CN114445831A - 一种图文预训练方法、装置、设备以及存储介质 - Google Patents
一种图文预训练方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN114445831A CN114445831A CN202210041426.6A CN202210041426A CN114445831A CN 114445831 A CN114445831 A CN 114445831A CN 202210041426 A CN202210041426 A CN 202210041426A CN 114445831 A CN114445831 A CN 114445831A
- Authority
- CN
- China
- Prior art keywords
- image
- text
- group
- encoder
- pairs
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000013136 deep learning model Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图文预训练方法、装置、设备以及存储介质，涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于图像处理等场景。具体实现方案为：获取图文样本数据，图文样本数据包括多组图文对，每组图文对包括样本图像和样本文本；将每组图文对中的样本图像输入图像编码器，得到每组图文对的第一图像特征，并将每组图文对中的样本文本输入文本编码器，得到每组图文对的文本特征；将每组图文对的第一图像特征输入图像解码器，得到每组图文对的解码信息；利用每组图文对的第一图像特征、文本特征和解码信息，对图像编码器、文本编码器和图像解码器进行训练。
Description
技术领域
本公开涉及人工智能技术领域，具体为深度学习、计算机视觉技术领域，可应用于图像处理等场景。
背景技术
随着人工智能技术的不断发展，一系列大规模的图文多模态预训练(PretrainMulti-Modal Model)模型广泛兴起。这些预训练模型通常使用大规模的数据集在较为简单的任务上进行预训练，预训练完成后，用户根据特定的下游任务，加载预训练模型的参数后，继续进行微调，便可以让预训练模型在相关下游任务上取得显著的性能提升。
发明内容
本公开提供了一种图文预训练方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种图文预训练方法，包括：
获取图文样本数据，所述图文样本数据包括多组图文对，每组图文对包括样本图像和样本文本；
将每组图文对中的样本图像输入图像编码器，得到每组图文对的第一图像特征，并将每组图文对中的样本文本输入文本编码器，得到每组图文对的文本特征；
将每组图文对的第一图像特征输入图像解码器，得到每组图文对的解码信息；
利用每组图文对的第一图像特征、文本特征和解码信息，对所述图像编码器、所述文本编码器和所述图像解码器进行训练。
根据本公开的第二方面，提供了一种图文预训练装置，包括：
第一获取单元，用于获取图文样本数据，所述图文样本数据包括多组图文对，每组图文对包括样本图像和样本文本；
第一处理单元，用于将每组图文对中的样本图像输入图像编码器，得到每组图文对的第一图像特征，并将每组图文对中的样本文本输入文本编码器，得到每组图文对的文本特征；
第二处理单元，用于将每组图文对的第一图像特征输入图像解码器，得到每组图文对的解码信息；
训练单元，用于利用每组图文对的第一图像特征、文本特征和解码信息，对所述图像编码器、所述文本编码器和所述图像解码器进行训练。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一图文预训练方法。
根据本公开的第四方面，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执行根据上述任一图文预训练方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一图文预训练方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的图文训练方法的第一种流程示意图；
图2是本公开实施例提供的Diet模型的一种结构示意图；
图3是本公开实施例提供的图像解码器的一种结构示意图；
图4是本公开实施例提供的图文训练方法的第二种流程示意图；
图5是本公开实施例提供的图文训练方法的第三种流程示意图；
图6是根据本公开实施例提供的预训练模型的结构示意图；
图7是本公开实施例提供的模型训练方法的一种流程示意图；
图8是本公开实施例提供的图文训练装置的一种结构示意图；
图9是用来实现本公开实施例的图文训练方法的电子设备的第一种示意性框图；
图10是用来实现本公开实施例的图文训练方法的电子设备的第二种示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
