任务难度，因此，将自然语言的语言空间关系解码为二维的空间布局具有重要的意义。

相关技术中，用户预先对待处理文本进行处理，获取待处理文本中涉及的实体的素材，并对素材的尺寸进行人工调整后，将待处理文本及素材输入预训练的布局预测网络中，可以得到包括各素材的位置和朝向的空间布局信息。

然而上述方式中，需要用户能够先理解待处理文本、并找出对应尺寸的素材方可获取对应的空间布局信息，无法实现从文本到空间位置的完全自动化处理，空间布局预测效率较低。

发明内容

本公开提供一种场景布局预测网络的训练方法及场景布局的估计方法，以至少解决相关技术中空间布局预测效率低的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种场景布局预测网络的训练方法，包括：

获取多个样本组，每个所述样本组包括样本文本及所述样本文本对应的目标场景布局信息，所述目标场景布局信息包括所述样本文本中目标对象的标注类别信息、及所述目标对象的标注尺寸信息及标注位置信息；

对每个所述样本组中的所述样本文本进行词向量转换处理，得到所述样本文本对应的样本词向量序列；

通过初始场景布局预测网络对所述样本词向量序列进行场景布局预测处理，得到所述样本文本的预测场景布局信息，所述预测场景布局信息包括所述样本文本中目标对象的预测类别信息、所述目标对象的预测尺寸信息及预测位置信息；

根据所述样本文本的预测场景布局信息和对应的所述目标场景布局信息的差异，确定所述初始场景布局预测网络的损失值；

根据所述初始场景布局预测网络的损失值，训练所述初始场景布局预测网络，得到场景布局预测网络。

在一种可能的实现方式中，所述对每个所述样本组中的所述样本文本进行词向量转换处理，得到所述样本文本对应的样本词向量序列，包括：

对所述样本文本进行词向量转换处理，得到所述样本文本对应的初始词向量序列；

根据所述初始词向量序列及所述样本文本中各分词对应的位置索引，得到所述样本文本对应的样本词向量序列。

在一种可能的实现方式中，所述对所述样本文本进行词向量转换处理，得到所述样本文本对应的初始词向量序列，包括：

对所述样本文本进行分句处理，得到所述样本文本中的各样本语句；

针对任一所述样本语句，对所述样本语句进行词向量转换处理，得到所述样本语句对应的词向量序列；

根据各所述样本语句对应的词向量序列，得到所述样本文本对应的初始词向量序列，所述初始词向量序列中起始位置设置有用于表示分类任务的分类标识，任意两个所述样本语句的词向量序列之间设置有分隔标识。

在一种可能的实现方式中，所述对所述样本语句进行词向量转换处理，得到所述样本语句对应的词向量序列，包括：

对所述样本语句中各所述分词进行词向量转换处理，得到各所述分词对应的词向量；

对所述样本语句中各所述分词对应的所述词向量进行拼接处理，得到所述样本语句对应的词向量序列。

在一种可能的实现方式中，所述样本组还包括样本文本对应的样本图像的尺寸信息，所述根据所述样本文本的预测场景布局信息和对应的所述目标场景布局信息的差异，确定所述初始场景布局预测网络的损失值，包括：

根据所述样本图像的尺寸信息分别对所述样本文本的预测场景布局信息和对应的所述目标场景布局信息进行归一化处理，得到归一化后的所述预测场景布局信息和归一化后的所述目标场景布局信息；

根据所述归一化后的所述预测场景布局信息及所述归一化后的所述目标场景布局信息的差异，确定所述初始场景布局预测网络的损失值。

在一种可能的实现方式中，所述初始场景布局预测网络包括基于变压器transformer的编码器及基于transformer的解码器，所述通过初始场景布局预测网络对所述样本词向量序列进行场景布局预测处理，得到所述样本文本的预测场景布局信息，包括：

通过所述编码器对所述样本词向量序列进行编码处理，得到所述样本词向量序列的语义特征；

通过所述解码器对所述语义特征进行解码处理，得到所述样本文本的预测场景布局信息。

根据本公开实施例的第二方面，提供一种场景布局的估计方法，所述方法包括：

对待处理文本进行词向量转换处理，得到所述待处理文本对应的词向量序列；

通过场景布局预测网络对所述词向量序列进行场景布局预测处理，得到所述待处理文本对应的预测场景布局信息，所述预测场景布局信息包括所述待处理文本中目标对象的预测类别信息、所述目标对象的预测尺寸信息及预测位置信息，

其中，所述场景布局预测网络通过权利要求1至6中任一项所述的场景布局预测网络的训练方法训练得到。

在一种可能的实现方式中，在所述得到所述待处理文本对应的预测场景布局信息之后，还包括：

根据所述预测场景布局信息，构建所述待处理文本对应的空间布局图像。

在一种可能的实现方式中，所述根据所述预测场景布局信息，构建所述待处理文本对应的空间布局图像，包括：

根据各所述目标对象的所述预测类别信息，获取各所述目标对象对应的目标图像；

根据各所述目标对象对应的所述预测位置信息及所述预测尺寸信息，对各所述目标对象对应的目标图像进行布局，构建所述待处理文本对应的空间布局图像。

根据本公开实施例的第三方面，提供一种场景布局预测网络的训练装置，包括：

获取单元，被配置为执行获取多个样本组，每个所述样本组包括样本文本及所述样本文本对应的目标场景布局信息，所述目标场景布局信息包括所述样本文本中目标对象的标注类别信息、及所述目标对象的标注尺寸信息及标注位置信息；

转换单元，被配置为执行对每个所述样本组中的所述样本文本进行词向量转换处理，得到所述样本文本对应的样本词向量序列；

预测单元，被配置为执行通过初始场景布局预测网络对所述样本词向量序列进行场景布局预测处理，得到所述样本文本的预测场景布局信息，所述预测场景布局信息包括所述样本文本中目标对象的预测类别信息、所述目标对象的预测尺寸信息及预测位置信息；

确定单元，被配置为执行根据所述样本文本的预测场景布局信息和对应的所述目标场景布局信息的差异，确定所述初始场景布局预测网络的损失值；

预测单元，被配置为执行根据所述初始场景布局预测网络的损失值，训练所述初始场景布局预测网络，得到场景布局预测网络。

在一种可能的实现方式中，所述转换单元，包括：

转换子单元，被配置为执行对所述样本文本进行词向量转换处理，得到所述样本文本对应的初始词向量序列；

第一处理子单元，被配置为执行根据所述初始词向量序列及所述样本文本中各分词对应的位置索引，得到所述样本文本对应的样本词向量序列。

在一种可能的实现方式中，所述转换子单元，还被配置为执行：

对所述样本文本进行分句处理，得到所述样本文本中的各样本语句；

针对任一所述样本语句，对所述样本语句进行词向量转换处理，得到所述样本语句对应的词向量序列；

根据各所述样本语句对应的词向量序列，得到所述样本文本对应的初始词向量序列，所述初始词向量序列中起始位置设置有用于表示分类任务的分类标识，任意两个所述样本语句的词向量序列之间设置有分隔标识。

