CN114648631A - 图像描述生成方法和装置、电子设备及存储介质 - Google Patents

图像描述生成方法和装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114648631A
CN114648631A CN202210282766.8A CN202210282766A CN114648631A CN 114648631 A CN114648631 A CN 114648631A CN 202210282766 A CN202210282766 A CN 202210282766A CN 114648631 A CN114648631 A CN 114648631A
Authority
CN
China
Prior art keywords
target
vector
text
image
image description
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
Application number
CN202210282766.8A
Other languages
English (en)
Inventor
舒畅
陈又新
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210282766.8A priority Critical patent/CN114648631A/zh
Publication of CN114648631A publication Critical patent/CN114648631A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种图像描述生成方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取原始图像；对原始图像进行目标检测，得到目标区域嵌入向量；对原始图像进行文本检测，得到文本嵌入向量；对文本嵌入向量和目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量；对文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量进行特征融合，得到目标特征向量；通过预先训练的图像描述生成模型对目标特征向量进行语义分析，得到初始图像描述信息；对初始图像描述信息进行筛选处理，得到目标图像描述信息。本申请实施例能够提高生成图像描述信息的准确性。

Description

图像描述生成方法和装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种图像描述生成方法和装置、电子设备及存储介质。
背景技术
图像描述是指以图像为输入，通过模型和计算来输出对应图像的描述图像内容的自然语言(英文、中文等)句子。生成的句子是能够描述图像内容的句子。
目前，大多数图像描述信息的生成都依赖于目标检测模型来实现，通过目标检测模型能够较好地捕捉图像细节，但也存在着生成的描述语句较为分散，图像描述文本的上下文信息的相关性不高的问题，影响图像描述信息的准确性，因此，如何提高生成图像描述信息的准确性，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种图像描述生成方法和装置、电子设备及存储介质，旨在提高生成图像描述信息的准确性。
为实现上述目的，本申请实施例的第一方面提出了一种图像描述生成方法，所述方法包括：
获取原始图像；
对所述原始图像进行目标检测，得到目标区域嵌入向量；
对所述原始图像进行文本检测，得到文本嵌入向量；
对所述文本嵌入向量和所述目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量；
对所述文本嵌入向量、所述目标区域嵌入向量以及所述目标词汇嵌入向量进行特征融合，得到目标特征向量；
通过预先训练的图像描述生成模型对所述目标特征向量进行语义分析，得到初始图像描述信息；
对所述初始图像描述信息进行筛选处理，得到目标图像描述信息。
在一些实施例，所述对所述原始图像进行目标检测，得到目标区域嵌入向量的步骤，包括：
将所述原始图像输入至预设的目标检测模型；其中所述目标检测模型包括卷积层、RPN层、RoI pooling层以及全连接层；
通过所述卷积层对所述原始图像进行全局特征提取，得到多个目标特征图；
通过所述RPN层、所述RoI pooling层以及预设的坐标参数对所述目标特征图进行目标检测，得到图像目标检测框；
通过所述全连接层将所述图像目标检测框映射到预设的第一向量空间，得到初始检测嵌入向量；
通过双线性峰插法对所述初始检测嵌入向量进行变维处理，得到所述目标区域嵌入向量。
在一些实施例，所述对所述原始图像进行文本检测，得到文本嵌入向量的步骤，包括：
将所述原始图像输入至预设的文本检测模型中，其中，所述文本检测模型包括文本识别网络、分类网络和编码网络；
通过所述文本识别网络对所述原始图像进行文本识别处理，得到文本标识数据；
通过所述分类网络对所述文本标识数据进行置信度计算，得到第一置信度数据；
通过所述编码网络对所述文本标识数据进行置信度计算，得到第二置信度数据；
根据所述第一置信度数据和所述第二置信度数据，得到所述文本嵌入向量。
在一些实施例，所述对所述文本嵌入向量和所述目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量的步骤，包括：
将所述文本嵌入向量映射到预设的第二向量空间，得到文本特征向量；并将所述目标区域嵌入向量映射到所述第二向量空间，得到目标区域特征向量；
对所述文本特征向量和所述目标区域特征向量进行拼接处理，得到所述目标词汇嵌入向量。
在一些实施例，所述对所述文本嵌入向量、所述目标区域嵌入向量以及所述目标词汇嵌入向量进行特征融合，得到目标特征向量的步骤，包括：
将所述文本嵌入向量、所述目标区域嵌入向量以及所述目标词汇嵌入向量输入至预设的特征融合模型；其中，所述特征融合模型包括第一解码层、transformer层；
通过所述第一解码层对所述目标词汇嵌入向量进行解码处理，得到目标词汇隐变量；
通过所述transformer层对所述文本嵌入向量、所述目标区域嵌入向量、所述目标词汇隐变量进行特征融合，得到所述目标特征向量。