随着人工智能技术的不断发展，一系列大规模的图文多模态预训练(PretrainMulti-Modal Model)模型(例如，双塔图文预训练模型)广泛兴起。这些预训练模型通常使用大规模的数据集在较为简单的任务上进行预训练，预训练完成后，用户根据特定的下游任务，加载预训练模型的参数后，继续进行微调，便可以让预训练模型在相关下游任务上取得显著的性能提升。
目前的双塔图文预训练模型聚焦在下游自然语言任务或者跨模态任务上，只关注跨模态的交互性，忽略了模态内部信息，只对提取一个视觉的全局特征，没有关注到视觉的局部特征，这使得双塔图文预训练模型不能提取到较好的视觉信息，对于下游视觉任务的指标提升不大。
为解决上述问题，本公开实施例提供了一种图文预训练方法，如图1所示，该方法可以应用于服务器、PC(Personal Computer，个人计算机)或平板电脑等电子设备。为便于理解，下面以电子设备为执行主体进行说明，并不起限定作用。
步骤S11，获取图文样本数据，图文样本数据包括多组图文对，每组图文对包括样本图像和样本文本。
本公开实施例中，在进行图文预训练时，电子设备可以搜集大量的图文样本数据，图文样本数据包括多组图文对，每组图文对包括样本图像和样本文本。样本图像和样本文本不需要人工标注和清洗，且可以容忍一定的噪声。
对于图文样本数据中包括的图文对的组数，可以根据实际需求进行设定。例如，若电子设备的性能不高，则图文样本数据中包括的图文对的组数可以设置为较小的值；若需要获得较优的预训练模型，则图文样本数据中包括的图文对的组数可以设置为较大的值。
步骤S12，将每组图文对中的样本图像输入图像编码器，得到每组图文对的第一图像特征，并将每组图文对中的样本文本输入文本编码器，得到每组图文对的文本特征。
本公开实施例中，预训练模型为双塔模型，包括图像编码器和文本编码器。图像编码器进行特征提取所采用的模型可以包括但不限于Deit模型、VGG预训练模型。可选的，图像编码器采用Deit模型进行特征提取，Deit模型的结构如图2所示，基于Deit模型，可以将Transformer从NLP(自然语言处理-Natural language processing)中应用到了CV(Computer Version，计算机视觉)中。
文本编码器进行特征提取所采用的模型可以包括但不限于BERT模型、RoBERTa模型等。可选的，文本编码器采用RoBERTa模型进行特征提取。
RoBERTa模型是在BERT的基础上进行的升级。RoBERTa主要在三方面对之前提出的BERT做了该进，其一是模型的具体细节层面，改进了优化函数；其二是训练策略层面，改用了动态掩码的方式训练模型，证明了NSP(Next Sentence Prediction)训练策略的不足，采用了更大的Batch Size；其三是数据层面，一方面使用了更大的数据集，另一方面是使用BPE(Byte-Pair Encoding)来处理文本数据。
在获得图文样本数据后，对于图文样本数据中的每组图文对，电子设备将该图文对中的样本图像输入图像编码器，得到该图文对的图像特征，作为该图文对的第一图像特征，并将该图文对中的样本文本输入文本编码器，得到该图文对的文本特征。图文样本数据包括多组图文对，因此，以一组图文对的第一图像特征和文本特征为一组特征对，电子设备可以得到多组特征对。
步骤S13，将每组图文对的第一图像特征输入图像解码器，得到每组图文对的解码信息。
本公开实施例中，预训练模型还包括一个图像解码器，如transformer解码器，该图像解码器与图像编码器连接，且该图像解码器的输入数据为图像编码器的输出数据。
在得到每组图文对的第一图像特征后，针对每组图文对的第一图像特征，电子设备将该组图文对的第一图像特征输入图像解码器，得到该组图文对的解码信息。
步骤S14，利用每组图文对的第一图像特征、文本特征和解码信息，对图像编码器、文本编码器和图像解码器进行训练。
本公开实施例的技术方案中，电子设备利用每组图文对的第一图像特征、文本特征进行对图像编码器和文本编码器进行训练，可以提高了双塔模型对跨模态特征的关注度，提高下游的跨模态任务。
另外，电子设备利用解码信息，对图像编码器和图像解码器进行训练，图像的编码和解码关注于图像的全局特征和局部特征，结合图像解码器，对对提取视觉特征的图像编码器进行了进一步训练，因此，利用本公开实施例的技术方案，可以提高了双塔模型对视觉特征的关注度，使得图像编码器能够提取到更好的视觉特征，提高下游视觉任务的指标。
本公开实施例中，图像解码器可以包括一个正向图像解码器，也可以包括一个反向图像解码器。
而为了能够更好的提高下游视觉任务的指标，图像解码器可以包括一个正向图像解码器和一个反向图像解码器，即图像解码器为双向解码器。
如图3的左侧所示，图像解码器包含两个模块，一个是正向图像解码器，另一个是反向图像解码器。正向图像解码器的结构如图3的右侧所示，正向图像解码器的结构的结构也可以为其他形式，图3中仅为一个示例，对此不进行限定。反向图像解码器的结构与正向图像解码器相似，此处不在赘述。