在一种可能的实现方式中，所述转换子单元，还被配置为执行：

对所述样本语句中各所述分词进行词向量转换处理，得到各所述分词对应的词向量；

对所述样本语句中各所述分词对应的所述词向量进行拼接处理，得到所述样本语句对应的词向量序列。

在一种可能的实现方式中，所述样本组还包括样本文本对应的样本图像的尺寸信息，所述确定单元，包括：

第二处理子单元，被配置为根据所述样本图像的尺寸信息分别对所述样本文本的预测场景布局信息和对应的所述目标场景布局信息进行归一化处理，得到归一化后的所述预测场景布局信息和归一化后的所述目标场景布局信息；

确定子单元，被配置为执行根据所述归一化后的所述预测场景布局信息及所述归一化后的所述目标场景布局信息的差异，确定所述初始场景布局预测网络的损失值。

在一种可能的实现方式中，所述初始场景布局预测网络包括基于变压器transformer的编码器及基于transformer的解码器，所述预测单元，包括：

编码子单元，被配置为执行通过所述编码器对所述样本词向量序列进行编码处理，得到所述样本词向量序列的语义特征；

解码子单元，被配置为执行通过所述解码器对所述语义特征进行解码处理，得到所述样本文本的预测场景布局信息。

根据本公开实施例的第四方面，提供一种场景布局的估计装置，包括：

处理单元，被配置为执行对待处理文本进行词向量转换处理，得到所述待处理文本对应的词向量序列；

预测单元，被配置为执行通过场景布局预测网络对所述词向量序列进行场景布局预测处理，得到所述待处理文本对应的预测场景布局信息，所述预测场景布局信息包括所述待处理文本中目标对象的预测类别信息、所述目标对象的预测尺寸信息及预测位置信息，

其中，所述场景布局预测网络通过权利要求1至6中任一项所述的场景布局预测网络的训练方法训练得到。

在一种可能的实现方式中，所述装置还包括：

构建单元，被配置为执行根据所述预测场景布局信息，构建所述待处理文本对应的空间布局图像。

在一种可能的实现方式中，所述构建单元，包括：

获取子单元，被配置为执行根据各所述目标对象的所述预测类别信息，获取各所述目标对象对应的目标图像；

构建子单元，被配置为执行根据各所述目标对象对应的所述预测位置信息及所述预测尺寸信息，对各所述目标对象对应的目标图像进行布局，构建所述待处理文本对应的空间布局图像。

根据本公开实施例的第五方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现上述的任一项方法。

根据本公开实施例的第六方面，提供一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行上述的任一项方法。

根据本公开实施例的第七方面，提供一种计算机程序产品，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行上述的任一项方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

本公开实施例通过获取多个包括样本文本及样本文本对应的目标场景布局信息的样本组，并对每个所述样本组中的样本文本进行词向量转换处理，得到样本文本对应的样本词向量序列。通过初始场景布局预测网络对样本词向量序列进行场景布局预测处理，得到样本文本的预测场景布局信息。进一步的，可以根据样本文本的预测场景布局信息和对应的目标场景布局信息的差异，确定初始场景布局预测网络的损失值，并根据初始场景布局预测网络的损失值，训练初始场景布局预测网络，得到场景布局预测网络。根据本公开实施例提供的场景布局预测网络的训练方法及场景布局的估计方法，可以训练得到用于预测文本对应的场景布局信息的场景布局预测网络，使得无需人工参与即可得到待处理文本中包含的目标对象的类别信息、位置信息和尺寸信息，可以实现场景布局信息预测的全自动化，进而可以提高场景布局信息预测的效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种场景布局预测网络的训练方法的流程图；

图2是根据一示例性实施例示出的一种场景布局预测网络的训练方法的流程图；

图3是根据一示例性实施例示出的一种场景布局预测网络的训练方法的流程图；

图4是根据一示例性实施例示出的一种场景布局预测网络的训练方法的流程图；

图5是根据一示例性实施例示出的一种场景布局预测网络的训练方法的流程图；

图6是根据一示例性实施例示出的一种场景布局预测网络的训练方法的流程图；

图7是根据一示例性实施例示出的一种场景布局预测网络的训练方法的示意图；

图8是根据一示例性实施例示出的一种场景布局预测网络的训练的示意图；

图9是根据一示例性实施例示出的一种场景布局的估计方法的示意图；

图10是根据一示例性实施例示出的一种场景布局的估计方法的示意图；

图11是根据一示例性实施例示出的一种场景布局预测网络的训练装置的框图；

图12是根据一示例性实施例示出的一种场景布局的估计装置的框图；

图13是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

还需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

在一个实施例中，如图1所示，提供了一种场景布局预测网络的训练方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

在步骤102中，获取多个样本组，每个样本组包括样本文本及样本文本对应的目标场景布局信息，目标场景布局信息包括样本文本中目标对象的标注类别信息、及目标对象的标注尺寸信息及标注位置信息。

本公开实施例中，可以预先收集大量的(文本信息-场景布局信息)作为样本组，其中文本信息作为样本文本，场景布局信息作为样本文本对应的目标场景布局信息，也即作为样本文本的标注信息。

示例性的，可以预先收集大量样本图像，并根据各样本图像构建对应的(文本信息-场景布局信息)，该文本信息用于对样本图像进行描述，场景布局信息中包括样本图像中目标对象的类别信息、目标对象在样本图像中的位置信息及尺寸信息(在场景布局信息作为目标场景布局信息时，目标对象的类别信息称为标注类别信息、尺寸信息称为标注尺寸信息、位置信息称为标注位置信息)，其中，目标对象的类别信息、位置信息和尺寸信息可以由人根据样本图像进行手动设置，也可以通过对样本图像进行图像识别处理得到，本公开实施例对此不做具体限定。