在一些实施例，所述图像描述生成模型包括第二解码层、第一指针网络、第二指针网络和线性层，所述通过预先训练的图像描述生成模型对所述目标特征向量进行语义分析，得到初始图像描述信息的步骤，包括：
通过所述第二解码层对所述目标特征向量进行解码处理，得到候选图像表达词段；
通过所述第一指针网络和预设目标检测类别对所述候选图像表达词段进行词汇概率计算，得到第一概率值；
通过所述第二指针网络和预设标识标签对所述候选图像表达词段进行词汇概率计算，得到第二概率值；
通过所述线性层和预设词典对所述候选图像表达词段进行词汇概率计算，得到第三概率值；
根据所述第一概率值、所述第二概率值、所述第三概率值，确定目标图像表达词段，并根据所述目标图像表达词段生成所述初始图像描述信息。
在一些实施例，所述对所述初始图像描述信息进行筛选处理，得到目标图像描述信息的步骤，包括：
对所述初始图像描述信息进行重复性检测，得到所述初始图像描述信息中每一图像单词的定义值；
根据所述定义值对所述图像单词进行筛选处理，得到所述目标图像描述信息。
为实现上述目的，本申请实施例的第二方面提出了一种图像描述生成装置，所述装置包括：
图像获取模块，用于获取原始图像；
目标检测模块，用于对所述原始图像进行目标检测，得到目标区域嵌入向量；
文本检测模块，用于对所述原始图像进行文本检测，得到文本嵌入向量；
拼接模块，用于对所述文本嵌入向量和所述目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量；
特征融合模块，用于对所述文本嵌入向量、所述目标区域嵌入向量以及所述目标词汇嵌入向量进行特征融合，得到目标特征向量；
图像描述生成模块，用于通过预先训练的图像描述生成模型对所述目标特征向量进行语义分析，得到初始图像描述信息；
筛选处理模块，用于对所述初始图像描述信息进行筛选处理，得到目标图像描述信息。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出的图像描述生成方法和装置、电子设备及存储介质，其通过获取原始图像；通过对原始图像进行目标检测，得到目标区域嵌入向量，并对原始图像进行文本检测，得到文本嵌入向量，能够结合目标检测和文本检测两种方式，同时对原始图像的目标区域和重要文本信息进行检测，提取到原始图像的区域特征信息和文本特征信息。进而，对文本嵌入向量和目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量，再将文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量进行特征融合，得到目标特征向量，从而，通过预先训练的图像描述生成模型对目标特征向量进行语义分析，得到初始图像描述信息，通过这一方式能够方便地将原始图像的多模态特征进行特征融合，提高生成的图像描述信息的准确性。最后，本申请还对初始图像描述信息进行筛选处理，进一步地对初始图像描述信息的文本内容进行文本筛查，剔除重复性词段，得到目标图像描述信息，能够进一步地提高生成的图像描述信息的质量。
附图说明
图1是本申请实施例提供的图像描述生成方法的流程图；
图2是图1中的步骤S102的流程图；
图3是图1中的步骤S103的流程图；
图4是图1中的步骤S104的流程图；
图5是图1中的步骤S105的流程图；
图6是图1中的步骤S106的流程图；
图7是图1中的步骤S107的流程图；
图8是本申请实施例提供的图像描述生成装置的结构示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
电子计算机断层扫描(Computed Tomography，CT)：它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)以及γ射线CT(γ-CT)等。
目标检测(Object Detection)：目标检测的任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置，是计算机视觉领域的核心问题之一。目标检测的核心问题包括四类，即(1)分类问题：即图片(或某个区域)中的图像属于哪个类别。(2)定位问题：目标可能出现在图像的任何位置。(3)大小问题：目标有各种不同的大小。(4)形状问题：目标可能有各种不同的形状目标检测分为两大系列：RCNN系列和YOLO系列，RCNN系列是基于区域检测的代表性算法，YOLO是基于区域提取的代表性算法。
双线性内插法：双线性内插法是使用邻近4个点的像元值,按照其距内插点的距离赋予不同的权重,进行线性内插。该方法具有平均化的低通滤波效果,边缘受到平滑作用,而产生一个比较连贯的输出图像。
解码(decoder)：就是将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。
Transformer层：transformer层包括依次相邻的注意力层、加和与归一化(add&norm)层、前馈(feed forward)层、add&norm层。在注意力层，从transformer层的上一层获取P个输入向量，以P个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出P个输入向量对应的P个中间向量；在池化层，将P个中间向量合并为Q个输出向量，其中，将transformer层得到的多个输出向量用作当前输入的特征表示。
图像描述是指以图像为输入，通过模型和计算来输出对应图像的描述图像内容的自然语言(英文、中文等)句子。生成的句子是能够描述图像内容的句子。
目前，大多数图像描述信息的生成都依赖于目标检测模型来实现，通过目标检测模型能够较好地捕捉图像细节，但也存在着生成的描述语句较为分散，图像描述文本的上下文信息的相关性不高的问题，影响图像描述信息的准确性，因此，如何提高生成图像描述信息的准确性，成为了亟待解决的技术问题。
基于此，本申请实施例提供了一种图像描述生成方法和装置、电子设备及存储介质，旨在提高生成图片文本的准确性。