这种情况下，本公开实施例还提供了一种图文预训练方法，如图4所示。该方法中步骤S41、步骤S42、步骤S44与步骤S11、步骤S12、步骤S14相同，此处不再赘述。步骤S43为步骤S13的一种可实现方式。
步骤S43，将每组图文对的第一图像特征分别输入正向图像解码器和反向图像解码器，得到每组图文对的正向解码信息和反向解码信息。
本公开实施例中，针对每组图文对的第一图像特征，电子设备将该图文对的第一图像特征输入正向图像解码器，得到该组图文对的正向解码信息，将该图文对的第一图像特征输入反向图像解码器，得到该组图文对的反向解码信息。
其中，正向解码信息和反向解码信息可以统称为图像解码器输出的解码信息。因此，后续电子设备可以利用每组图文对的第一图像特征、文本特征、正向解码信息和反向解码信息，对图像编码器、文本编码器和图像解码器进行训练。
仍以图3为例进行说明。图3中，正向图像解码器和反向图像解码器的输入数据为图像编码器的输出数据。输入数据经正向图像解码器包括的各个网络层的正向处理，得到正向解码信息，如“a brown and white puppy”，输入数据经反向图像解码器包括的各个网络层的反向处理，得到反向解码信息，如“apples at looking lawn green”。图3中，SOS表示开始标识位，EOS表示结束标识符。
本公开实施例中，在训练图像编码器、文本编码器和图像解码器时，即考虑的正向解码信息，也考虑了反向解码信息，增加了训练所考虑的因素，进而使得训练后的图像编码器、文本编码器和图像解码器，能够提取到更好的视觉特征，进一步提高了下游视觉任务的指标。
在本公开的一个实施例中，本公开实施例还提供了一种图文预训练方法，如图5所示，该方法中步骤S51-步骤S53与步骤S11-步骤S13相同，此处不再赘述。步骤S54-步骤S55为步骤S14的一种可实现方式。
步骤S54，利用每组图文对的第一图像特征和文本特征进行对比学习，得到第一损失值，并利用每组图文对的解码信息进行自监督学习，得到第二损失值。
本公开实施例中，预训练模型的结构如图6所示，包括数据搜集模块、图像编码器、文本编码器、图像解码器和对比学习模块。其中，数据搜集模块用于获取图文样本数据；图像编码器、文本编码器、图像解码器的用于可参见上述图1-图4部分的相关描述，此处不再赘述；对比学习模块用于对图像编码器输出的图像特征、文本编码器输出的文本特征进行对比学习，相同的图文能够在语义空间上更接近，含义不同的图文在语义空间上要距离更远。
基于图6所示的预训练模型，电子设备在每组图文对的第一图像特征、文本特征和解码信息后，可以利用每组图文对的第一图像特征和文本特征进行对比学习，得到损失值，作为第一损失值；另外，可以利用每组图文对的解码信息进行自监督学习，得到损失值，作为第二损失值。
本公开实施例中，电子设备计算第一损失值和第二损失值的损失函数可以包括但不限于InfoNCE损失函数、均方误差损失函数和交叉熵均方误差损失函数等。
可选的，电子设备在计算损失值时使用InfoNCE(Info Noise ContrastiveEstimation loss信息噪声对比估计损失)损失函数计算第一损失值和第二损失值，具体计算公式为：
其中，loss表示损失值，xi表示正样本，xj表示各个样本，包括正样本和负样本。正样本表示相同的图文，负样本表示不同的图文。
基于InfoNCE函数得到的损失值，结合上述预训练模型包括的各个模块，等效增加了负样本，从而可以提高预训练模型的视觉任务指标。
步骤S55，利用第一损失值，调整图像编码器和文本编码器的参数，利用第二损失值，调整图像编码器和图像解码器的参数。
本公开实施例中，电子设备在得到第一损失值和第二损失值后，利用第一损失值确定图像编码器和文本编码器是否收敛，并利用第二损失值确定图像编码器和图像解码器是否收敛。若确定图像编码器和文本编码器收敛，且确定图像编码器和图像解码器收敛，则结束预训练模型的训练。否则，电子设备可以利用反向传播算法或梯度下降算法等，调整图像编码器和文本编码器的参数，以及图像编码器和图像解码器的参数，进而返回执行步骤S52，继续训练预训练模型。
在本公开实施例中，电子设备可以预先设定第一损失阈值和第二损失阈值，以及迭代阈值。若第一损失值小于第一损失阈值，则确定图像编码器和文本编码器收敛，否则确定图像编码器和文本编码器未收敛；若第二损失值小于第二损失阈值，则确定图像编码器和图像解码器收敛，否则确定图像编码器和图像解码器未收敛。
若第一损失值大于等于第一损失阈值，第二损失值大于等于第二损失阈值，但迭代次数达到迭代阈值，则确定图像编码器和文本编码器收敛，并确定图像编码器和图像解码器收敛。
上述第一损失阈值和第二损失阈值，以及迭代阈值可以根据实际需求进行设定。
本公开实施例中，电子设备通过的第一图像特征和文本特征的对比学习，使得相同的图文能够在语义空间上更接近，含义不同的图文在语义空间上要距离更远，保证了下游跨模态任务的指标。另外，电子设备通过解码信息的自监督学习，提高了预训练模型的视觉指标，进而提高了下游视觉任务的指标。
