CN114595780B - 图文处理模型训练及图文处理方法、装置、设备及介质 - Google Patents

图文处理模型训练及图文处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN114595780B
CN114595780B CN202210255883.5A CN202210255883A CN114595780B CN 114595780 B CN114595780 B CN 114595780B CN 202210255883 A CN202210255883 A CN 202210255883A CN 114595780 B CN114595780 B CN 114595780B
Authority
CN
China
Prior art keywords
image
text
classifier
feature
feature extractor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210255883.5A
Other languages
English (en)
Other versions
CN114595780A (zh
Inventor
张倩
赵广伟
齐冰洁
贠挺
于天宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210255883.5A priority Critical patent/CN114595780B/zh
Publication of CN114595780A publication Critical patent/CN114595780A/zh
Application granted granted Critical
Publication of CN114595780B publication Critical patent/CN114595780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种图文处理模型训练及图文处理方法、装置、设备及介质，涉及人工智能领域，具体涉及深度学习领域，可用于信息推荐场景。具体实现方案为：将样本文本输入待训练的文本特征提取器得到文本特征，并将样本图像输入待训练的图像特征提取器得到图像特征；根据所述文本特征和所述图像特征之间的相关性，对所述文本特征提取器和所述图像特征提取器的网络参数进行更新；根据所述图像特征和所述样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数。本公开能够提高图像特征提取器的特征提取准确度，从而提高图文相关性判断的准确度。

Description

图文处理模型训练及图文处理方法、装置、设备及介质
技术领域
本公开涉及人工智能领域，具体涉及深度学习领域，可用于信息推荐场景。
背景技术
Feed信息流推荐系统用于给用户提供持续更新的媒体内容，在信息流的入口上，媒体内容大多以文字结合配图的形式展现，封面图像作为信息流的主要元素，占据较大版面，可以直观反应文章或者视频的主题、人物、风格以及格调。
封面图像与媒体内容的相关性，尤其是封面图像与标题的一致性，不仅影响了媒体内容的点展比和用户核心体验，同时还影响应用程序的品牌调性。
发明内容
本公开提供了一种图文处理模型训练及图文处理方法、装置、设备及介质。
根据本公开的一方面，提供了一种图文处理模型训练方法，该方法包括：
将样本文本输入待训练的文本特征提取器得到文本特征，并将样本图像输入待训练的图像特征提取器得到图像特征；
根据所述文本特征和所述图像特征之间的相关性，对所述文本特征提取器和所述图像特征提取器的网络参数进行更新；
根据所述图像特征和所述样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数。
根据本公开的另一方面，提供了一种图文处理方法，包括：
将目标文本输入文本特征提取器，得到目标文本的文本特征；
将目标图像输入图像特征提取器，得到目标图像的图像特征；
根据所述目标文本的文本特征和所述目标图像的图像特征，确定所述目标文本与所述目标图像之间的相关性；
其中，所述文本特征提取器和所述图像特征提取器采用如本公开任一实施例所述的图文处理模型训练方法预先训练得到。
根据本公开的另一方面，提供了一种图文处理模型训练装置，包括：
特征数据提取模块，用于将样本文本输入待训练的文本特征提取器得到文本特征，并将样本图像输入待训练的图像特征提取器得到图像特征；
特征提取器更新模块，用于根据所述文本特征和所述图像特征之间的相关性，对所述文本特征提取器和所述图像特征提取器的网络参数进行更新；
监督信号构建模块，用于根据所述图像特征和所述样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数。
根据本公开的另一方面，提供了一种图文处理装置，包括：
文本特征提取模块，用于将目标文本输入文本特征提取器，得到目标文本的文本特征；
图像特征提取模块，用于将目标图像输入图像特征提取器，得到目标图像的图像特征；
相关性确定模块，用于根据所述目标文本的文本特征和所述目标图像的图像特征，确定所述目标文本与所述目标图像之间的相关性；
其中，所述文本特征提取器和所述图像特征提取器采用如本公开任一实施例所述的图文处理模型训练装置预先训练得到。
根据本公开的另一方面，提供了一种电子设备，该电子设备包括：
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本公开任一实施例所述的图文处理模型训练方法，或者执行本公开任一实施例所述的图文处理方法。
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计算机执行本公开任一实施例所述的图文处理模型训练方法，或者执行本公开任一实施例所述的图文处理方法。
根据本公开的技术，提高了图像特征提取器的特征提取准确度，从而提高图文相关性判断的准确度。
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是根据本公开实施例提供的一种图文处理模型训练方法的流程图；