本申请实施例提供的图像描述生成方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的图像描述生成方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的图像描述生成方法，涉及人工智能技术领域。本申请实施例提供的图像描述生成方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现图像描述生成方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的图像描述生成方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S107。
步骤S101，获取原始图像；
步骤S102，对原始图像进行目标检测，得到目标区域嵌入向量；
步骤S103，对原始图像进行文本检测，得到文本嵌入向量；
步骤S104，对文本嵌入向量和目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量；
步骤S105，对文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量进行特征融合，得到目标特征向量；
步骤S106，通过预先训练的图像描述生成模型对目标特征向量进行语义分析，得到初始图像描述信息；
步骤S107，对初始图像描述信息进行筛选处理，得到目标图像描述信息。
本申请实施例可以通过预设的多模态图像描述生成模型实现目标图像描述信息的生成，该预设的多模态图像描述生成模型可以包含三部分，第一部分为区域检测和文本检测部分，可以基于目标检测模型和文本检测模型实现，例如，通过目标检测模型对原始图像进行目标检测，得到目标区域嵌入向量，通过文本检测模型对原始图像进行文本检测，得到文本嵌入向量；第二部分为特征融合部分，可以基于特征融合模型实现，例如，通过特征融合模型对文本嵌入向量和目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量，并通过特征融合模型对文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量进行特征融合，得到目标特征向量；第三部分为图像描述生成部分，可以基于图像描述生成模型实现，例如，通过预先训练的图像描述生成模型对目标特征向量进行语义分析，得到初始图像描述信息，并对初始图像描述信息进行筛选处理，得到目标图像描述信息。
本申请实施例所示意的步骤S101至步骤S107，通过对原始图像进行目标检测，得到目标区域嵌入向量，并对原始图像进行文本检测，得到文本嵌入向量，能够结合目标检测和文本检测两种方式，同时对原始图像的目标区域和重要文本信息进行检测，提取到原始图像的区域特征信息和文本特征信息。对文本嵌入向量和目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量，再将文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量进行特征融合，得到目标特征向量，通过预先训练的图像描述生成模型对目标特征向量进行语义分析，得到初始图像描述信息，能够方便地将原始图像的多模态特征进行特征融合，提高生成的图像描述信息的准确性。通过对初始图像描述信息进行筛选处理，进一步地对初始图像描述信息的文本内容进行文本筛查，剔除重复性词段，得到目标图像描述信息，能够提高生成的图像描述信息的质量。
在一些实施例的步骤S101中，原始图像可以为三维图像；在一些实施例，该三维图像可以是通过计算机断层扫描(Computed Tomography,CT)，在另一项实施例，该三维图像还可以是通过核磁共振成像(Magnetic Resonance Imaging,MRI)得来。
在一些医学应用场景中，上述的原始图像可以为医学影像，原始图像包含的对象所属类型为病灶，即机体上发生病变的部分。医学影像是指为了医疗或医学研究，以非侵入方式取得的内部组织，例如，胃部、腹部、心脏、膝盖、脑部的影像，比如，电子计算机断层扫描(Computed Tomography，CT)、磁共振成像(Magnetic Resonance Imaging，MRI)、超声(ultrasonic，US)、X光图像、脑电图以及光学摄影灯由医学仪器生成的图像。
在一些实施例的步骤S101中，原始图像也可以从预设的图像数据库中获取，或者通过对视频片段进行截取得到。原始图像可以表示为I，I∈R3×W×H，其中，W为原始图像的宽度，H为原始图像的高度，3为原始图像的通道数。
请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S205：
步骤S201，将原始图像输入至预设的目标检测模型；其中目标检测模型包括卷积层、RPN层、RoI pooling层以及全连接层；
步骤S202，通过卷积层对原始图像进行全局特征提取，得到多个目标特征图；
步骤S203，通过RPN层、RoI pooling层以及预设的坐标参数对目标特征图进行目标检测，得到图像目标检测框；
步骤S204，通过全连接层将图像目标检测框映射到预设的第一向量空间，得到初始检测嵌入向量；
步骤S205，通过双线性峰插法对初始检测嵌入向量进行变维处理，得到目标区域嵌入向量。
在一些实施例的步骤S201中，将原始图像输入至预设的目标检测模型，该预设的目标检测模型可以是Faster R-CNN模型，包括卷积层、RPN层、RoI pooling层以及全连接层。
在一些实施例的步骤S202中，通过卷积层对原始图像进行卷积处理，捕捉原始图像的图像特征，提取m个目标特征，并生成每个目标特征对应的目标特征图，目标特征图可以记为
Figure BDA0003558557270000091
在一些实施例的步骤S203中，为了更好覆盖到图像空间特征，提高生成图像描述的准确性，在目标检测过程中，引入空间特征，即预设四个坐标参数，其中，坐标参数可以表示为
Figure BDA0003558557270000092
通过这四个坐标参数可以表示目标点与预设图像锚框的位置信息，xm,ym分别代表预设图像锚框的中心点的横坐标和纵坐标，wm代表预设图像锚框的宽度，hm代表预设图像锚框的高度，将预设图像锚框的中心点作为图像锚点。通过RPN层的分类函数对目标特征图的图像锚点进行分类处理，得到标签图像特征，其中，分类函数可以是softmax函数等等，不做限制。进而，对标签图像特征进行边框回归预测，得到图像锚点的偏移量，根据偏移量和标签图像进行目标定位，从而得到目标特征图对应的初始检测框。