在图像编码器、文本编码器和图像解码器的训练结束后，图像编码器可以用于提取视觉特征(即图像特征)，完成下游任务的训练和应用。如图7所示，本公开实施例提供的模型训练方法，包括如下步骤：
步骤S71，获取带标注结果的训练图像。
对于训练图像的数量，可以根据实际需求进行设定。例如，若电子设备的性能不高，则训练图像的数量可以设置为较小的值；若需要获得较优的模型，则训练图像的数量可以设置为较大的值。
步骤S72，将训练图像输入图像编码器，得到第二图像特征。
在获取到训练图像后，电子设备将训练图像输入图像编码器，该图像编码器为应用上述图1-6所示的图文预训练方法训练好的图像编码器。该图像编码器对输入的训练图像进行处理后，输入该训练图像的图像特征，如第二图像特征。
步骤S73，将第二图像特征输入下游深度学习模型，得到预测结果。
下游深度学习模型可以为分类模型、人脸识别模型或行人识别模型等，对此不进行限定。电子设备在得到第二图像特征后，将第二图像特征输入下游深度学习模型，下游深度学习模型对输入的第二图像特征进行处理后，输出训练图像的预测结果。
步骤S74，根据预测结果与标注结果，确定第三损失值。
本公开实施例中，训练图像的标注结果为训练图像的真实信息，训练图像的预测结果为训练图像的预测信息。电子设备基于训练图像的预测结果与标注结果，确定下游深度学习模型的预测损失值，即第三损失值。
本公开实施例中，电子设备计算第三损失值所采用的损失函数包括但不限于均方误差损失函数和交叉熵均方误差损失函数等。
步骤S75，根据第三损失值确定下游深度学习模型是否收敛；若是，则结束对下游深度学习模型的训练；若否，执行步骤S76。
本公开实施例中，电子设备可以预先设置第三损失阈值。第三损失阈值的大小可以根据实际需求进行设定。
若第三损失值小于第三损失阈值，则电子设备可确定下游深度学习模型收敛，结束对下游深度学习模型的训练；否则，电子设备可确定下游深度学习模型未收敛。
本公开实施例中，电子设备还可以预先设置迭代阈值。当训练的迭代次数达到迭代阈值时，即使第三损失值大于等于第三损失阈值，电子设备也可以认为下游深度学习模型收敛，避免下游深度学习模型无限循环迭代训练，节约了电子设备的计算资源。
步骤S76，调整下游深度学习模型的参数，并重新执行步骤S73。
本公开实施例中，若确定下游深度学习模块未收敛，则电子设备可调整下游深度学习模型的参数，如权重、学习率等，并重新执行步骤S73，将第二图像特征输入下游深度学习模型，迭代训练下游深度学习模型，直至下游深度学习模块收敛。
本公开实施例中，电子设备利用预训练好的图像编码器，从训练图像中提取到较好的图像特征(即视觉特征)，并利用该图像特征迭代训练下游深度学习模型。由于预训练好的图像编码器是由双塔模型训练得到，且该图像编码器的训练过程中参考了图像解码器的解码信息，因此，利用该图像特征迭代训练得到的下游深度学习模型，既能够保证跨模态特征的指标，还可以更好的学习视觉特征，提高下游深度学习模型的视觉指标。
与上述图文预训练方法对应，本公开实施例还提供了一种图文预训练装置，如图8所示，包括：
第一获取单元81，用于获取图文样本数据，图文样本数据包括多组图文对，每组图文对包括样本图像和样本文本；
第一处理单元82，用于将每组图文对中的样本图像输入图像编码器，得到每组图文对的第一图像特征，并将每组图文对中的样本文本输入文本编码器，得到每组图文对的文本特征；
第二处理单元83，用于将每组图文对的第一图像特征输入图像解码器，得到每组图文对的解码信息；
训练单元84，用于利用每组图文对的第一图像特征、文本特征和解码信息，对图像编码器、文本编码器和图像解码器进行训练。
可选的，图像解码器包括正向图像解码器和反向图像解码器；
第二处理单元83，具体可以用于：
将每组图文对的第一图像特征分别输入正向图像解码器和反向图像解码器，得到每组图文对的正向解码信息和反向解码信息。
可选的，训练单元84，具体可以用于：
利用每组图文对的第一图像特征和文本特征进行对比学习，得到第一损失值，并利用每组图文对的解码信息进行自监督学习，得到第二损失值；
利用第一损失值，调整图像编码器和文本编码器的参数，利用第二损失值，调整图像编码器和图像解码器的参数。
可选的，上述图文预训练装置还可以包括：
第二获取单元，用于在图像编码器、文本编码器和图像解码器的训练结束后，获取带标注结果的训练图像；
第一输入单元，用于将训练图像输入图像编码器，得到第二图像特征；
第二输入单元，用于将第二图像特征输入下游深度学习模型，得到预测结果；
确定单元，用于根据预测结果与标注结果，确定第三损失值；
第三处理单元，用于响应于根据第三损失值确定下游深度学习模型收敛，结束对下游深度学习模型的训练。
可选的，第三处理单元，还用于：
响应于根据第三损失值确定下游深度学习模块未收敛，调整下游深度学习模型的参数。
本公开实施例的技术方案中，电子设备利用每组图文对的第一图像特征、文本特征进行对图像编码器和文本编码器进行训练，可以提高了双塔模型对跨模态特征的关注度，提高下游的跨模态任务。