图2是根据本公开实施例提供的另一种图文处理模型训练方法的流程图；
图3是根据本公开实施例提供的又一种图文处理模型训练方法的流程图；
图4是根据本公开实施例提供的又一种图文处理模型训练方法的流程图；
图5是根据本公开实施例提供的一种图文处理方法的流程图；
图6是根据本公开实施例提供的一种图文处理模型训练装置的结构示意图；
图7是根据本公开实施例提供的一种图文处理装置的结构示意图；
图8是用来实现本公开实施例的图文处理模型训练方法的电子设备的框图。
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。
图1是根据本公开实施例提供的一种图文处理模型训练方法的流程图，本公开实施例适用于信息推荐场景下，以图文结合的方式向用户推荐媒体内容的情况。该方法可以由图文处理模型训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于承载图文处理模型训练功能的电子设备中。如图1所示，本实施例的图文处理模型训练方法可以包括：
S101，将样本文本输入待训练的文本特征提取器得到文本特征，并将样本图像输入待训练的图像特征提取器得到图像特征。
S102，根据所述文本特征和所述图像特征之间的相关性，对所述文本特征提取器和所述图像特征提取器的网络参数进行更新。
S103，根据所述图像特征和所述样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数。
其中，样本文本是指媒体内容的文本数据。样本文本作为文本特征提取器的训练样本，用于训练文本特征提取器。样本文本可以是互联网上获取到文本资源。文本特征提取器用于从文本数据提取文本特征，文本特征提取器可以是任一可以进行文本特征提取的自然语言处理方法，文本特征提取器的具体类型在这里不作限定，具体根据实际情况确定。示例性，文本特征提取器可以是词袋模型或者TF-IDF(term frequency–inverse documentfrequency)模型，TF表示词频(Term Frequency)，IDF表示逆文本频率指数(InverseDocument Frequency)。将样本文本输入待训练的文本特征提取器，通过文本特征提取器从样本文本中提取文本特征。文本特征用于描述文本样本的语言特性，文本特征可以是文本内容的语义特征。
样本图像是指媒体内容的图像数据。样本图像作为图像特征提取器的训练样本，用于训练图像特征提取器。样本图像可以是互联网上获取到的任意图像资源。图像特征提取器用于从图像数据提取图像特征，图像特征提取器可以是任意可以进行图像特征提取的图像特征提取方法，图像特征提取器的具体类型在这里不作限定，具体根据实际情况确定。示例性，图像特征提取器可以是卷积神经网络。将样本图像输入待训练的图像特征提取器，通过图像特征提取器从样本图像中提取图像特征。图像特征用于描述图像样本的图像特性，图像特征可以是样本图像的语义特征、颜色特征、纹理特征或者形状特征中的至少一项。样本图像的语义特征可以是样本图像描述主体的类型信息。
样本文本和样本图像分别以文本形式和图像形式对媒体内容进行描述，样本文本和样本图像可以描述同一媒体内容，也可以描述不同媒体内容。可选的，样本文本和样本图像的数量相同，即输入待训练的文本特征提取器的样本文本数量，等于输入待训练的图像特征提取器的样本图像数量。
文本特征和图像特征之间的相关性用于描述样本文本和样本图像之间的关联程度。样本文本和样本图像的关联程度越高，文本特征和图像特征的相关性越高。可选的，将关联程度高的样本文本和样本图像作为正样本对，将关联程度低的样本文本和样本图像作为负样本对。例如，可以将同一文章的配图和标题作为正样本对，将不同文章的配图和标题作为负样本对。示例性的，将样本文本“跑神某某某：热爱跑步的她每天跑一个半马拉松”和样本图像“人物跑步图像”，作为正样本对；将样本文本“水果可以为我们机体提供维生素”，和样本图像“人物跑步图像”作为负样本对。正样本对对应的相关性大于负样本对对应的相关性。
根据文本特征和图像特征之间的相关性，更新文本特征提取器和图像特征提取器的网络参数如权重系数或者偏移量，反作用文本特征提取器和图像特征提取器的特征表达，使得文本特征和图像特征之间的相关性可以正确反应样本文本和样本图像之间的关联程度。
其中，图像特征由图像特征提取器产生，图像特征受图像特征提取器的特征表示方式影响，可以反映图像特征提取器的特征提取水平。监督信号用于反作用图像特征提取器的特征表达。
样本图像尚未进行特征提取，相较于图像特征，样本图像中包括信息更加丰富。根据图像特征和样本图像构建监督信号，可以对图像特征和样本图像分别进行处理，得到图像特征对应的第一处理结果和样本图像对应的第二处理结果，根据第一处理结果和第二处理结果构建监督信号。利用监督信号更新图像特征提取器的网络参数，以提高图像特征提取器的特征提取准确度，进而提高图文相关性判断的准确度。
在一种可选实施方式中，所述样本文本为目标媒体内容的文本内容，所述样本图像为所述目标媒体内容的封面图像。
目标媒体内容的包括文本内容和封面图像，封面图像可以直观反应目标媒体内容的主题、人物、风格以及格调。文本内容则可以精准表述目标媒体内容。目标媒体内容可以是文章、音频或者视频，对应的，文本内容可以是文章的文字内容，音频或者视频的标题文本；封面图像则为文章、音频或者视频的封面。可以知道的是，文字结合配图是主流的媒体内容展示方式，可以给用户更丰富直观的阅读体验，利用目标媒体内容的文本内容和封面图像训练图文处理模型，执行图文相关性判断任务，可以提高图文相关性判断的准确度，进而提高媒体内容的图文一致性，满足媒体内容的推荐需求，提高媒体内容的点展比和用户体验。