进一步地，通过RoI Pooling层在目标特征图上选取每个初始检测框对应的特征，并将特征维度设置为定值，通过线性回归学习四个坐标参数，使得偏移量不断地逼近真实框，从而获得精确目标检测框，即图像目标检测框。
在一些实施例的步骤S204中，通过全连接层的MLP网络对图像目标检测框进行语义空间到向量空间上的映射，将图像目标检测框映射到预设的第一向量空间，得到初始检测嵌入向量。
在一些实施例的步骤S205中，通过双线性插值法将初始检测嵌入向量中的M个目标特征对应的特征映射区域调整到d维，实现对初始检测嵌入向量的变维处理，使得初始检测嵌入向量符合预设的向量维度要求，其中，d可以是任一数值，例如，d为256或者512等等，不做限制。通过这一方式能够较为方便地得到目标区域嵌入向量
Figure BDA0003558557270000093
目标区域嵌入向量可以表示为
Figure BDA0003558557270000094
Figure BDA0003558557270000095
其中，W1,W2,W3为学习参数，LN代表层标准化，xconf-o为预设的目标对应置信度表，通过目标区域嵌入向量可以反映出原始图像的区域特征信息。
请参阅图3，在一些实施例中，步骤S103可以包括但不限于包括步骤S301至步骤S305：
步骤S301，将原始图像输入至预设的文本检测模型中，其中，文本检测模型包括文本识别网络、分类网络和编码网络；
步骤S302，通过文本识别网络对原始图像进行文本识别处理，得到文本标识数据；
步骤S303，通过分类网络对文本标识数据进行置信度计算，得到第一置信度数据；
步骤S304，通过编码网络对文本标识数据进行置信度计算，得到第二置信度数据；
步骤S305，根据第一置信度数据和第二置信度数据，得到文本嵌入向量。
在一些实施例的步骤S301中，将原始图像输入至预设的文本检测模型，该预设的文本检测模型包括文本识别网络、分类网络和编码网络，其中，文本识别网络可以基于文本识别技术(文本OCR技术)构建而成，分类网络可以基于Fast Text模型构建而成，编码网络可以基于PHOC模型构建而成。
在一些实施例的步骤S302中，首先通过文本识别模块中的字符识别软件对原始图像进行文本识别，得到候选文本，再对候选文本进行文本清理，剔除候选文本中文字模糊的文本数据，并对候选文本中的残缺文本数据进行语句扩充，例如，同义词替换、词性修改等等操作进行语句扩充，最后得到文本标识数据。
在一些实施例的步骤S303中，通过Fast Text模型的层分类函数(例如softmax函数)对文本标识数据进行置信度计算，得到第一置信度数据，其中，第一置信度数据包括文本特征
Figure BDA0003558557270000101
等级特征
Figure BDA0003558557270000102
和位置特征
Figure BDA0003558557270000103
在一些实施例的步骤S304中，通过PHOC模型对文本标识数据进行置信度计算，得到第二置信度数据，其中，第二置信度数据包括反映原始图像的区域特征与文本特征的置信度表
Figure BDA0003558557270000104
在一些实施例的步骤S305中，对第一置信度数据和第二置信度数据进行叠加处理，得到文本嵌入向量
Figure BDA0003558557270000105
具体地，对文本特征
Figure BDA0003558557270000106
目标特征图
Figure BDA0003558557270000107
以及等级特征
Figure BDA0003558557270000108
进行叠加之后再进行线性处理，分别对位置特征
Figure BDA0003558557270000109
置信度表
Figure BDA00035585572700001010
进行线性处理，即文本嵌入向量
Figure BDA00035585572700001011
可以表示为
Figure BDA00035585572700001012
其中，W4,W5,W6,W7,W8为学习参数，LN代表层标准化。
请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S402：
步骤S401，将文本嵌入向量映射到预设的第二向量空间，得到文本特征向量；并将目标区域嵌入向量映射到第二向量空间，得到目标区域特征向量；
步骤S402，对文本特征向量和目标区域特征向量进行拼接处理，得到目标词汇嵌入向量。
在一些实施例的步骤S401中，可以先将文本嵌入向量和目标区域嵌入向量输入至预设的特征融合模型中，通过特征融合模型的全连接层分别对文本嵌入向量和目标区域嵌入向量进行映射处理。具体地，特征融合模型可以基于transformer模型构建而成，包括全连接层、第一解码层、transformer层。通过特征融合模型的全连接层分别对文本嵌入向量和目标区域嵌入向量进行语义空间到向量空间上的映射处理，将文本嵌入向量映射到预设的第二向量空间，得到文本特征向量；并将目标区域嵌入向量映射到第二向量空间，得到目标区域特征向量。
在一些实施例的步骤S402中，对文本特征向量和目标区域特征向量进行拼接处理时，可以是将文本特征向量和目标区域特征向量进行向量相加处理，从而得到目标词汇嵌入向量。
请参阅图5，在一些实施例中，步骤S105还可以包括但不限于包括步骤S501至步骤S503：
步骤S501，将文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量输入至预设的特征融合模型；其中，特征融合模型包括第一解码层、transformer层；
步骤S502，通过第一解码层对目标词汇嵌入向量进行解码处理，得到目标词汇隐变量；
步骤S503，通过transformer层对文本嵌入向量、目标区域嵌入向量、目标词汇隐变量进行特征融合，得到目标特征向量。
在一些实施例的步骤S501中，将文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量输入至预设的特征融合模型，其中，特征融合模型可以基于transformer模型构建而成，包括全连接层、第一解码层、transformer层。