在得到大量的样本组后，可以根据样本组构建训练集

其中，i为样本组的序号，t_i＝{w_i1,…，w_ik}是第i个样本组中的样本文本，w_i1表示第i个样本组中样本文本中的第1个词，k表示第i个样本组中样本文本包含词的个数。l_i＝{(c_i1,p_i1,s_i1)，…，(c_im,p_im,s_im)是第i个样本组中样本文本对应的目标场景布局信息，其中，c_i1表示第i个样本组中样本文本中的第1个目标的标注类别信息，p_i1＝(x,y)代表第i个样本组中样本文本中的第1个目标对象的标注位置信息，s_i1＝(w,h)代表第i个样本组中样本文本中的第1个目标对象的标注尺寸信息，m表示样本文本中目标对象的个数。

在构建得到训练集后，可以根据构建的训练集训练初始场景布局预测网络。

在步骤104中，对每个样本组中的样本文本进行词向量转换处理，得到样本文本对应的样本词向量序列。

本公开实施例中，可以对样本文本中的各分词分别进行词向量转换处理，可以得到各分词对应的词向量，进而根据各分词对应的词向量，可以得到样本文本对应的样本词向量序列。

需要说明的是，本公开实施例中不对词向量转换的方式做具体限定，任一词向量转换方式均可以适用于本公开实施例中，包括且不限于：one hot编码、CBOW(ContinuousBag-Of-Words Mode，连续词袋模型)和Skip-Gram等编码转换方式。

在步骤106中，通过初始场景布局预测网络对样本词向量序列进行场景布局预测处理，得到样本文本的预测场景布局信息，预测场景布局信息包括样本文本中目标对象的预测类别信息、目标对象的预测尺寸信息及预测位置信息。

本公开实施例中，在得到样本文本对应的样本词向量序列后，可以将样本词向量序列输入初始场景布局预测网络中，以通过初始场景布局预测网络对其进行场景布局预测处理，该初始场景布局预测网络的输出信息即为样本文本对应的预测场景布局信息，该预测场景布局信息中可以包括样本文本中目标对象的预测类别信息、目标对象的预测尺寸信息及预测位置信息，其中目标对象的预测尺寸信息及预测位置信息可以分别用于表征目标对象在空间布局图像中的位置以及尺寸大小。

由于样本文本中包含了目标对象(或者也可称为实体)、属性和关系等信息，初始场景布局预测网络通过学习可以将目标对象描述映射到图像空间，并利用属性和关系作为约束，进一步控制空间布局图像中对象的尺寸大小和位置，得到预测场景布局信息，从而可以根据预测场景布局信息构建出与样本文本相匹配的空间布局图像。

示例性的，以样本文本为“A tea table and a double sofa are placedopposite the TV wall.Green plants are placed on one side of the sofa,and acarpet is placed at the bottom of the tea table”为例，将该样本文本进行词向量转换处理后，得到该样本文本对应的样本词向量序列。将样本词向量序列输入初始场景布局预测网络后，可以得到样本文本的预测场景布局信息，包括：(TV wall、位置1、尺寸1)、(teatable、位置2、尺寸2)、(double sofa、位置3、尺寸3)、(Green plants、位置4、尺寸4)、(carpet、位置5、尺寸5)。

在步骤108中，根据样本文本的预测场景布局信息和对应的目标场景布局信息的差异，确定初始场景布局预测网络的损失值。

本公开实施例中，在得到样本文本对应的预测场景布局信息后，可以采用样本文本的预测场景布局信息与样本文本对应的目标场景布局信息的差异，确定初始场景布局预测网络的损失值。

需要说明的是，本公开实施例中不对针对初始场景布局预测网络的损失值的计算方式加以限定，本示例中采用交叉熵损失方式计算预测类别信息的第一识别损失值、采用smooth-L1损失计算方式确定预测位置信息和预测尺寸信息的第二识别损失值，通过对第一识别损失值与第二识别损失值进行融合，可以得到初始场景布局预测网络的损失值。

在步骤110中，根据初始场景布局预测网络的损失值，训练初始场景布局预测网络，得到场景布局预测网络。

本公开实施例中，在得到初始场景布局预测网络的损失值后，若该损失值不满足训练要求(例如：损失值大于或者等于预置的损失阈值)，则可以根据该损失值对初始场景布局预测网络的网络参数进行调整，并重复迭代前述训练过程，直至初始场景布局预测网络的损失值满足训练要求(例如：损失值小于预置的损失阈值)后，结束训练，得到场景布局预测网络。

在训练得到场景布局预测网络后，可以采用场景布局预测网络对待处理文本进行场景布局预测处理，得到待处理文本对应的预测场景布局信息，进而根据待处理文本对应的预测场景布局信息构建对应的空间布局图像。

本公开实施例通过获取多个包括样本文本及样本文本对应的目标场景布局信息的样本组，并对每个所述样本组中的样本文本进行词向量转换处理，得到样本文本对应的样本词向量序列。通过初始场景布局预测网络对样本词向量序列进行场景布局预测处理，得到样本文本的预测场景布局信息。进一步的，可以根据样本文本的预测场景布局信息和对应的目标场景布局信息的差异，确定初始场景布局预测网络的损失值，并根据初始场景布局预测网络的损失值，训练初始场景布局预测网络，得到场景布局预测网络。根据本公开实施例提供的场景布局预测网络的训练方法，可以训练得到用于预测文本对应的场景布局信息的场景布局预测网络，使得无需人工参与即可得到待处理文本中包含的目标对象的类别信息、位置信息和尺寸信息，可以实现场景布局信息预测的全自动化，进而可以提高场景布局信息预测的效率。

在一个实施例中，参照图2所示，在步骤104中，对每个样本组中的样本文本进行词向量转换处理，得到样本文本对应的样本词向量序列，可以通过以下步骤实现：

在步骤202中，对样本文本进行词向量转换处理，得到样本文本对应的初始词向量序列；

在步骤204中，根据初始词向量序列及样本文本中各分词对应的位置索引，得到样本文本对应的样本词向量序列。

本公开实施例中，样本文本是由多个分词组成的文本信息。可以采用任一词向量转换方式对样本文本中各分词进行词向量转换处理，得到样本文本信息中各分词对应的词向量，进而根据各分词对应的词向量可以拼接得到样本文本对应的初始词向量序列。需要说明的是，本公开实施例对于词向量转换方式不做具体限定。