本公开实施例提供的技术方案，通过利用文本特征提取器和图像特征提取器分别提取样本文本和样本图像的文本特征和图像特征；根据文本特征和图像特征之间的相关性，更新文本特征提取器和图像特征提取器；根据图像特征和样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数，提供了一种适用于图文处理模块的自监督训练方法，无需为图文处理模型的训练样本添加标注数据，减少了开发人员的工作量，提高了图文处理模型的训练效率。本公开实施例考虑了样本图像和样本文本之间的关联程度，利用文本特征和图像特征之间的相关性，更新文本特征提取器和图像特征提取器，反作用文本特征提取器和图像特征提取器的特征表达，使得文本特征和图像特征之间的相关性可以正确反应样本文本和样本图像之间的关联程度，提高了图文相关性判断的准确度。本公开实施例还根据图像特征和样本图像构建监督信号，并根据监督信号更新图像特征提取器，反作用图像特征提取器的特征表达，进一步提高了图像特征器的特征提取准确度。
图2是根据本公开实施例提供的另一种图文处理模型训练方法的流程图；本实施例是在上述实施例的基础上提出的一种可选方案。具体对操作“根据所述图像特征和所述样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数”进行细化。
参见图2，本实施例提供的图文处理模型训练方法包括：
S201，将样本文本输入待训练的文本特征提取器得到文本特征，并将样本图像输入待训练的图像特征提取器得到图像特征。
S202，根据所述文本特征和所述图像特征之间的相关性，对所述文本特征提取器和所述图像特征提取器的网络参数进行更新。
在一种可选实施方式中，所述根据所述文本特征和所述图像特征之间的相关性，包括：确定所述文本特征和所述图像特征之间的余弦距离；根据所述余弦距离，确定所述文本特征和所述图像特征之间的相关性。
文本特征和图像特征均采用向量形式表示，余弦距离通常是指特征向量之间的余弦相似度。余弦距离用于量化文本特征对应的特征向量和图像特征对应的特征向量之间的相关性。文本特征和图像特征之间的相关性与余弦距离成负相关，余弦距离越小文本特征和图像特征之间的相关性越高。
确定文本特征和图像特征之间的余弦距离，具体的，将文本特征Tf和图像特征If通过全连接层分别映射到同一高维空间，利用式1确定文本特征Tf和图像特征If的相似度g。其中，Wi和Wt是全连接层的学习参数，t是可学习的微调参数。文本特征提取器和图像特征提取器可以采用如式2所示的损失函数。上述技术方案，提供了文本特征和图像特征之间相关性的计算方法，利用余弦距离计算特征之间的相关性衡量文本特征和图像特征之间的差异，利用相关性更新文本特征提取器和图像特征提取器，提高了图文相关性判断的准确度。
Figure BDA0003548432090000071
Figure BDA0003548432090000072
S203，将所述图像特征作为待训练的图像分类器的输入得到第一分类结果，并将所述样本图像作为预先训练的标准分类器的输入得到第二分类结果。
其中，图像分类器用于根据图像特征区分不同类别图像。由图像分类器产生的图像分类结果为第一分类结果。
待训练的图像分类器是尚未进行训练的图像分类器，将图像特征提取器提取到的图像特征输入到待训练的图像分类器，利用待训练的图像分类器对图像特征进行分类处理，得到图像分类结果。
预先训练的标准分类器是预先训练完成的图像分类器，预先训练的标准分类器用于对图像进行分类。可选的，预先训练的标准分类器是利用带有标签数据的样本图像训练得到的。预先训练的标准分类器满足图像分类任务对于分类准确度的要求。由预先训练的标准分类器产生的图像分类结果为第二分类结果。
S204，将所述第一分类结果和所述第二分类结果之间的比较结果作为监督信号。
第一分类结果由待训练的图像分类器产生，图像特征作为待训练的图像分类器的输入，会影响图像分类器的分类性能。第二分类结果是由预先训练的标准分类器产生。以第二分类结果作为参考标准，将第一分类结果与第二分类结果进行比较，将比较结果作为监督信号，利用监督信号调整图像特征提取器和图像分类器的网络参数，使图像特征提取器和图像分类器可以学习标准分类器的特征表达方式。
S205，根据所述监督信号，更新所述图像特征提取器和所述图像分类器的网络参数。
监督信号可以反应图像分类器和图像特征提取器与标准分类器的特征表达差异，利用图像分类器产生的第一分类结果和标准分类器产生的第二分类结果之间的比较结果，对图像特征提取器和图像分类器，实际上为利用预先训练的标准分类器对图像特征提取器和图像分类器进行知识蒸馏，具体的，将预先训练的标准分类器作为教师模型，将待训练的图像分类器作为学生模型。以图像分类器为食物分类器的为例进行说明，待训练的食物分类器根据图像特征可以得到预测食物类别的概率分布p1，预先训练的食物分类器对样本图像产生一个预测食物类别的概率分布p2。利用式3使用KL散度(Kullback–Leiblerdivergence，KLD)度量两个概率分布p1和p2的差异，并作为损失函数对待训练的图像分类器和图像特征提取器进行知识蒸馏。
Figure BDA0003548432090000081
本公开实施例提供的技术方案，根据待训练的图像分类器产生的第一分类结果和预先训练的标准分类器产生的第二分类结果构建监督信号，根据监督信号更新图像特征提取器和图像分类器。本公开实施例利用监督信号反作用图像特征提取器和图像分类器的特征表达，实现了图像特征提取器和图像分类器的自监督训练，直接利用不带标注数据的训练样本即可完成对图文处理模型的训练，减少了数据标注工作量，提高了模型训练效率，降低了模型训练的时间成本和人工成本，使得对模型进行大规模训练成为可能，提高了模型训练方法的实用性。
图3是根据本公开实施例提供的又一种图文处理模型训练方法的流程图；本实施例是在上述实施例的基础上提出的一种可选方案。具体的，图像分类器包括至少两个子图像分类器；所述子图像分类器具有自注意力单元。并在此基础上，对操作“将所述图像特征作为待训练的图像分类器的输入得到第一分类结果”进行细化。
参见图3，本实施例提供的图文处理模型训练方法包括：
S301，将样本文本输入待训练的文本特征提取器得到文本特征，并将样本图像输入待训练的图像特征提取器得到图像特征。
S302，根据所述文本特征和所述图像特征之间的相关性，对所述文本特征提取器和所述图像特征提取器的网络参数进行更新。
S303，将所述图像特征作为第i个自注意力单元的输入，得到第i个类别的自注意力权重。