在一些实施例的步骤S502中，通过第一解码层对目标词汇嵌入向量进行解码处理，捕捉目标词汇嵌入向量的词汇层面的特征，得到目标词汇隐变量
Figure BDA0003558557270000111
在一些实施例的步骤S503中，通过transformer层对文本嵌入向量xocr、目标检测嵌入向量xobj、目标词汇隐变量
Figure BDA0003558557270000112
进行特征融合，共同生成特征向量
Figure BDA0003558557270000113
将这一共同生成的特征向量作为目标特征向量，其中，
Figure BDA0003558557270000114
为前一时刻第一解码层输出的目标词汇隐变量，mmt表示该特征融合模型的特征融合函数。
请参阅图6，在一些实施例，图像描述生成模型包括第二解码层、第一指针网络、第二指针网络和线性层，步骤S106还包括但不限于包括步骤S601至步骤S605：
步骤S601，通过第二解码层对目标特征向量进行解码处理，得到候选图像表达词段；
步骤S602，通过第一指针网络和预设目标检测类别对候选图像表达词段进行词汇概率计算，得到第一概率值；
步骤S603，通过第二指针网络和预设标识标签对候选图像表达词段进行词汇概率计算，得到第二概率值；
步骤S604，通过线性层和预设词典对候选图像表达词段进行词汇概率计算，得到第三概率值；
步骤S605，根据第一概率值、第二概率值、第三概率值，确定目标图像表达词段，并根据目标图像表达词段生成初始图像描述信息。
在一些实施例的步骤S601中，通过第二解码层对目标特征向量进行解码处理，捕捉目标特征向量的词汇层面的特征，得到候选图像表达词段。为了提高生成的图像描述信息的准确性，生成的图像描述信息的表达词段可以基于预设词段
Figure BDA0003558557270000121
其中，
Figure BDA0003558557270000122
预设标识标签
Figure BDA0003558557270000123
其中，
Figure BDA0003558557270000124
预设目标检测类别
Figure BDA0003558557270000125
其中，
Figure BDA0003558557270000126
进行确定，R代表着R语言，即将候选图像表达词段分别输入至第一指针网络、第二指针网络以及线性层进行词汇概率计算，以实现对候选图像表达词段的筛选。
在一些实施例的步骤S602中，通过第一指针网络和预设目标检测类别对候选图像表达词段进行词汇概率计算，计算候选图像表达词段在每一预设目标检测类别的权重占比，得到每一预设目标检测类别的第一概率值
Figure BDA0003558557270000127
其中，
Figure BDA0003558557270000128
PN表示第一指针网络的指针函数。
在一些实施例的步骤S603中，通过第二指针网络和预设标识标签对候选图像表达词段进行词汇概率计算，计算候选图像表达词段在每一预设标识标签的权重占比，得到每一预设标识标签的第二概率值
Figure BDA0003558557270000129
其中，
Figure BDA00035585572700001210
PN表示第二指针网络的指针函数。
在一些实施例的步骤S604中，通过线性层和预设词典对候选图像表达词段进行词汇概率计算，计算候选图像表达词段在预设词典上的每一词汇的权重占比，得到候选图像表达词段在预设词典的第三概率值
Figure BDA00035585572700001211
其中，
Figure BDA00035585572700001212
Figure BDA00035585572700001213
W，b分别表示学习参数。
在一些实施例的步骤S605中，由于上述图像描述生成过程中考虑了三方面来源，即文本检测、目标检测以及前一时刻的文本生成三方面，因而可能会导致生成的图像描述信息中存在词段重复或者预测不准确的问题。因此，通过将三个来源的词汇分数进行拟合，避免三个来源之间相互竞争，即在根据第一概率值、第二概率值、第三概率值，确定目标词汇时，对每一候选图像表达词段进行分值计算，得到表达分值
Figure BDA00035585572700001214
其中，第n个候选图像表达词段的表达分值的计算过程可以如公式(1)所示：
Figure BDA00035585572700001215
其中，
Figure BDA00035585572700001216
为第n个候选图像表达词段的第三概率值；
Figure BDA00035585572700001217
为预设标识标签与预设目标检测类别的重复词段的第二概率值；
Figure BDA0003558557270000131
为预设目标检测类别和预设词典的重复词段的第三概率值。
根据上述计算公式，基于预设词段、标识标签、目标检测类别确定的候选图像表达词段的总分为
Figure BDA0003558557270000132
yt∈RV+M+N。
进一步地，根据候选图像表达词段的总分与预设的分数阈值之间的大小关系，选取总分大于或者等于预设的分数阈值的候选图像表达词段作为目标图像表达词段，并根据预设的拼接顺序对目标图像表达词段进行拼接处理，得到初始图像描述信息。
请参阅图7，在一些实施例中，步骤S107还可以包括但不限于包括步骤S701至步骤S702：
步骤S701，对初始图像描述信息进行重复性检测，得到初始图像描述信息中每一图像单词的定义值；
步骤S702，根据定义值对图像单词进行筛选处理，得到目标图像描述信息。
在一些实施例的步骤S701中，在预设时刻t，根据初始图像描述信息中目标图像表达词段的总分yt，对初始图像描述信息进行重复性检测，以控制当前时刻单词能否生成。具体地，若先前已经出现过图像单词a，则根据预设的重复性检测机制Mt，i，j定义图像单词a为负无穷，在之后的图像信息生成中图像单词a将不再出现，若先前未出现过图像单词a，则根据预设的重复性检测机制Mt，i，j定义图像单词a为0，在之后的图像信息生成中保留单词a，通过这一方式能够方便地对初始图像描述信息中的每一图像单词进行定义值计算，得到每一图像单词的定义值Mt(Mt为负无穷或者零)。