样本文本中任一分词均具有对应的位置索引，针对任一分词，该分词对应的位置索引可以为该分词的位置编码信息，可以用于标识该分词在样本文本中的相对位置或者绝对位置。由于初始场景布局预测网络中无法获知各分词的序列信息，但是输入的样本词向量序列对应的样本文本中每个分词又是具有顺序关系的，因此，可以获取样本文本中各分词对应的位置索引后，分别与各分词对应的词向量相加，可以得到样本文本对应的样本词向量序列，使得初始场景布局预测网络可以学习到样本文本中各分词的顺序关系，以更好的预测分词与分词之间的关系。其中，位置索引跟分词的词向量具有相同的维度d_model，因此，将位置索引与分词的词向量进行相加，即对位置索引的各个维度与词向量的各个维度分别进行相加。

示例性的，可以采用sin函数和cos函数确定词的位置索引，参照下述公式(1)：

其中，PE₍₎可以表示位置索引中各元素对应的位置编码，pos表示第几个分词，i表示位置索引中的第i个元素。示例性的，对于第1个词pos＝1，d_model＝512维，其位置索引为：

本公开实施例提供的场景布局预测网络的训练方法，可以通过样本文本中各分词的词向量及位置索引，得到样本文本的样本词向量序列，通过位置索引在样本词向量序列中引入样本文本中各分词的顺序关系，可以使得初始场景布局预测网络学习各分词的顺序关系，并根据该顺序关系更好的学习分词的相关性，可以提高初始场景布局预测网络针对样本文本的预测精度。

在一个实施例中，参照图3所示，在步骤202中，对样本文本进行词向量转换处理，得到样本文本对应的初始词向量序列，具体可以通过以下步骤实现：

在步骤302中，对样本文本进行分句处理，得到样本文本中的各样本语句；

在步骤304中，针对任一样本语句，对样本语句进行词向量转换处理，得到样本语句对应的词向量序列；

在步骤306中，根据各样本语句对应的词向量序列，得到样本文本对应的初始词向量序列，初始词向量序列中起始位置设置有用于表示分类任务的分类标识，任意两个样本语句的词向量序列之间设置有分隔标识。

本公开实施例中，在样本文本中包括多个样本语句的情况下，可以对样本文本进行分句处理，以得到样本文本中的各样本语句。本公开实施例对于针对样本文本的分句处理方式不做具体限定，凡是可以将样本文本划分为多个样本语句的方式，均适用于本公开实施例中。

在得到样本文本中的各样本语句后，可以分别对各样本语句进行词向量转换处理，得到各样本语句对应的词向量序列，并对各样本语句对应的词向量序列进行拼接处理，得到样本文本对应的初始词向量序列。在对词向量序列进行拼接处理的过程中，可以在每两个样本语句对应的词向量序列之间设置分隔符号[SEP]，得到初始拼接词向量序列，并在初始拼接词向量序列的起始位置设置用于表示分类任务的分类标识[CLS]，得到样本文本对应的初始词向量序列。其中，[CLS]是用于分类输出的特殊符号，[SEP]是用于分隔非连续token序列的特殊符号。

根据本公开实施例提供的场景布局预测网络的训练方法，可以通过分类标识和分隔标识在初始词向量序列中分隔开非连续的样本语句，可以以样本语句为单位进行初始场景布局预测，以使得初始场景布局预测网络更好的学习分词之间的语义关系，可以提高初始场景布局预测网络针对样本文本的预测精度。

在一个实施例中，参照图4所示，在步骤304中，针对任一样本语句，对样本语句进行词向量转换处理，得到样本语句对应的词向量序列，具体可以通过以下步骤实现：

在步骤402中，对样本语句中各分词进行词向量转换处理，得到各分词对应的词向量；

在步骤404中，对样本语句中各分词对应的词向量进行拼接处理，得到样本语句对应的词向量序列。

本公开实施例中，在对样本语句中各分词进行词向量转换处理的过程中，可以获取预构造的词表，并根据词表对各分词进行词向量转换，得到各分词对应的词向量。

示例性的，可以预先使用大量的文本信息构造词表，本公开实施例中以词表为subword词表为例。例如：可以采用BPE(Byte Pair Encoding,双字节编码)、word piece等方式对大量的文本信息进行分词处理，得到预构造的subword词表，词表中包括多个token，每一token对应一个子词元素。

以采用word piece构造subword词表为例，简述其构造词表的过程如下：给定了文本信息库，初始subword词表仅包含所有的单个的字符(token)，然后不断的将出现频率最高的字符串作为新的token加入到subword词表中，直到subword词表的大小达到预先设定的大小为止。例如：假设文本信息库中出现的单词及其出现次数为{‘l o w’:5,‘l o w er’:2，‘n e w e s t’:6,‘w i d e s t’:3}，初始subword词表{‘l’,‘o’,‘w’,‘e’,‘r’,‘n’,‘w’,‘s’,‘t’,‘i’,‘d’}，出现频率最高的字符串是(‘e’,‘s’)9(也即6+3)次，所以我们将‘es’作为新的token加入到词汇库中，由于‘es’作为一个整体出现在subword词表中，这时文本信息库可表示为{‘l o w’:5,‘l o w e r’:2,‘n e w es t’:6,‘w i d es t’:3}，这时出现频率最高的字符串是(‘es’,‘t’)9(也即6+3)次，将‘est’作为新的token加入到subword词表中，文本信息库更新为{‘l o w’:5,‘l o w e r’:2,‘n e w est’:6,‘w i dest’:3}，新的出现频率最高的字符串是(‘l’,‘o’)7(也即5+2)次，将‘lo’作为新的token加入到subword词表中，文本信息库更新为{‘lo w’:5,‘lo w e r’:2,‘n e w est’:6,‘w i dest’:3}。以此类推，直到subword词表大小达到预先设定的目标大小，得到预构造的subword词表。

在得到预构造的词表后，可以根据词表对样本语句进行词向量转换处理。例如：针对样本语句中任一分词，遍历词表寻找是否有token是当前分词，若有，则可以根据该token在词表中的位置得到该分词对应的词向量(该词向量中，该token所对应的维度为1，其余维度均为0)；否则，遍历词表寻找是否有token是该分词的子词(即为当前分词所包含的字符串)，如果有，则该token是表示该分词的子词之一。从词表中最长的token迭代到最短的token，尝试将每个分词中的子字符串替换为token。如果最后仍然有字符串没被替换，但词表中所有token都已迭代完毕，则将剩余的字符串替换为特殊token，如<unk>，进而根据分词的子词得到该分词对应的词向量。

在得到各分词对应的词向量后，可以按照各分词在样本语句中的顺序对各分词对应的词向量进行连接，进而得到样本语句对应的词向量序列。

本公开实施例提供的场景布局预测网络的训练方法，可以通过对样本语句中的各分词进行词向量转换处理，并根据转换后的样本语句对应的词向量序列进行场景布局预测处理，可以缓解在对训练得到的场景布局预测网络的应用过程中，待处理文本中出现在训练阶段未出现的分词所导致的预测精度下降的问题，进而可以提高场景布局预测处理的效率和精度。