图像特征提取器提取出来的图像特征包含丰富的语义信息，各种语义信息揉杂在一起，需要对各大类的语义信息进行细粒度特征蒸馏。对图像类别进行细粒度划分，将图像类别划分为至少两个图像子类别。示例性的，图像类型可以包括但不限于食物图像、车系图像、年龄图像等类别，食物大类可以进一步划分为水果、蔬菜、饮品以及主食等子类别。
利用子图像分类器对图像特征进行细粒度特征蒸馏，食物图像分类器可以进行一步包括水果图像分类器、蔬菜图像分类器、饮品图像分类器和主食图像分类等子图像分类器。可选的，图像分类器还包括用于指示图像特征不属于第i个类别的其他类别。示例性的，将衣服图像的图像特征输入车系图像分类器，由于衣服图像不属于车系图像，车系图像分类器会将衣服图像确定为其他类别。
水果图像分类器、蔬菜图像分类器、饮品图像分类器和主食图像分类等子图像分类器分别具有属于各自的自注意力单元。可以理解的是，不同类别食物的图像在颜色特征或者纹理特征等方面存在差异，为各子图像分类器设置对应的自注意力单元，可以提高各子图像分类器的适用性，为不同子图像分类器分配不同的注意力，使得各子图像分类器可以专注于学习对应图像类别的图像类型特征，从而提高子图像分类器的分类准确性。
其中，第i个类别的子图像分类器是图像分类器中的任意一个子图像分类器。第i个自注意力单元与第i个类别的子图像分类器相对应，将图像特征作为第i个自注意力单元的输入，得到第i个类别的自注意力权重。
S304，采用第i个类别的自注意力权重对所述图像特征进行修正。
利用第i个类别的自注意力权重对图像特征进行修正，利用自注意力权重对图像特征进行筛选，保留有价值的图像特征而滤除不重要的图像特征，突出图像特征中与第i个图像类别相关的特征。
S305，将经修正的图像特征作为待训练的图像分类器中第i个子图像分类器的输入，得到第i个子图像分类器输出的第一分类结果，并将所述样本图像作为预先训练的标准分类器的输入得到第二分类结果。
经修正的图像特征包括对于判断图像类型是否属于第i个图像类别，有价值的图像特征。将经修正的图像特征输入待训练的图像分类器中第i个子图像分类器，通过第i个子图像分类器输出的第一分类结果，可以提高子图像分类器的图像分类准确性。
S306，将所述第一分类结果和所述第二分类结果之间的比较结果作为监督信号。
在一种可选实施方式中，所述标准分类器包括至少两个子标准分类器，且子图像分类器的数量和所述子标准分类器的数量相同；所述将所述第一分类结果和所述第二分类结果之间的比较结果作为监督信号，包括：将第i个子图像分类器输出的第一分类结果和第i个子标准分类器输出的第二分类结果之间的比较结果作为监督信号。
标准分类器包括至少两个子标准分类器，且子图像分类器的数量和所述子标准分类器的数量相同，子图像分类器与子标准分类器相对应。每个子图像分类器均存在与之对应的子标准分类器。将第i个子图像分类器输出的第一分类结果和第i个子标准分类器输出的第二分类结果之间的比较结果作为监督信号，根据更新图像特征提取器和第i个子图像分类器的网络参数。上述技术方案，通过设置与子图像分类器的数量相同的子标准分类器，根据子标准分类器的第二分类结果和子图像分类器的第一分类结果确定监督信号，利用监督信号有针对性的更新对应的子图像分类器，提高了图像分类器的细粒度辨别能力。
S307，根据所述监督信号，更新所述图像特征提取器和所述图像分类器的网络参数。
根据监督信号，更新图像特征提取器、图像分类器中的各子图像分类器的网络参数以及各子图像分类器中的自注意力单元的网络参数。
本公开实施例提供的技术方案，利用至少两个子图像分类器对图像特征进行分类，实现了对样本图像的细粒度分类，提升了图像分类器的细粒度辨别能力。本公开实施例中，子图像分类器具有自注意力单元，通过利用自注意力单元产生的自注意力权重对图像特征进行修正，可以提高各子图像分类器的适配性，为不同子图像分类器分配不同的注意力，使得各子图像分类器可以专注于学习对应图像类别的图像类型特征，从而提高子图像分类器的分类准确性。
图4是根据本公开实施例提供的又一种图文处理模型训练方法的流程图。如图4所示，在一个具体实施例中，首先，利用文本特征提取器和图像特征提取器分别提取样本文本和样本图像的文本特征和图像特征。提取到的文本特征和图像特征的数量相同。文本特征和图像特征均为向量形式，文本特征可以表示为[T1，T2，T3……Tn]；图像特征可以表示为[I1，I2，I3……In]。接下来将文本特征和图像特征进行拼接，得到拼接特征向量[I1T1，I1T2，I1T3……I1Tn]，[I2T1，I2T2，I2T3……I2Tn]直到[InT1，InT2，InT3……InTn]。利用拼接特征向量构建相关性矩阵[I1T1，I1T2，I1T3……I1Tn；I2T1，I2T2，I2T3……I2Tn；……；InT1，InT2，InT3……InTn]。利用相关性矩阵更新图像特征提取器和文本特征提取器；其中，相关性矩阵中处于对角线位置的矩阵元素[I1T1，I2T2，I3T3……InTn]为正样本对，相关性矩阵中其他位置的矩阵元素为负样本对，构成正样本对的两个特征向量的余弦距离小于构成负样本对的两个特征向量的余弦距离。将图像特征[I1，I2，I3……In]输入子图像分类器中的自注意力单元(Att)，利用自注意力单元产生的自注意力权重对图像特征进行修正，将经修正的图像特征输入待训练的图像分类器中的子图像分类器，同时将样本图像输入子标准分类器，利用子标准分类器对子图像分类器进行知识蒸馏，即将子图像分类器输出的第一分类结果和对应的子标准分类器输出的第二分类结果之间的比较结果作为监督信号，根据监督信号更新对应的子图像分类器。如图4所示，子图像分类器包括但不限于:食物分类器(Food)、人物分类器(Person)、车系分类器(Car)以及衣服分类器(Cloth)；对应的，子标准分类器同样包括但不限于:食物分类器(Food)、人物分类器(Person)、车系分类器(Car)以及衣服分类器(Cloth)。实现了图文处理模型的自监督训练，提高了模型训练效率，降低了模型训练的时间成本和人工成本，使得对模型进行大规模训练成为可能，提高了模型训练方法的实用性。
图5是根据本公开实施例提供的一种图文处理方法的流程图，该方法适用于基于文本特征提取器和图像特征提取器进行图文处理的情况，尤其适用于利用上述任一实施例所述的图文处理模型训练方法，训练得到的文本特征提取器和图像特征提取器进行图文处理的情况，如信息推荐场景下，以图文结合的方式向用户推荐媒体内容的情况。该方法可以由图文处理装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成承载图文处理功能的电子设备中。如图5所示，本实施例的图文处理方法可以包括：