另外，电子设备利用解码信息，对图像编码器和图像解码器进行训练，图像的编码和解密关注于图像的全局特征和局部特征，因此，利用本公开实施例的技术方案，可以提高了双塔模型对视觉特征的关注度，使得图像编码器能够提取到更好的视觉特征，提高下游视觉任务的指标。
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。
需要说明的是，本实施例中的人头模型并不是针对某一特定用户的人头模型，并不能反映出某一特定用户的个人信息。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了用来实现本公开实施例的图文训练方法的电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901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901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901执行上文所描述的各个方法和处理，例如图文预训练方法。例如，在一些实施例中，图文预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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的图文预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901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图文预训练方法。
图10示出了用来实现本公开实施例的图文预训练方法的电子设备的示意性框图，该电子设备，包括：
至少一个处理器1001；以及
与所述至少一个处理器1001通信连接的存储器1002；其中，
所述存储器1002存储有可被所述至少一个处理器1001执行的指令，所述指令被所述至少一个处理器1001执行，以使所述至少一个处理器1001能够执行上述任一所述的图文预训练方法。
本公开实施例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，所述计算机指令用于使所述计算机执行根据上述任一所述的图文预训练方法。
本公开实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一所述的图文预训练方法。
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)、复杂可编程逻辑设备(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执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (13)
1.一种图文预训练方法，包括：
获取图文样本数据，所述图文样本数据包括多组图文对，每组图文对包括样本图像和样本文本；
将每组图文对中的样本图像输入图像编码器，得到每组图文对的第一图像特征，并将每组图文对中的样本文本输入文本编码器，得到每组图文对的文本特征；
将每组图文对的第一图像特征输入图像解码器，得到每组图文对的解码信息；
利用每组图文对的第一图像特征、文本特征和解码信息，对所述图像编码器、所述文本编码器和所述图像解码器进行训练。
2.根据权利要求1所述的方法，其中，所述图像解码器包括正向图像解码器和反向图像解码器；
所述将每组图文对的第一图像特征输入图像解码器，得到每组图文对的解码信息的步骤，包括：
将每组图文对的第一图像特征分别输入所述正向图像解码器和所述反向图像解码器，得到每组图文对的正向解码信息和反向解码信息。
3.根据权利要求1所述的方法，其中，所述利用每组图文对的第一图像特征、文本特征和解码信息，对所述图像编码器、所述文本编码器和所述图像解码器进行训练的步骤，包括：
利用每组图文对的第一图像特征和文本特征进行对比学习，得到第一损失值，并利用每组图文对的解码信息进行自监督学习，得到第二损失值；
利用所述第一损失值，调整所述图像编码器和所述文本编码器的参数，利用所述第二损失值，调整所述图像编码器和所述图像解码器的参数。
4.根据权利要求1所述的方法，所述方法还包括：
在所述图像编码器、所述文本编码器和所述图像解码器的训练结束后，获取带标注结果的训练图像，
将所述训练图像输入图像编码器，得到第二图像特征；
将所述第二图像特征输入下游深度学习模型，得到预测结果；
根据所述预测结果与所述标注结果，确定第三损失值；
响应于根据所述第三损失值确定所述下游深度学习模型收敛，结束对所述下游深度学习模型的训练。
5.根据权利要求4所述的方法，所述方法还包括：
响应于根据所述第三损失值确定所述下游深度学习模块未收敛，调整所述下游深度学习模型的参数，并重新执行所述将所述第二图像特征输入下游深度学习模型，得到预测结果的步骤。
6.一种图文预训练装置，包括：
第一获取单元，用于获取图文样本数据，所述图文样本数据包括多组图文对，每组图文对包括样本图像和样本文本；