在一些实施例的步骤S702中，根据每一图像单词的定义值，对图像单词进行筛选处理，能够方便地剔除掉定义值为负无穷的图像单词，从而得到目标图像描述文本，目标图像描述文本可以表示为Ot＝argmax(yt+Mt)，其中，argmax为文本生成函数，yt为目标图像表达词段的总分，Mt为图像单词的定义值。
本申请实施例的图像描述生成方法，其通过获取原始图像；通过对原始图像进行目标检测，得到目标区域嵌入向量，并对原始图像进行文本检测，得到文本嵌入向量，能够结合目标检测和文本检测两种方式，同时对原始图像的目标区域和重要文本信息进行检测，提取到原始图像的区域特征信息和文本特征信息。进而，对文本嵌入向量和目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量，再将文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量进行特征融合，得到目标特征向量，从而，通过预先训练的图像描述生成模型对目标特征向量进行语义分析，得到初始图像描述信息，通过这一方式能够方便地将原始图像的多模态特征进行特征融合，提高生成的图像描述信息的准确性。最后，本申请还对初始图像描述信息进行筛选处理，进一步地对初始图像描述信息的文本内容进行文本筛查，剔除重复性词段，得到目标图像描述信息，能够进一步地提高生成的图像描述信息的质量。
请参阅图8，本申请实施例还提供一种图像描述生成装置，可以实现上述图像描述生成方法，该图像描述生成装置包括：
图像获取模块801，用于获取原始图像；
目标检测模块802，用于对原始图像进行目标检测，得到目标区域嵌入向量；
文本检测模块803，用于对原始图像进行文本检测，得到文本嵌入向量；
拼接模块804，用于对文本嵌入向量和目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量；
特征融合模块805，用于对文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量进行特征融合，得到目标特征向量；
图像描述生成模块806，用于通过预先训练的图像描述生成模型对目标特征向量进行语义分析，得到初始图像描述信息；
筛选处理模块807，用于对初始图像描述信息进行筛选处理，得到目标图像描述信息。
在一些实施例中，目标检测模块802包括：
第一输入单元，用于将原始图像输入至预设的目标检测模型；其中目标检测模型包括卷积层、RPN层、RoI pooling层以及全连接层；
全局特征提取单元，用于通过卷积层对原始图像进行全局特征提取，得到多个目标特征图；
目标检测单元，用于通过RPN层、RoI pooling层以及预设的坐标参数对目标特征图进行目标检测，得到图像目标检测框；
第一映射单元，用于通过全连接层将图像目标检测框映射到预设的第一向量空间，得到初始检测嵌入向量；
变维处理单元，用于通过双线性峰插法对初始检测嵌入向量进行变维处理，得到目标区域嵌入向量。
在一些实施例中，文本检测模块803包括：
第二输入单元，用于将原始图像输入至预设的文本检测模型中，其中，文本检测模型包括文本识别网络、分类网络和编码网络；
文本识别单元，用于通过文本识别网络对原始图像进行文本识别处理，得到文本标识数据；
第一置信度计算单元，用于通过分类网络对文本标识数据进行置信度计算，得到第一置信度数据；
第二置信度计算单元，用于通过编码网络对文本标识数据进行置信度计算，得到第二置信度数据；
文本嵌入向量生成单元，用于根据第一置信度数据和第二置信度数据，得到文本嵌入向量。
在一些实施例中，拼接模块804包括：
第二映射单元，用于将文本嵌入向量映射到预设的第二向量空间，得到文本特征向量；并将目标区域嵌入向量映射到第二向量空间，得到目标区域特征向量；
拼接单元，用于对文本特征向量和目标区域特征向量进行拼接处理，得到目标词汇嵌入向量。
在一些实施例中，特征融合模块805包括：
第三输入单元，用于将文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量输入至预设的特征融合模型；其中，特征融合模型包括第一解码层、transformer层；
第一解码单元，用于通过第一解码层对目标词汇嵌入向量进行解码处理，得到目标词汇隐变量；
特征融合单元，用于通过transformer层对文本嵌入向量、目标区域嵌入向量、目标词汇隐变量进行特征融合，得到目标特征向量。
在一些实施例中，图像描述生成模型包括第二解码层、第一指针网络、第二指针网络和线性层，图像描述生成模块806包括：
解码单元，用于通过第二解码层对目标特征向量进行解码处理，得到候选图像表达词段；
第一词汇概率计算单元，用于通过第一指针网络和预设目标检测类别对候选图像表达词段进行词汇概率计算，得到第一概率值；
第二词汇概率计算单元，用于通过第二指针网络和预设标识标签对候选图像表达词段进行词汇概率计算，得到第二概率值；
第三词汇概率计算单元，用于通过线性层和预设词典对候选图像表达词段进行词汇概率计算，得到第三概率值；
图像表达词段确定单元，用于根据第一概率值、第二概率值、第三概率值，确定目标图像表达词段，并根据目标图像表达词段生成初始图像描述信息。
在一些实施例中，筛选处理模块807包括：
重复性检测单元，用于对初始图像描述信息进行重复性检测，得到初始图像描述信息中每一图像单词的定义值；
筛选单元，用于根据定义值对图像单词进行筛选处理，得到目标图像描述信息。
该图像描述生成装置的具体实施方式与上述图像描述生成方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述图像描述生成方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(Central ProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的图像描述生成方法；
输入/输出接口903，用于实现信息输入及输出；