S501，将目标文本输入文本特征提取器，得到目标文本的文本特征。
S502，将目标图像输入图像特征提取器，得到目标图像的图像特征。
S503，根据所述目标文本的文本特征和所述目标图像的图像特征，确定所述目标文本与所述目标图像之间的相关性。
其中，所述文本特征提取器和所述图像特征提取器采用上述任一实施例所述的图文处理模型训练方法预先训练得到。
其中，目标文本可以是媒体内容的文本内容，媒体内容可以是文章、音频或者视频，相应的，目标文本可以是媒体内容的标题文本。
将目标文本输入到采用上述任一实施例提供的图文处理模型训练方法预先训练完成的文本特征提取器中，通过文本特征提取器提取目标文本的文本特征。
其中，目标图像可以是媒体内容的图像内容，目标图像可以与目标文本相关也可以与目标文本不相关。将目标图像输入采用上述任一实施例提供的图文处理模型训练方法预先训练完成的图像特征提取器，通过图像特征提取器提取目标图像的图像特征。
文本特征和图像特征之间的相关性用于描述目标文本和目标图像之间的关联程度。文本特征和图像特征的相关性越高，表明目标文本和目标图像的关联程度越高。
根据目标文本的文本特征和目标图像的图像特征，确定目标文本与所述目标图像之间的相关性，可选的，计算目标文本的文本特征和目标图像的图像特征之间的余弦距离，根据二者之间的余弦距离确定文本特征和图像特征之间的相关性，进而确定目标文本和目标图像之间的相关性。其中，余弦距离可以量化文本特征对应的特征向量和图像特征对应的特征向量之间的相关性。文本特征和图像特征之间的相关性与余弦距离成负相关，余弦距离越小文本特征和图像特征之间的相关性越高。
本公开实施例提供的图文处理方法可以为具有多张备选图像的媒体内容，从备选图像中选择出与媒体内容相匹配的作为媒体内容的封面图像。示例性的，本公开实施例提供的图文处理方法适用的应用场景可以是在内容发布平台向用户推荐媒体内容之前，采用上述任一实施例所述的图文处理模型训练方法预先训练得到的图像特征提取器和文本特征提取器，在多张备选图像中选择与媒体内容的文本内容相关性最高的作为封面图像；还可以在媒体内容发布到内容发布平台过程中，利用采用上述任一实施例所述的图文处理模型训练方法预先训练得到的图像特征提取器和文本特征提取器，协助内容发布者为媒体内容选择封面图像；还可以是在内容发布平台将媒体内容推荐给用户以后，利用采用上述任一实施例所述的图文处理模型训练方法预先训练得到的图像特征提取器和文本特征提取器，对媒体内容的图文一致性进行复核和验证。
本公开实施例提供的技术方案，通过采用图文处理模型训练方法预先训练得到的文本特征提取器和图像特征提取器分别提取目标文本的文本特征和目标图像的图像特征，根据目标文本的文本特征和所述目标图像的图像特征，确定目标文本与所述目标图像之间的相关性。上述技术方案中在文本特征提取器和图像特征提取器的训练过程中充分考虑了样本图像和样本文本之间的关联程度，使得文本特征提取器和图像特征提取器能够准确地提取文本特征和图像特征，提高了图文相关性判断的准确度，进而采用图文处理模型训练方法预先训练得到的文本特征提取器和图像特征提取器进行图文处理的准确性较高。
图6是根据本公开实施例提供的一种图文处理模型训练装置的结构示意图。本公开实施例适用于信息推荐场景下，以图文结合的方式向用户推荐媒体内容的情况。该装置可以采用软件和/或硬件来实现，该装置可以实现本公开任意实施例所述的图文处理模型训练方法。如图6所示，该图文处理模型训练装置600包括：
特征数据提取模块601，用于将样本文本输入待训练的文本特征提取器得到文本特征，并将样本图像输入待训练的图像特征提取器得到图像特征；
特征提取器更新模块602，用于根据所述文本特征和所述图像特征之间的相关性，对所述文本特征提取器和所述图像特征提取器的网络参数进行更新；
监督信号构建模块603，用于根据所述图像特征和所述样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数。
本公开实施例提供的技术方案，通过利用文本特征提取器和图像特征提取器分别提取样本文本和样本图像的文本特征和图像特征；根据文本特征和图像特征之间的相关性，更新文本特征提取器和图像特征提取器；根据图像特征和样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数，提供了一种适用于图文处理模块的自监督训练方法，无需为图文处理模型的训练样本添加标注数据，减少了开发人员的工作量，提高了图文处理模型的训练效率。本公开实施例考虑了样本图像和样本文本之间的关联程度，利用文本特征和图像特征之间的相关性，更新文本特征提取器和图像特征提取器，反作用文本特征提取器和图像特征提取器的特征表达，使得文本特征和图像特征之间的相关性可以正确反应样本文本和样本图像之间的关联程度，提高了图文相关性判断的准确度。本公开实施例还根据图像特征和样本图像构建监督信号，并根据监督信号更新图像特征提取器，反作用图像特征提取器的特征表达，进一步提高了图像特征器的特征提取准确度。
可选的，所述监督信号构建模块603，包括：图像分类结果确定子模块，用于将所述图像特征作为待训练的图像分类器的输入得到第一分类结果，并将所述样本图像作为预先训练的标准分类器的输入得到第二分类结果；监督信号确定子模块，用于将所述第一分类结果和所述第二分类结果之间的比较结果作为监督信号；图像特征提取器和图像分类器更新子模块，用于根据所述监督信号，更新所述图像特征提取器和所述图像分类器的网络参数。
可选的，所述图像分类器包括至少两个子图像分类器；所述子图像分类器具有自注意力单元；所述图像分类结果确定子模块，包括：自注意力权重确定单元，用于将所述图像特征作为第i个自注意力单元的输入，得到第i个类别的自注意力权重；图像特征修正单元，用于采用第i个类别的自注意力权重对所述图像特征进行修正；第一分类结果确定单元，用于将经修正的图像特征作为待训练的图像分类器中第i个子图像分类器的输入，得到第i个子图像分类器输出的第一分类结果。