在一个实施例中，样本组还包括样本文本对应的样本图像的尺寸信息，参照图5所示，在步骤108中，根据样本文本的预测场景布局信息和对应的目标场景布局信息的差异，确定初始场景布局预测网络的损失值，具体可以通过以下步骤实现：

在步骤502中，根据样本图像的尺寸信息分别对样本文本的预测场景布局信息和对应的目标场景布局信息进行归一化处理，得到归一化后的预测场景布局信息和归一化后的目标场景布局信息；

在步骤504中，根据归一化后的预测场景布局信息及归一化后的目标场景布局信息的差异，确定初始场景布局预测网络的损失值。

本公开实施例中，样本组中还可以包括用于构建样本文本的样本图像的尺寸信息。在得到样本文本的预测场景布局信息后，可以根据样本图像的尺寸信息分别对该样本文本的预测场景布局信息、及样本文本对应的目标场景布局信息进行归一化处理，得到归一化后的预测场景布局信息和归一化后的目标场景布局信息。例如：可以采用样本图像的尺寸信息对预测场景布局信息中的预测位置信息及预测尺寸信息进行归一化处理，采用样本图像的尺寸信息对目标场景布局信息中的标注位置信息及标注尺寸信息进行归一化处理。

示例性的，以对预测场景布局信息进行归一化处理的过程为例，假设样本图像的尺寸信息为(W,H)，样本文本的预测场景布局信息中目标对象的预测位置信息为(x,y)，预测尺寸信息为(w,h)，则可以根据样本图像的尺寸信息将目标对象的预测位置信息归一化为(x/W,y/H)，将目标对象的预测尺寸信息归一化为(w/W，h/H)。针对目标场景布局信息的归一化处理过程可以参照该过程即可，本公开实施例对此不做具体赘述。

在完成归一化处理后，可以根据归一化后的预测位置信息及预测尺寸信息、及归一化后的标注位置信息和标注尺寸信息，计算初始场景布局预测网络的第二识别损失值，进而根据第一识别损失值及第二识别损失值得到初始场景布局预测网络的损失值，并根据该损失值训练初始场景布局预测网络，具体训练过程参照前述实施例的相关描述即可，本公开实施例在此不再赘述。

由于样本图像的尺寸不一致，会导致初始场景布局预测网络迭代较慢，本公开实施例提供的场景布局预测网络的训练方法，可以根据样本图像的尺寸信息，对预测场景布局信息及目标场景布局预测信息进行归一化处理，并采用归一化后的场景布局预测信息和目标场景布局预测信息训练初始场景布局预测网络，可以提高初始场景布局预测网络的迭代速度，提高初始场景布局预测网络的训练速度，并提高训练得到的场景布局预测网络的稳定性。

在一个实施例中，初始场景布局预测网络包括基于变压器transformer的编码器及基于transformer的解码器，参照图6所示，在步骤106中，通过初始场景布局预测网络对样本词向量序列进行场景布局预测处理，得到样本文本的预测场景布局信息，具体可以通过以下步骤实现：

在步骤602中，通过编码器对样本词向量序列进行编码处理，得到样本词向量序列的语义特征；

在步骤604中，通过解码器对语义特征进行解码处理，得到样本文本的预测场景布局信息。

本公开实施例中，初始场景布局预测网络基于transformer网络结构。示例性的，参照图7所示，初始场景布局预测网络700基于transformer网络结构实现，包括基于transformer的编码器702及基于transformer的解码器704。其中，本示例中编码器702为包含6个self-attention(注意力机制)层的结构，每个self-attention层将输入的样本词向量序列中的每个元素映射为key(键)、query(问询)和value(值)，通过计算两个元素的query和key之间的相似性，来度量两个元素之间的相关性，并利用该相关性对value进行加权求和得到新的特征向量，输入下一self-attention层。通过叠加多个self-attention结构，初始场景布局预测网络能够提取到更高层的语义特征，进而提高初始场景布局预测网络的预测精度。

在解码器704中，可以将编码器702输出的特征向量作为解码器的输入，解码器704可以序列化的输出样本文本中各个目标对象的预测类别信息、及预测位置信息和预测尺寸信息等布局信息。解码器704也采用transformer结构，也是由多个self-attention结构组成。每一步的输出头结构可以包含3个分支，具体可以参照图8所示。其中输出头结构的一个分支为目标对象的预测类别信息，示例性的该预测类别信息可以包含80维，每一维可以用于表示目标对象属于每个对象类别的概率，另外两个分支分别为预测位置信息和预测尺寸信息，其中预测位置信息包括2维(x,y)，预测尺寸信息包含2维(w,h)。

示例性的，参照图7所示，样本图像706的内容为一个穿着蓝色毛衣的女孩在吃汉堡，对应的样本文本为“A girl in blue sweater eating hurger”，在对样本文本进行词向量转换处理后，得到对应的样本词向量序列，将该样本词向量序列输入编码器702中后，编码器702可以输出样本词向量序列对应的特征向量，并将该特征向量作为解码器704的输入信息。解码器704对输入的特征向量进行解码后，序列化的输出样本文本的预测场景布局信息，包括各个目标对象的预测类别信息、及预测位置信息和预测尺寸信息等预测场景布局信息。在图7所示的示例中，预测场景布局信息可以包括(c1,p1,s1)和(c2,p2,s2)，其中c1可以为“girl”这个对象的预测类别信息，p1和s1分别用于表征“girl”这个对象的预测位置信息和预测尺寸信息，c2可以为“burger”这个对象的预测类别信息，p2和s2分别用于表征“burger”这个对象的预测位置信息和预测尺寸信息。

本公开实施例提供的场景布局预测网络的训练方法，能够抽取样本文本中的对象，并建立从文本空间到场景位置空间的映射，通过对样本文本进行空间表达，拉近语言和视觉之间的模态差异。也即，本公开实施例提供的场景布局预测网络的训练方法，可以用于从文本信息到图像的生成任务，将其分解为“文本到场景布局”和“场景布局到图像”两个简单的任务，可以生成更加可控和高质量的图像。

在一个实施例中，如图9所示，提供了一种场景布局的估计方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

在步骤902中，对待处理文本进行词向量转换处理，得到待处理文本对应的词向量序列。

举例来说，待处理文本可以为待生成对应的空间布局图像的文本信息。本公开实施例中不对待处理文本的获取方式做具体限定，包括且不限于由用户手动输入待处理文本，或者从相应文档中获取的相关描述语句作为待处理文本。