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述图像描述生成方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请提出的图像描述生成方法、图像描述生成装置、电子设备及存储介质，其通过获取原始图像；通过对原始图像进行目标检测，得到目标区域嵌入向量，并对原始图像进行文本检测，得到文本嵌入向量，能够结合目标检测和文本检测两种方式，同时对原始图像的目标区域和重要文本信息进行检测，提取到原始图像的区域特征信息和文本特征信息。进而，对文本嵌入向量和目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量，再将文本嵌入向量、目标区域嵌入向量以及目标词汇嵌入向量进行特征融合，得到目标特征向量，从而，通过预先训练的图像描述生成模型对目标特征向量进行语义分析，得到初始图像描述信息，通过这一方式能够方便地将原始图像的多模态特征进行特征融合，提高生成的图像描述信息的准确性。最后，本申请还对初始图像描述信息进行重复性筛选处理，进一步地对初始图像描述信息的文本内容进行文本筛查，剔除重复性词段，得到目标图像描述信息，能够进一步地提高生成的图像描述信息的质量。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种图像描述生成方法，其特征在于，所述方法包括：
获取原始图像；
对所述原始图像进行目标检测，得到目标区域嵌入向量；
对所述原始图像进行文本检测，得到文本嵌入向量；
对所述文本嵌入向量和所述目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量；
对所述文本嵌入向量、所述目标区域嵌入向量以及所述目标词汇嵌入向量进行特征融合，得到目标特征向量；
通过预先训练的图像描述生成模型对所述目标特征向量进行语义分析，得到初始图像描述信息；
对所述初始图像描述信息进行筛选处理，得到目标图像描述信息。
2.根据权利要求1所述的图像描述生成方法，其特征在于，所述对所述原始图像进行目标检测，得到目标区域嵌入向量的步骤，包括：
将所述原始图像输入至预设的目标检测模型；其中所述目标检测模型包括卷积层、RPN层、RoI pooling层以及全连接层；
通过所述卷积层对所述原始图像进行全局特征提取，得到多个目标特征图；
通过所述RPN层、所述RoI pooling层以及预设的坐标参数对所述目标特征图进行目标检测，得到图像目标检测框；
通过所述全连接层将所述图像目标检测框映射到预设的第一向量空间，得到初始检测嵌入向量；
通过双线性峰插法对所述初始检测嵌入向量进行变维处理，得到所述目标区域嵌入向量。
3.根据权利要求1所述的图像描述生成方法，其特征在于，所述对所述原始图像进行文本检测，得到文本嵌入向量的步骤，包括：
将所述原始图像输入至预设的文本检测模型中，其中，所述文本检测模型包括文本识别网络、分类网络和编码网络；
通过所述文本识别网络对所述原始图像进行文本识别处理，得到文本标识数据；
通过所述分类网络对所述文本标识数据进行置信度计算，得到第一置信度数据；
通过所述编码网络对所述文本标识数据进行置信度计算，得到第二置信度数据；
根据所述第一置信度数据和所述第二置信度数据，得到所述文本嵌入向量。
4.根据权利要求1所述的图像描述生成方法，其特征在于，所述对所述文本嵌入向量和所述目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量的步骤，包括：
将所述文本嵌入向量映射到预设的第二向量空间，得到文本特征向量；并将所述目标区域嵌入向量映射到所述第二向量空间，得到目标区域特征向量；
对所述文本特征向量和所述目标区域特征向量进行拼接处理，得到所述目标词汇嵌入向量。
5.根据权利要求1所述的图像描述生成方法，其特征在于，所述对所述文本嵌入向量、所述目标区域嵌入向量以及所述目标词汇嵌入向量进行特征融合，得到目标特征向量的步骤，包括：
将所述文本嵌入向量、所述目标区域嵌入向量以及所述目标词汇嵌入向量输入至预设的特征融合模型；其中，所述特征融合模型包括第一解码层、transformer层；
通过所述第一解码层对所述目标词汇嵌入向量进行解码处理，得到目标词汇隐变量；
通过所述transformer层对所述文本嵌入向量、所述目标区域嵌入向量、所述目标词汇隐变量进行特征融合，得到所述目标特征向量。
6.根据权利要求1所述的图像描述生成方法，其特征在于，所述图像描述生成模型包括第二解码层、第一指针网络、第二指针网络和线性层，所述通过预先训练的图像描述生成模型对所述目标特征向量进行语义分析，得到初始图像描述信息的步骤，包括：
通过所述第二解码层对所述目标特征向量进行解码处理，得到候选图像表达词段；
通过所述第一指针网络和预设目标检测类别对所述候选图像表达词段进行词汇概率计算，得到第一概率值；
通过所述第二指针网络和预设标识标签对所述候选图像表达词段进行词汇概率计算，得到第二概率值；
通过所述线性层和预设词典对所述候选图像表达词段进行词汇概率计算，得到第三概率值；
根据所述第一概率值、所述第二概率值、所述第三概率值，确定目标图像表达词段，并根据所述目标图像表达词段生成所述初始图像描述信息。
7.根据权利要求1至6任一项所述的图像描述生成方法，其特征在于，所述对所述初始图像描述信息进行筛选处理，得到目标图像描述信息的步骤，包括：
对所述初始图像描述信息进行重复性检测，得到所述初始图像描述信息中每一图像单词的定义值；
根据所述定义值对所述图像单词进行筛选处理，得到所述目标图像描述信息。
8.一种图像描述生成装置，其特征在于，所述装置包括：
图像获取模块，用于获取原始图像；
目标检测模块，用于对所述原始图像进行目标检测，得到目标区域嵌入向量；
文本检测模块，用于对所述原始图像进行文本检测，得到文本嵌入向量；
拼接模块，用于对所述文本嵌入向量和所述目标区域嵌入向量进行拼接处理，得到目标词汇嵌入向量；
特征融合模块，用于对所述文本嵌入向量、所述目标区域嵌入向量以及所述目标词汇嵌入向量进行特征融合，得到目标特征向量；
图像描述生成模块，用于通过预先训练的图像描述生成模型对所述目标特征向量进行语义分析，得到初始图像描述信息；
筛选处理模块，用于对所述初始图像描述信息进行筛选处理，得到目标图像描述信息。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的图像描述生成方法的步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的图像描述生成方法的步骤。