可选的，所述标准分类器包括至少两个子标准分类器，且子图像分类器的数量和所述子标准分类器的数量相同；所述监督信号确定子模块，具体用于：将第i个子图像分类器输出的第一分类结果和第i个子标准分类器输出的第二分类结果之间的比较结果作为监督信号。
可选的，所述特征提取器更新模块602，包括：余弦距离确定子模块，用于确定所述文本特征和所述图像特征之间的余弦距离；特征相关性确定子模块，用于根据所述余弦距离，确定所述文本特征和所述图像特征之间的相关性。
可选的，所述样本文本为目标媒体内容的文本内容，所述样本图像为所述目标媒体内容的封面图像。
本公开实施例所提供的图文处理模型训练装置可执行本公开任意实施例所提供的图文处理模型训练方法，具备执行图文处理模型训练方法相应的功能模块和有益效果。
本公开的技术方案中，所涉及的样本图像和样本文本的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
图7是根据本公开实施例提供的一种图文处理装置的结构示意图。本公开实施例适用于基于文本特征提取器和图像特征提取器进行图文处理的情况，尤其适用于利用上述任一实施例所述的图文处理模型训练方法，训练得到文本特征提取器和图像特征提取器进行图文处理的情况，如信息推荐场景下，以图文结合的方式向用户推荐媒体内容的情况。该装置可以采用软件和/或硬件来实现，该装置可以实现本公开任意实施例所述的图文处理方法。如图7所示，该图文处理装置700包括：文本特征提取模块701、图像特征提取模块702和相关性确定模块703。
其中，文本特征提取模块701，用于将目标文本输入文本特征提取器，得到目标文本的文本特征；
图像特征提取模块702，用于将目标图像输入图像特征提取器，得到目标图像的图像特征；
相关性确定模块703，用于根据所述目标文本的文本特征和所述目标图像的图像特征，确定所述目标文本与所述目标图像之间的相关性；
其中，所述文本特征提取器和所述图像特征提取器采用如本公开任一实施例所述的图文处理模型训练装置预先训练得到。
本公开实施例提供的技术方案，通过采用图文处理模型训练方法预先训练得到的文本特征提取器和图像特征提取器分别提取目标文本的文本特征和目标图像的图像特征，根据目标文本的文本特征和所述目标图像的图像特征，确定目标文本与所述目标图像之间的相关性。上述技术方案中在文本特征提取器和图像特征提取器的训练过程中充分考虑了样本图像和样本文本之间的关联程度，能够准确地提取文本特征和图像特征，提高了图文相关性判断的准确度，进而采用图文处理模型训练方法预先训练得到的文本特征提取器和图像特征提取器进行图文处理的准确性较高。
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8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，电子设备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，还可存储电子设备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。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备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。
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，例如图文处理模型训练方法或图文处理方法。例如，在一些实施例中，图文处理模型训练方法或图文处理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/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的图文处理模型训练方法或图文处理方法的一个或多个步骤。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)而被配置为执行图文处理模型训练方法或执行图文处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程图文处理模型训练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。
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、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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，本发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 (14)

1.一种图文处理模型训练方法，包括：
将样本文本输入待训练的文本特征提取器得到文本特征，并将样本图像输入待训练的图像特征提取器得到图像特征；
根据所述文本特征和所述图像特征之间的相关性，对所述文本特征提取器和所述图像特征提取器的网络参数进行更新；
根据所述图像特征和所述样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数；
其中，所述根据所述图像特征和所述样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数，包括：
将所述图像特征作为待训练的图像分类器的输入得到第一分类结果，并将所述样本图像作为预先训练的标准分类器的输入得到第二分类结果；
将所述第一分类结果和所述第二分类结果之间的比较结果作为监督信号；
根据所述监督信号，更新所述图像特征提取器和所述图像分类器的网络参数。
2.根据权利要求1所述的方法，其中，所述图像分类器包括至少两个子图像分类器；所述子图像分类器具有自注意力单元；
所述将所述图像特征作为待训练的图像分类器的输入得到第一分类结果，包括：
将所述图像特征作为第i个自注意力单元的输入，得到第i个类别的自注意力权重；