示例性的，假设在装修情景下，用户想得到房间的空间布局图像，则用户可以描述出想要的房间布局：A tea table and a double sofa are placed opposite the TVwall.Green plants are placed on one side of the sofa,and a carpet is placedat the bottom of the tea table，并手动输入上述信息，响应于用户的输入操作，获取用户输入的“A tea table and a double sofa are placed opposite the TV wall.Greenplants are placed on one side of the sofa,and a carpet is placed at thebottom of the tea table”作为待处理文本。

对待处理文本进行词向量转换处理，可以得到待处理文本对应的词向量序列。需要说明的是，本公开实施例中不对词向量转换的方式做具体限定，任一词向量转换方式均可以适用于本公开实施例中，包括且不限于：one hot编码、CBOW(Continuous Bag-Of-Words Mode，连续词袋模型)和Skip-Gram等编码转换方式。

在步骤904中，通过场景布局预测网络对词向量序列进行场景布局预测处理，得到待处理文本对应的预测场景布局信息，预测场景布局信息包括待处理文本中目标对象的预测类别信息、目标对象的预测尺寸信息及预测位置信息。

本公开实施例中，场景布局预测网络可以通过前述任一场景布局预测网络的训练方法训练得到。

举例来说，在得到待处理文本对应的词向量序列后，可以通过预先训练的场景布局预测网络对该词向量序列进行场景布局预测处理，进而得到待处理文本对应的预测场景布局信息。示例性的，可以将该待处理文本对应的词向量序列作为该场景布局预测网络的输入信息，该场景布局预测网络的输出信息即为待处理文本对应的预测场景布局信息，该预测场景布局信息可以包括目标对象的预测类别信息、目标对象在空间布局图像中的预测位置信息以及预测尺寸信息。

本公开实施例通过对待处理文本进行词向量转换处理，得到待处理文本对应的词向量序列后，通过场景布局预测网络对词向量序列进行场景布局预测处理，可以得到待处理文本对应的预测场景布局信息，预测场景布局信息中可以包括目标对象的预测类别信息、目标对象的预测位置信息及预测尺寸信息。根据本公开实施例提供的场景布局的估计方法，无需人工参与即可预测得到待处理文本对应的场景布局信息，可以实现场景布局信息预测的全自动化，进而可以提高场景布局信息预测的效率。

在一示例性实施例中，在步骤904中，在得到待处理文本对应的预测场景布局信息之后，上述方法还包括：

根据预测场景布局信息，构建待处理文本对应的空间布局图像。

本公开实施例中，在得到待处理文本对应的预测场景布局信息后，可以根据预测场景布局信息进行图像布局，构建得到空间布局图像。例如：可以根据预测场景布局信息对待处理文本中各目标对象对应的图像素材进行相应布局，得到空间布局图像。

本公开实施例提供的场景布局的估计方法，可以自动识别待处理文本中目标对象的预测类别信息、预测位置信息和预测尺寸信息，并基于识别的预测类别信息、预测位置信息和预测尺寸信息构建对应的空间布局图像，可以丰富空间布局图像的构建方式，提高空间布局图像的构建效率。

在一示例性实施例中，参照图10所示，根据预测场景布局信息，构建待处理文本对应的空间布局图像，具体可以通过以下步骤实现：

在步骤1002中，根据各目标对象的预测类别信息，获取各目标对象对应的目标图像；

在步骤1004中，根据目标对象对应的预测位置信息及预测尺寸信息，对各目标对象对应的目标图像进行布局，构建待处理文本对应的空间布局图像。

举例来说，预测场景布局信息包括目标对象的预测类别信息、预测位置信息和预测尺寸信息，该预测位置信息及预测尺寸信息可以分别用于表示上述目标对象在空间布局图像中的位置及目标图像的尺寸。

在得到待处理文本对应的预测场景布局信息后，可以根据预测场景布局信息中各目标对象的预测类别信息，获取各目标对象对应的目标图像。示例性的，可以预置图像库，图像库中可以包括多种对象类别对应的图像，可以根据各目标对象的预测类别信息从该图像库中获取各目标对象的预测类别信息对应的目标图像；或者，还可以根据各目标对象的预测类别信息作为关键词，联网下载对应的目标图像，本公开实施例中对于目标图像的获取途径不做具体限定。

在得到各目标对象对应的目标图像后，可以根据各目标对象对应的预测尺寸信息对目标图像的尺寸进行调整，调整到预测尺寸信息所指示的尺寸大小后，再将调整尺寸后的目标图像置于预测位置信息所指示的位置上，进而得到待处理文本对应的空间布局图像。

以上述示例为例，预测场景布局信息包括：(TV wall、位置1、尺寸1)、(tea table、位置2、尺寸2)、(double sofa、位置3、尺寸3)、(Green plants、位置4、尺寸4)、(carpet、位置5、尺寸5)，则可以分别获取TV wall、tea table、double sofa、Green plants、carpet等目标对象对应的目标图像，并根据尺寸1调整“TV wall”对应的目标图像1的尺寸，根据尺寸2调整“tea table”对应的目标图像2的尺寸，根据尺寸3调整“double sofa”对应的目标图像3的尺寸，根据尺寸4调整“Green plants”对应的目标图像4的尺寸，根据尺寸5调整“carpet”对应的目标图像5的尺寸。分别将调整后的目标图像1置于空白图像位置1上、将调整后的目标图像2置于空白图像位置2上、将调整后的目标图像3置于空白图像位置3上、将调整后的目标图像4置于空白图像位置4上、将调整后的目标图像5置于空白图像位置5上，可以得到待处理文本“A tea table and a double sofa are placed opposite the TVwall.Green plants are placed on one side of the sofa,and a carpet is placedat the bottom of the tea table”对应的空间布局图像。

本公开实施例提供的场景布局的估计方法，可以自动识别待处理文本中的目标对象的预测类别信息及预测位置信息和预测尺寸信息，并基于识别的目标对象的预测类别信息自动获取对应的目标图像，根据预测位置信息及预测尺寸信息对目标图像进行布局，构建得到对应的空间布局图像，可以丰富空间布局图像的构建方式，提高空间布局图像的构建效率。

应该理解的是，虽然图1-图10的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图10中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

可以理解的是，本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见，每个实施例重点说明的是与其他实施例的不同之处，相关之处参见其他方法实施例的说明即可。