第一处理单元，用于将每组图文对中的样本图像输入图像编码器，得到每组图文对的第一图像特征，并将每组图文对中的样本文本输入文本编码器，得到每组图文对的文本特征；
第二处理单元，用于将每组图文对的第一图像特征输入图像解码器，得到每组图文对的解码信息；
训练单元，用于利用每组图文对的第一图像特征、文本特征和解码信息，对所述图像编码器、所述文本编码器和所述图像解码器进行训练。
7.根据权利要求6所述的装置，其中，所述图像解码器包括正向图像解码器和反向图像解码器；
所述第二处理单元，具体用于：
将每组图文对的第一图像特征分别输入所述正向图像解码器和所述反向图像解码器，得到每组图文对的正向解码信息和反向解码信息。
8.根据权利要求6所述的装置，所述训练单元，具体用于：
利用每组图文对的第一图像特征和文本特征进行对比学习，得到第一损失值，并利用每组图文对的解码信息进行自监督学习，得到第二损失值；
利用所述第一损失值，调整所述图像编码器和所述文本编码器的参数，利用所述第二损失值，调整所述图像编码器和所述图像解码器的参数。
9.根据权利要求6所述的装置，所述装置还包括：
第二获取单元，用于在所述图像编码器、所述文本编码器和所述图像解码器的训练结束后，获取带标注结果的训练图像；
第一输入单元，用于将所述训练图像输入图像编码器，得到第二图像特征；
第二输入单元，用于将所述第二图像特征输入下游深度学习模型，得到预测结果；
确定单元，用于根据所述预测结果与所述标注结果，确定第三损失值；
第三处理单元，用于响应于根据所述第三损失值确定所述下游深度学习模型收敛，结束对所述下游深度学习模型的训练。
10.根据权利要求9所述的装置，所述第三处理单元，还用于：
响应于根据所述第三损失值确定所述下游深度学习模块未收敛，调整所述下游深度学习模型的参数。
11.一种电子设备，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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210041426.6A CN114445831A (zh) | 2022-01-14 | 2022-01-14 | 一种图文预训练方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210041426.6A CN114445831A (zh) | 2022-01-14 | 2022-01-14 | 一种图文预训练方法、装置、设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114445831A true CN114445831A (zh) | 2022-05-06 |
Family
ID=81366906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210041426.6A Pending CN114445831A (zh) | 2022-01-14 | 2022-01-14 | 一种图文预训练方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114445831A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724144A (zh) * | 2022-05-16 | 2022-07-08 | 北京百度网讯科技有限公司 | 文本识别方法、模型的训练方法、装置、设备及介质 |
| CN114942984A (zh) * | 2022-05-26 | 2022-08-26 | 北京百度网讯科技有限公司 | 视觉场景文本融合模型的预训练和图文检索方法及装置 |
| CN115115914A (zh) * | 2022-06-07 | 2022-09-27 | 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 |
| CN115294400A (zh) * | 2022-08-23 | 2022-11-04 | 北京医准智能科技有限公司 | 图像分类模型的训练方法、装置、电子设备及存储介质 |
| CN115565177A (zh) * | 2022-08-16 | 2023-01-03 | 北京百度网讯科技有限公司 | 文字识别模型训练、文字识别方法、装置、设备及介质 |
| CN116383428A (zh) * | 2023-03-31 | 2023-07-04 | 北京百度网讯科技有限公司 | 一种图文编码器训练方法、图文匹配方法及装置 |
| CN117036355A (zh) * | 2023-10-10 | 2023-11-10 | 湖南大学 | 编码器和模型的训练方法、故障检测方法及相关设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783705A (zh) * | 2020-07-08 | 2020-10-16 | 厦门商集网络科技有限责任公司 | 一种基于注意力机制的文字识别方法及系统 |