CN202210282766.8A 2022-03-22 2022-03-22 图像描述生成方法和装置、电子设备及存储介质 Pending CN114648631A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210282766.8A CN114648631A (zh) 2022-03-22 2022-03-22 图像描述生成方法和装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210282766.8A CN114648631A (zh) 2022-03-22 2022-03-22 图像描述生成方法和装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114648631A true CN114648631A (zh) 2022-06-21

Family

ID=81994514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210282766.8A Pending CN114648631A (zh) 2022-03-22 2022-03-22 图像描述生成方法和装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114648631A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778011A (zh) * 2023-05-22 2023-09-19 阿里巴巴（中国）有限公司 图像生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368118A (zh) * 2020-02-13 2020-07-03 中山大学 一种图像描述生成方法、系统、装置和存储介质
CN113887215A (zh) * 2021-10-18 2022-01-04 平安科技（深圳）有限公司 文本相似度计算方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368118A (zh) * 2020-02-13 2020-07-03 中山大学 一种图像描述生成方法、系统、装置和存储介质
CN113887215A (zh) * 2021-10-18 2022-01-04 平安科技（深圳）有限公司 文本相似度计算方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHAOKAI WANG ET AL.: "Confidence-aware Non-repetitive Multimodal Transformers for TextCaps", 《HTTPS://ARXIV. ORG/PDF/ARXIV：2012.03662V3》, 31 March 2021 (2021-03-31), pages 1 - 9 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778011A (zh) * 2023-05-22 2023-09-19 阿里巴巴（中国）有限公司 图像生成方法
CN116778011B (zh) * 2023-05-22 2024-05-24 阿里巴巴（中国）有限公司 图像生成方法

Similar Documents

Publication Publication Date Title
CN112992317B (zh) 一种医学数据处理方法、系统、设备及介质
EP3989119A1 (en) Detection model training method and apparatus, computer device, and storage medium
CN110750959B (zh) 文本信息处理的方法、模型训练的方法以及相关装置
CN114723996A (zh) 模型的训练方法、图像描述生成方法和装置、设备、介质
CN114579723A (zh) 问诊方法和装置、电子设备及存储介质
CN114399454A (zh) 图像处理方法、装置、电子设备及存储介质
CN106846306A (zh) 一种超声图像自动描述方法和系统
CN114358007A (zh) 多标签识别方法、装置、电子设备及存储介质
CN116129141B (zh) 医学数据处理方法、装置、设备、介质和计算机程序产品
CN113704428B (zh) 智能问诊方法、装置、电子设备及存储介质
CN113688837A (zh) 图像脱敏方法、装置、电子设备及计算机可读存储介质
CN114638960A (zh) 模型的训练方法、图像描述生成方法和装置、设备、介质
CN114359810A (zh) 视频摘要生成方法、装置、电子设备及存储介质
CN105989067A (zh) 从图片生成文本摘要的方法、用户设备及训练服务器
CN114626097A (zh) 脱敏方法、脱敏装置、电子设备及存储介质
CN115239675A (zh) 分类模型的训练方法、图像分类方法和装置、设备及介质
CN114549859A (zh) 骨龄预测方法、装置、电子设备及存储介质
Alsharid et al. Gaze-assisted automatic captioning of fetal ultrasound videos using three-way multi-modal deep neural networks
CN114936274A (zh) 模型训练方法、对话生成方法和装置、设备及存储介质
CN114648631A (zh) 图像描述生成方法和装置、电子设备及存储介质
CN114781393B (zh) 图像描述生成方法和装置、电子设备及存储介质
CN113935957A (zh) 医疗图像对比方法、装置、电子设备及存储介质
CN114613462A (zh) 医疗数据处理方法和装置、电子设备及存储介质
CN117373591A (zh) 电子病历的疾病识别方法和装置、电子设备及存储介质
CN114913104B (zh) 图像处理方法、图像处理装置、电子设备及存储介质

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