图11是根据一示例性实施例示出的一种场景布局预测网络的训练装置框图。参照图11，该装置包括获取单元1102、转换单元1104、预测单元1106、确定单元1108和预测单元1110。

获取单元1102，被配置为执行获取多个样本组，每个所述样本组包括样本文本及所述样本文本对应的目标场景布局信息，所述目标场景布局信息包括所述样本文本中目标对象的标注类别信息、及所述目标对象的标注尺寸信息及标注位置信息；

转换单元1104，被配置为执行对每个所述样本组中的所述样本文本进行词向量转换处理，得到所述样本文本对应的样本词向量序列；

预测单元1106，被配置为执行通过初始场景布局预测网络对所述样本词向量序列进行场景布局预测处理，得到所述样本文本的预测场景布局信息，所述预测场景布局信息包括所述样本文本中目标对象的预测类别信息、所述目标对象的预测尺寸信息及预测位置信息；

确定单元1108，被配置为执行根据所述样本文本的预测场景布局信息和对应的所述目标场景布局信息的差异，确定所述初始场景布局预测网络的损失值；

预测单元1110，被配置为执行根据所述初始场景布局预测网络的损失值，训练所述初始场景布局预测网络，得到场景布局预测网络。

本公开实施例通过获取多个包括样本文本及样本文本对应的目标场景布局信息的样本组，并对每个所述样本组中的样本文本进行词向量转换处理，得到样本文本对应的样本词向量序列。通过初始场景布局预测网络对样本词向量序列进行场景布局预测处理，得到样本文本的预测场景布局信息。进一步的，可以根据样本文本的预测场景布局信息和对应的目标场景布局信息的差异，确定初始场景布局预测网络的损失值，并根据初始场景布局预测网络的损失值，训练初始场景布局预测网络，得到场景布局预测网络。根据本公开实施例提供的场景布局预测网络的训练装置，可以训练得到用于预测文本对应的场景布局信息的场景布局预测网络，使得无需人工参与即可得到待处理文本中包含的目标对象的类别信息、位置信息和尺寸信息，可以实现场景布局信息预测的全自动化，进而可以提高场景布局信息预测的效率。

在一示例性实施例中，所述转换单元1104，包括：

转换子单元，被配置为执行对所述样本文本进行词向量转换处理，得到所述样本文本对应的初始词向量序列；

第一处理子单元，被配置为执行根据所述初始词向量序列及所述样本文本中各所述分词对应的位置索引，得到所述样本文本对应的样本词向量序列。

在一示例性实施例中，所述转换子单元1104，还被配置为执行：

对所述样本文本进行分句处理，得到所述样本文本中的各样本语句；

针对任一所述样本语句，对所述样本语句进行词向量转换处理，得到所述样本语句对应的词向量序列；

根据各所述样本语句对应的词向量序列，得到所述样本文本对应的初始词向量序列，所述初始词向量序列中起始位置设置有用于表示分类任务的分类标识，任意两个所述样本语句的词向量序列之间设置有分隔标识。

在一示例性实施例中，所述转换子单元，还被配置为执行：

对所述样本语句中各所述分词进行词向量转换处理，得到各所述分词对应的词向量；

对所述样本语句中各所述分词对应的所述词向量进行拼接处理，得到所述样本语句对应的词向量序列。

在一示例性实施例中，所述样本组还包括样本文本对应的样本图像的尺寸信息，所述确定单元1108，包括：

第二处理子单元，被配置为根据所述样本图像的尺寸信息分别对所述样本文本的预测场景布局信息和对应的所述目标场景布局信息进行归一化处理，得到归一化后的所述预测场景布局信息和归一化后的所述目标场景布局信息；

确定子单元，被配置为执行根据所述归一化后的所述预测场景布局信息及所述归一化后的所述目标场景布局信息的差异，确定所述初始场景布局预测网络的损失值。

在一示例性实施例中，所述初始场景布局预测网络包括基于变压器transformer的编码器及基于transformer的解码器，所述预测单元，包括：

编码子单元，被配置为执行通过所述编码器对所述样本词向量序列进行编码处理，得到所述样本词向量序列的语义特征；

解码子单元，被配置为执行通过所述解码器对所述语义特征进行解码处理，得到所述样本文本的预测场景布局信息。

图12是根据一示例性实施例示出的一种场景布局的估计装置框图。参照图12，该装置包括处理单元1202和预测单元1204。

其中，处理单元1202，被配置为执行对待处理文本进行词向量转换处理，得到所述待处理文本对应的词向量序列；

预测单元1204，被配置为执行通过场景布局预测网络对所述词向量序列进行场景布局预测处理，得到所述待处理文本对应的预测场景布局信息，所述预测场景布局信息包括所述待处理文本中目标对象的预测类别信息、所述目标对象的预测尺寸信息及预测位置信息，

其中，所述场景布局预测网络通过前述任一项所述的场景布局预测网络的训练方法训练得到。

本公开实施例通过对待处理文本进行词向量转换处理，得到待处理文本对应的词向量序列后，通过场景布局预测网络对词向量序列进行场景布局预测处理，可以得到待处理文本对应的预测场景布局信息，预测场景布局信息中可以包括目标对象的预测类别信息、目标对象的预测位置信息及预测尺寸信息。根据本公开实施例提供的场景布局的估计装置，无需人工参与即可预估得到待处理文本对应的场景布局信息，可以实现场景布局信息预测的全自动化，进而可以提高场景布局信息预测的效率。

在一示例性实施例中，所述装置还包括：

构建单元，被配置为执行根据所述预测场景布局信息，构建所述待处理文本对应的空间布局图像。

在一示例性实施例中，所述构建单元，包括：

获取子单元，被配置为执行根据各所述目标对象的所述预测类别信息，获取各所述目标对象对应的目标图像；

构建子单元，被配置为执行根据各所述目标对象对应的所述预测位置信息及所述预测尺寸信息，对各所述目标对象对应的目标图像进行布局，构建所述待处理文本对应的空间布局图像。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图13是根据一示例性实施例示出的一种用于实现上述场景布局预测网络的训练方法和场景布局的估计方法的电子设备1300的框图。例如，电子设备1300可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。

参照图13，电子设备1300可以包括以下一个或多个组件：处理组件1302、存储器1304、电源组件1306、多媒体组件1308、音频组件1310、输入/输出(I/O)的接口1312、传感器组件1314以及通信组件1316。