采用第i个类别的自注意力权重对所述图像特征进行修正；
将经修正的图像特征作为待训练的图像分类器中第i个子图像分类器的输入，得到第i个子图像分类器输出的第一分类结果。
3.根据权利要求2所述的方法，其中，所述标准分类器包括至少两个子标准分类器，且子图像分类器的数量和所述子标准分类器的数量相同；
所述将所述第一分类结果和所述第二分类结果之间的比较结果作为监督信号，包括：
将第i个子图像分类器输出的第一分类结果和第i个子标准分类器输出的第二分类结果之间的比较结果作为监督信号。
4.根据权利要求1-3中任一项所述的方法，其中，所述根据所述文本特征和所述图像特征之间的相关性，包括：
确定所述文本特征和所述图像特征之间的余弦距离；
根据所述余弦距离，确定所述文本特征和所述图像特征之间的相关性。
5.根据权利要求1-3中任一项所述的方法，其中，所述样本文本为目标媒体内容的文本内容，所述样本图像为所述目标媒体内容的封面图像。
6.一种图文处理方法，包括：
将目标文本输入文本特征提取器，得到目标文本的文本特征；
将目标图像输入图像特征提取器，得到目标图像的图像特征；
根据所述目标文本的文本特征和所述目标图像的图像特征，确定所述目标文本与所述目标图像之间的相关性；
其中，所述文本特征提取器和所述图像特征提取器采用如权利要求1-5中任一项所述的图文处理模型训练方法预先训练得到。
7.一种图文处理模型训练装置，包括：
特征数据提取模块，用于将样本文本输入待训练的文本特征提取器得到文本特征，并将样本图像输入待训练的图像特征提取器得到图像特征；
特征提取器更新模块，用于根据所述文本特征和所述图像特征之间的相关性，对所述文本特征提取器和所述图像特征提取器的网络参数进行更新；
监督信号构建模块，用于根据所述图像特征和所述样本图像构建监督信号，并根据所述监督信号更新所述图像特征提取器的网络参数；
其中，所述监督信号构建模块，包括：
图像分类结果确定子模块，用于将所述图像特征作为待训练的图像分类器的输入得到第一分类结果，并将所述样本图像作为预先训练的标准分类器的输入得到第二分类结果；
监督信号确定子模块，用于将所述第一分类结果和所述第二分类结果之间的比较结果作为监督信号；
图像特征提取器和图像分类器更新子模块，用于根据所述监督信号，更新所述图像特征提取器和所述图像分类器的网络参数。
8.根据权利要求7所述的装置，其中，所述图像分类器包括至少两个子图像分类器；所述子图像分类器具有自注意力单元；
所述图像分类结果确定子模块，包括：
自注意力权重确定单元，用于将所述图像特征作为第i个自注意力单元的输入，得到第i个类别的自注意力权重；
图像特征修正单元，用于采用第i个类别的自注意力权重对所述图像特征进行修正；
第一分类结果确定单元，用于将经修正的图像特征作为待训练的图像分类器中第i个子图像分类器的输入，得到第i个子图像分类器输出的第一分类结果。
9.根据权利要求8所述的装置，其中，所述标准分类器包括至少两个子标准分类器，且子图像分类器的数量和所述子标准分类器的数量相同；
所述监督信号确定子模块，具体用于：将第i个子图像分类器输出的第一分类结果和第i个子标准分类器输出的第二分类结果之间的比较结果作为监督信号。
10.根据权利要求7-9中任一项所述的装置，其中，所述特征提取器更新模块，包括：
余弦距离确定子模块，用于确定所述文本特征和所述图像特征之间的余弦距离；
特征相关性确定子模块，用于根据所述余弦距离，确定所述文本特征和所述图像特征之间的相关性。
11.根据权利要求7-9中任一项所述的装置，其中，所述样本文本为目标媒体内容的文本内容，所述样本图像为所述目标媒体内容的封面图像。
12.一种图文处理装置，包括：
文本特征提取模块，用于将目标文本输入文本特征提取器，得到目标文本的文本特征；
图像特征提取模块，用于将目标图像输入图像特征提取器，得到目标图像的图像特征；
相关性确定模块，用于根据所述目标文本的文本特征和所述目标图像的图像特征，确定所述目标文本与所述目标图像之间的相关性；
其中，所述文本特征提取器和所述图像特征提取器采用如权利要求7-11中任一项所述的图文处理模型训练装置预先训练得到。
13.一种电子设备，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中任一项所述的图文处理模型训练方法，或执行权利要求6所述的图文处理方法。
14.一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计算机执行根据权利要求1-5中任一项所述的图文处理模型训练方法，或执行权利要求6所述的图文处理方法。
CN202210255883.5A 2022-03-15 2022-03-15 图文处理模型训练及图文处理方法、装置、设备及介质 Active CN114595780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210255883.5A CN114595780B (zh) 2022-03-15 2022-03-15 图文处理模型训练及图文处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210255883.5A CN114595780B (zh) 2022-03-15 2022-03-15 图文处理模型训练及图文处理方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114595780A CN114595780A (zh) 2022-06-07
CN114595780B true CN114595780B (zh) 2022-12-20

Family

ID=81818355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210255883.5A Active CN114595780B (zh) 2022-03-15 2022-03-15 图文处理模型训练及图文处理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114595780B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378833A (zh) * 2021-06-25 2021-09-10 北京百度网讯科技有限公司 图像识别模型训练方法、图像识别方法、装置及电子设备