| CN111859911A (zh) * | 2020-07-28 | 2020-10-30 | 中国平安人寿保险股份有限公司 | 图像描述文本生成方法、装置、计算机设备及存储介质 |
| CN113283551A (zh) * | 2021-07-22 | 2021-08-20 | 智者四海（北京）技术有限公司 | 多模态预训练模型的训练方法、训练装置及电子设备 |
| WO2021205066A1 (en) * | 2020-04-09 | 2021-10-14 | Nokia Technologies Oy | Training a data coding system for use with machines |
| CN113656613A (zh) * | 2021-08-20 | 2021-11-16 | 北京百度网讯科技有限公司 | 训练图文检索模型的方法、多模态图像检索方法及装置 |
| CN113836333A (zh) * | 2021-09-18 | 2021-12-24 | 北京百度网讯科技有限公司 | 图文匹配模型的训练方法、实现图文检索的方法、装置 |
-
2022
- 2022-01-14 CN CN202210041426.6A patent/CN114445831A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021205066A1 (en) * | 2020-04-09 | 2021-10-14 | Nokia Technologies Oy | Training a data coding system for use with machines |
| CN111783705A (zh) * | 2020-07-08 | 2020-10-16 | 厦门商集网络科技有限责任公司 | 一种基于注意力机制的文字识别方法及系统 |
| CN111859911A (zh) * | 2020-07-28 | 2020-10-30 | 中国平安人寿保险股份有限公司 | 图像描述文本生成方法、装置、计算机设备及存储介质 |
| CN113283551A (zh) * | 2021-07-22 | 2021-08-20 | 智者四海（北京）技术有限公司 | 多模态预训练模型的训练方法、训练装置及电子设备 |
| CN113656613A (zh) * | 2021-08-20 | 2021-11-16 | 北京百度网讯科技有限公司 | 训练图文检索模型的方法、多模态图像检索方法及装置 |
| CN113836333A (zh) * | 2021-09-18 | 2021-12-24 | 北京百度网讯科技有限公司 | 图文匹配模型的训练方法、实现图文检索的方法、装置 |
Non-Patent Citations (3)
| Title |
|---|
| QI WAN 等: "Self-attention based Text Knowledge Mining for Text Detection", 《2021 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, 2 November 2021 (2021-11-02), pages 5979 - 5988 * |
| 杜长德;李劲鹏;黄利皆;何晖光;: "基于双向深度生成模型和功能磁共振成像数据的大脑编码和解码", ENGINEERING, no. 05, 15 October 2019 (2019-10-15), pages 293 - 305 * |
| 马龙龙;韩先培;孙乐;: "图像的文本描述方法研究综述", 中文信息学报, no. 04, 15 April 2018 (2018-04-15), pages 5 - 16 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724144B (zh) * | 2022-05-16 | 2024-02-09 | 北京百度网讯科技有限公司 | 文本识别方法、模型的训练方法、装置、设备及介质 |
| CN114724144A (zh) * | 2022-05-16 | 2022-07-08 | 北京百度网讯科技有限公司 | 文本识别方法、模型的训练方法、装置、设备及介质 |
| CN114942984A (zh) * | 2022-05-26 | 2022-08-26 | 北京百度网讯科技有限公司 | 视觉场景文本融合模型的预训练和图文检索方法及装置 |
| CN114942984B (zh) * | 2022-05-26 | 2023-11-21 | 北京百度网讯科技有限公司 | 视觉场景文本融合模型的预训练和图文检索方法及装置 |
| CN115115914A (zh) * | 2022-06-07 | 2022-09-27 | 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 |