处理组件1302通常控制电子设备1300的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件1302可以包括一个或多个处理器1320来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1302可以包括一个或多个模块，便于处理组件1302和其他组件之间的交互。例如，处理组件1302可以包括多媒体模块，以方便多媒体组件1308和处理组件1302之间的交互。

存储器1304被配置为存储各种类型的数据以支持在电子设备1300的操作。这些数据的示例包括用于在电子设备1300上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器1304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘、光盘或石墨烯存储器。

电源组件1306为电子设备1300的各种组件提供电力。电源组件1306可以包括电源管理系统，一个或多个电源，及其他与为电子设备1300生成、管理和分配电力相关联的组件。

多媒体组件1308包括在所述电子设备1300和用户之间的提供输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1308包括前置摄像头和/或后置摄像头。当电子设备1300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1310被配置为输出和/或输入音频信号。例如，音频组件1310包括麦克风(MIC)，当电子设备1300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1304或经由通信组件1316发送。在一些实施例中，音频组件1310还包括扬声器，用于输出音频信号。

I/O接口1312为处理组件1302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1314包括一个或多个传感器，用于为电子设备1300提供各个方面的状态评估。例如，传感器组件1314可以检测到电子设备1300的打开/关闭状态，组件的相对定位，例如所述组件为电子设备1300的显示器和小键盘，传感器组件1314还可以检测电子设备1300或电子设备1300组件的位置改变，用户与电子设备1300接触的存在或不存在，设备1300方位或加速/减速和电子设备1300的温度变化。传感器组件1314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1314还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。

通信组件1316被配置为便于电子设备1300和其他设备之间有线或无线方式的通信。电子设备1300可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件1316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1316还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备1300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器1304，上述指令可由电子设备1300的处理器1320执行以完成上述方法。例如，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供一种计算机程序产品，所述计算机程序产品中包括指令，上述指令可由电子设备1300的处理器1320执行以完成上述方法。

需要说明的，上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种场景布局预测网络的训练方法，其特征在于，包括：

获取多个样本组，每个所述样本组包括样本文本及所述样本文本对应的目标场景布局信息，所述目标场景布局信息包括所述样本文本中目标对象的标注类别信息、及所述目标对象的标注尺寸信息及标注位置信息；

对每个所述样本组中的所述样本文本进行词向量转换处理，得到所述样本文本对应的样本词向量序列；

通过初始场景布局预测网络对所述样本词向量序列进行场景布局预测处理，得到所述样本文本的预测场景布局信息，所述预测场景布局信息包括所述样本文本中目标对象的预测类别信息、所述目标对象的预测尺寸信息及预测位置信息；

根据所述样本文本的预测场景布局信息和对应的所述目标场景布局信息的差异，确定所述初始场景布局预测网络的损失值；

根据所述初始场景布局预测网络的损失值，训练所述初始场景布局预测网络，得到场景布局预测网络。

2.根据权利要求1所述的方法，其特征在于，所述对每个所述样本组中的所述样本文本进行词向量转换处理，得到所述样本文本对应的样本词向量序列，包括：

对所述样本文本进行词向量转换处理，得到所述样本文本对应的初始词向量序列；

根据所述初始词向量序列及所述样本文本中各分词对应的位置索引，得到所述样本文本对应的样本词向量序列。

3.根据权利要求2所述的方法，其特征在于，所述对所述样本文本进行词向量转换处理，得到所述样本文本对应的初始词向量序列，包括：

对所述样本文本进行分句处理，得到所述样本文本中的各样本语句；

针对任一所述样本语句，对所述样本语句进行词向量转换处理，得到所述样本语句对应的词向量序列；

根据各所述样本语句对应的词向量序列，得到所述样本文本对应的初始词向量序列，所述初始词向量序列中起始位置设置有用于表示分类任务的分类标识，任意两个所述样本语句的词向量序列之间设置有分隔标识。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述初始场景布局预测网络包括基于变压器transformer的编码器及基于transformer的解码器，所述通过初始场景布局预测网络对所述样本词向量序列进行场景布局预测处理，得到所述样本文本的预测场景布局信息，包括：

通过所述编码器对所述样本词向量序列进行编码处理，得到所述样本词向量序列的语义特征；

通过所述解码器对所述语义特征进行解码处理，得到所述样本文本的预测场景布局信息。

5.一种场景布局的估计方法，其特征在于，所述方法包括：

对待处理文本进行词向量转换处理，得到所述待处理文本对应的词向量序列；

通过场景布局预测网络对所述词向量序列进行场景布局预测处理，得到所述待处理文本对应的预测场景布局信息，所述预测场景布局信息包括所述待处理文本中目标对象的预测类别信息、所述目标对象的预测尺寸信息及预测位置信息，

其中，所述场景布局预测网络通过权利要求1至4中任一项所述的场景布局预测网络的训练方法训练得到。

6.一种场景布局预测网络的训练装置，其特征在于，包括：

获取单元，被配置为执行获取多个样本组，每个所述样本组包括样本文本及所述样本文本对应的目标场景布局信息，所述目标场景布局信息包括所述样本文本中目标对象的标注类别信息、及所述目标对象的标注尺寸信息及标注位置信息；

转换单元，被配置为执行对每个所述样本组中的所述样本文本进行词向量转换处理，得到所述样本文本对应的样本词向量序列；

预测单元，被配置为执行通过初始场景布局预测网络对所述样本词向量序列进行场景布局预测处理，得到所述样本文本的预测场景布局信息，所述预测场景布局信息包括所述样本文本中目标对象的预测类别信息、所述目标对象的预测尺寸信息及预测位置信息；

确定单元，被配置为执行根据所述样本文本的预测场景布局信息和对应的所述目标场景布局信息的差异，确定所述初始场景布局预测网络的损失值；

预测单元，被配置为执行根据所述初始场景布局预测网络的损失值，训练所述初始场景布局预测网络，得到场景布局预测网络。

7.一种场景布局的估计装置，其特征在于，包括：

处理单元，被配置为执行对待处理文本进行词向量转换处理，得到所述待处理文本对应的词向量序列；

预测单元，被配置为执行通过场景布局预测网络对所述词向量序列进行场景布局预测处理，得到所述待处理文本对应的预测场景布局信息，所述预测场景布局信息包括所述待处理文本中目标对象的预测类别信息、所述目标对象的预测尺寸信息及预测位置信息，

其中，所述场景布局预测网络通过权利要求1至4中任一项所述的场景布局预测网络的训练方法训练得到。

8.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至5中任一项所述的方法。

10.一种计算机程序产品，所述计算机程序产品中包括指令，其特征在于，所述指令被电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至5中任一项所述的方法。

Images