CN113901907A (zh) * 2021-09-30 2022-01-07 北京百度网讯科技有限公司 图文匹配模型训练方法、图文匹配方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110019889A (zh) * 2017-12-01 2019-07-16 北京搜狗科技发展有限公司 训练特征提取模型及计算图片与查询词相关性系数的方法和相关装置
CN111461155A (zh) * 2019-01-18 2020-07-28 富士通株式会社 训练分类模型的装置和方法
CN111242153A (zh) * 2019-02-21 2020-06-05 惠州市微米立科技有限公司 一种基于无监督深度学习的水果分级筛选方法
CN111860193B (zh) * 2020-06-24 2022-08-05 贵州大学 一种基于文本的行人检索自监督视觉表示学习系统及方法
CN112949583A (zh) * 2021-03-30 2021-06-11 京科互联科技(山东)有限公司 复杂城市场景的目标检测方法、系统、设备及存储介质
CN113255763B (zh) * 2021-05-21 2023-06-09 平安科技（深圳）有限公司 基于知识蒸馏的模型训练方法、装置、终端及存储介质
CN113837238B (zh) * 2021-09-02 2023-09-01 南京大学 一种基于自监督和自蒸馏的长尾图像识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378833A (zh) * 2021-06-25 2021-09-10 北京百度网讯科技有限公司 图像识别模型训练方法、图像识别方法、装置及电子设备
CN113901907A (zh) * 2021-09-30 2022-01-07 北京百度网讯科技有限公司 图文匹配模型训练方法、图文匹配方法及装置

Also Published As

Publication number Publication date
CN114595780A (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN111897964B (zh) 文本分类模型训练方法、装置、设备及存储介质
EP2833295A2 (en) Convolutional-neural-network-based classifier and classifying method and training methods for the same
US20200372025A1 (en) Answer selection using a compare-aggregate model with language model and condensed similarity information from latent clustering
EP3743827A1 (en) Training image and text embedding models
EP3926531A1 (en) Method and system for visio-linguistic understanding using contextual language model reasoners
CN107807968B (zh) 基于贝叶斯网络的问答装置、方法及存储介质
EP3872652B1 (en) Method and apparatus for processing video, electronic device, medium and product
US20200250537A1 (en) Training image and text embedding models
CN109582788A (zh) 垃圾评论训练、识别方法、装置、设备及可读存储介质
EP4113376A1 (en) Image classification model training method and apparatus, computer device, and storage medium
CN115131698B (zh) 视频属性确定方法、装置、设备及存储介质
CN113392179A (zh) 文本标注方法及装置、电子设备、存储介质
CN117011737A (zh) 一种视频分类方法、装置、电子设备和存储介质
CN115203401A (zh) 分类模型的训练方法、分类方法、装置、设备和存储介质
Çayli et al. Knowledge distillation for efficient audio-visual video captioning
CN112926341A (zh) 文本数据处理方法、装置
CN110135769A (zh) 货品属性填充方法及装置、存储介质及电子终端
CN114595780B (zh) 图文处理模型训练及图文处理方法、装置、设备及介质
CN116029793A (zh) 商品推荐方法及其装置、设备、介质
Malhotra et al. An efficient fake news identification system using A-SQUARE CNN algorithm
CN111125387B (zh) 多媒体列表生成、命名方法、装置、电子设备和存储介质
CN113569091A (zh) 视频数据的处理方法、装置
CN112287215A (zh) 一种智能就业推荐方法和装置
US11887226B2 (en) Using machine learning for iconography recommendations
CN112052424B (zh) 一种内容审核方法及装置

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