| 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 |
| CN115565177A (zh) * | 2022-08-16 | 2023-01-03 | 北京百度网讯科技有限公司 | 文字识别模型训练、文字识别方法、装置、设备及介质 |
| CN115565177B (zh) * | 2022-08-16 | 2023-06-20 | 北京百度网讯科技有限公司 | 文字识别模型训练、文字识别方法、装置、设备及介质 |
| CN115294400A (zh) * | 2022-08-23 | 2022-11-04 | 北京医准智能科技有限公司 | 图像分类模型的训练方法、装置、电子设备及存储介质 |
| CN116383428A (zh) * | 2023-03-31 | 2023-07-04 | 北京百度网讯科技有限公司 | 一种图文编码器训练方法、图文匹配方法及装置 |
| CN116383428B (zh) * | 2023-03-31 | 2024-04-05 | 北京百度网讯科技有限公司 | 一种图文编码器训练方法、图文匹配方法及装置 |
| CN117036355B (zh) * | 2023-10-10 | 2023-12-15 | 湖南大学 | 编码器和模型的训练方法、故障检测方法及相关设备 |
| CN117036355A (zh) * | 2023-10-10 | 2023-11-10 | 湖南大学 | 编码器和模型的训练方法、故障检测方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114445831A (zh) | 一种图文预训练方法、装置、设备以及存储介质 | |
| CN113657399B (zh) | 文字识别模型的训练方法、文字识别方法及装置 | |
| CN113378784B (zh) | 视频标签推荐模型的训练方法和确定视频标签的方法 | |
| CN113313022B (zh) | 文字识别模型的训练方法和识别图像中文字的方法 | |
| CN113590858A (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
| JP2023547010A (ja) | 知識の蒸留に基づくモデルトレーニング方法、装置、電子機器 | |
| CN114242113B (zh) | 语音检测方法、训练方法、装置和电子设备 | |
| CN116363261B (zh) | 图像编辑模型的训练方法、图像编辑方法和装置 | |
| CN113656613A (zh) | 训练图文检索模型的方法、多模态图像检索方法及装置 | |
| CN114020950A (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
| CN114724168A (zh) | 深度学习模型的训练方法、文本识别方法、装置和设备 | |
| CN113360700A (zh) | 图文检索模型的训练和图文检索方法、装置、设备和介质 | |
| CN115953645A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN114549904B (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
| CN113641829A (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
| CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
| CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
| CN115496734A (zh) | 视频内容的质量评价方法、网络训练方法和装置 | |
| CN114970666B (zh) | 一种口语处理方法、装置、电子设备及存储介质 | |
| CN114187318B (zh) | 图像分割的方法、装置、电子设备以及存储介质 | |
| CN115631502A (zh) | 文字识别方法、装置、模型训练方法、电子设备及介质 | |
| CN115565186A (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
| CN114842541A (zh) | 模型的训练及人脸识别方法、装置、设备以及存储介质 | |
| CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
| CN114898742A (zh) | 流式语音识别模型的训练方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |