CN114781393A - 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
CN114781393A
CN114781393A CN202210416063.XA CN202210416063A CN114781393A CN 114781393 A CN114781393 A CN 114781393A CN 202210416063 A CN202210416063 A CN 202210416063A CN 114781393 A CN114781393 A CN 114781393A
Authority
CN
China
Prior art keywords
image
target
preset
target image
layer
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.)
Granted
Application number
CN202210416063.XA
Other languages
English (en)
Other versions
CN114781393B (zh
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 CN202210416063.XA priority Critical patent/CN114781393B/zh
Publication of CN114781393A publication Critical patent/CN114781393A/zh
Application granted granted Critical
Publication of CN114781393B publication Critical patent/CN114781393B/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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (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。该图像描述生成方法包括：获取目标图像；对目标图像进行图像编码处理，得到目标图像特征向量；通过预设的目标检测模型对目标图像特征向量进行目标检测，得到目标图像特征矩阵；通过预设的文本生成模型对目标图像特征矩阵进行语义分析，得到候选文本序列；根据预设的句子长度和图像描述类别标签对候选文本序列进行筛选处理，得到目标文本序列；对目标文本序列进行拼接处理，得到目标图像描述信息，其中，目标图像描述信息包括图像描述类别标签对应的图像局部特征。本申请实施例能够提高生成的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方法都依赖于编码器-解码器图像描述模型，通常基于图像中提取的全局特征来生成图像描述，这一方式在图像描述生成时往往会损失图像视觉场景中的大量详细信息，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：
获取目标图像；
对所述目标图像进行图像编码处理，得到目标图像特征向量；
通过预设的目标检测模型对所述目标图像特征向量进行目标检测，得到目标图像特征矩阵；
通过预设的文本生成模型对所述目标图像特征矩阵进行语义分析，得到候选文本序列；
根据预设的句子长度和图像描述类别标签对所述候选文本序列进行筛选处理，得到目标文本序列；
对所述目标文本序列进行拼接处理，得到目标图像描述信息，其中，所述目标图像描述信息包括所述图像描述类别标签对应的图像局部特征。
在一些实施例，所述对所述目标图像进行图像编码处理，得到目标图像特征向量的步骤，包括：
将所述目标图像输入至预设的编码模型中，其中，所述编码模型包括第一卷积层、第一池化层以及第一全连接层；
通过所述第一卷积层对所述目标图像进行卷积处理，得到卷积图像特征；
通过所述第一池化层对所述卷积图像特征进行池化处理，得到池化图像特征；
通过所述第一全连接层将所述池化图像特征映射到预设向量空间，得到所述目标图像特征向量。
在一些实施例，所述通过所述第一全连接层将所述池化图像特征映射到预设向量空间，得到所述目标图像特征向量的步骤，包括：
获取所述预设向量空间的特征维度参数；
通过所述第一全连接层的MLP网络和所述特征维度参数将所述池化图像特征映射到预设向量空间，得到所述目标图像特征向量。
在一些实施例，所述目标检测模型包括第二卷积层、RPN层、第二池化层以及第二全连接层，所述通过预设的目标检测模型对所述目标图像特征向量进行目标检测，得到目标图像特征矩阵的步骤，包括：
通过所述第二卷积层对所述目标图像特征向量进行全局特征提取，得到目标特征图；
通过所述RPN层、所述第二池化层和预设的坐标参数对所述目标特征图进行目标检测，得到目标检测点；
通过所述第二全连接层的第一函数对所述目标检测点进行标签概率计算，得到每一预设标签类别的概率向量；
根据所述概率向量对所述目标检测点进行位置偏移处理，得到候选图像区域；
通过所述第二全连接层将所述候选图像区域映射到预设特征图谱中，得到所述目标图像特征矩阵。
在一些实施例，所述通过所述RPN层、所述第二池化层和预设的坐标参数对所述目标特征图进行目标检测，得到目标检测点的步骤，包括：
通过所述RPN层和所述坐标参数对所述目标特征图进行空间变换，得到初始检测区域；
通过所述第二池化层对所述初始检测区域与参考检测区域进行重合度计算，得到重合值；
根据所述重合值对所述初始检测区域的候选检测点进行筛选处理，得到所述目标检测点。
在一些实施例，所述通过所述第二全连接层将所述候选图像区域映射到预设特征图谱中，得到所述目标图像特征矩阵的步骤，包括：
获取所述候选图像区域的候选坐标点；
通过所述第二全连接层中的预设放缩参数对所述候选坐标点进行位置微调，得到目标坐标点；
根据所述目标坐标点将所述候选图像区域映射至所述预设特征图谱，得到所述目标图像特征矩阵。
在一些实施例，所述文本生成模型包括第三卷积层和GRU层，所述通过预设的文本生成模型对所述目标图像特征矩阵进行语义分析，得到候选文本序列的步骤，包括：
通过所述第三卷积层对所述目标图像特征矩阵进行向量化处理，得到目标图像特征向量；
通过所述GRU层和预设的字符索引标签对所述目标图像特征向量进行采样处理，得到候选词段；
通过所述GRU层的第二函数对所述候选词段进行分布概率计算，得到所述候选词段在预设单词表中的分布概率值；
根据所述分布概率值对所述候选词段进行筛选处理，得到目标单词，并根据所述目标单词，生成所述候选文本序列。
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，用于获取目标图像；
图像编码模块，用于对所述目标图像进行图像编码处理，得到目标图像特征；
检测模块，用于通过预设的目标检测模型对所述目标图像特征向量进行目标检测，得到目标图像特征矩阵；
语义分析模块，用于通过预设的文本生成模型对所述目标图像特征矩阵进行语义分析，得到候选文本序列；
筛选模块，用于根据预设的句子长度和图像描述类别标签对所述候选文本序列进行筛选处理，得到目标文本序列；
拼接模块，对所述目标文本序列进行拼接处理，得到目标图像描述信息，其中，所述目标图像描述信息包括所述图像描述类别标签对应的图像局部特征。
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，其通过获取目标图像，对目标图像进行图像编码处理，得到目标图像特征向量，并通过预设的目标检测模型对目标图像特征向量进行目标检测，得到目标图像特征矩阵，能够对目标图像的目标区域进行检测，关注到更多的重要图像信息，从而提取到目标图像的区域特征。进一步地，通过预设的文本生成模型对目标图像特征矩阵进行语义分析，能够预测目标图像特征矩阵中各图像特征的语义信息，得到候选文本序列，最后，根据预设的句子长度和图像描述类别标签对候选文本序列进行筛选处理，得到目标文本序列，并对目标文本序列进行拼接处理，得到目标图像描述信息，其中，目标图像描述信息包括图像描述类别标签对应的图像局部特征，通过这一方式能够使得生成的目标图像描述信息关注到目标图像的图像细节，提高生成的图像描述信息的准确性。
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2中的步骤S204的流程图；
图4是图1中的步骤S103的流程图；
图5是图4中的步骤S402的流程图；
图6是图4中的步骤S405的流程图；
图7是图1中的步骤S104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。
门控循环单元(GRU，gated recurrent unit)：GRU是为了解决长期记忆和反向传播中的梯度等问题而提出来的。GRU作为LSTM的一种变体，将忘记门和输入门合成了一个单一的更新门。同样还混合了细胞状态和隐藏状态，加诸其他一些改动。最终的模型比标准的LSTM模型要简单，也是非常流行的变体。在GRU模型中只有两个门：分别是更新门和重置门。
图像描述(Image Caption)为图像生成自然语言描述，并利用所生成的描述帮助应用程序理解图像视觉场景中表达的语义。例如，图像描述可以将图像检索转换为文本检索，用于对图像进行分类并改善图像检索结果。人们通常只需快速浏览一下即可描述图像视觉场景的细节，而自动为图像添加描述则是一项全面而艰巨的计算机视觉任务，需要将图像中包含的复杂信息转换为自然语言描述。与普通的计算机视觉任务相比，图像字幕不仅需要从图像中识别对象，而且还需要将识别出的对象与自然语义相关联并以自然语言进行描述。因此，图像描述需要人们提取图像的深层特征，与语义特征关联并转换用于生成描述。
目前，大多数图像描述信息的生成方法都依赖于编码器-解码器图像描述模型，通常基于图像中提取的全局特征来生成图像描述，这一方式在图像描述生成时往往会损失图像视觉场景中的大量详细信息，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，旨在提高生成图像描述信息的准确性。
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S106。
步骤S101，获取目标图像；
步骤S102，对目标图像进行图像编码处理，得到目标图像特征向量；
步骤S103，通过预设的目标检测模型对目标图像特征向量进行目标检测，得到目标图像特征矩阵；
步骤S104，通过预设的文本生成模型对目标图像特征矩阵进行语义分析，得到候选文本序列；
步骤S105，根据预设的句子长度和图像描述类别标签对候选文本序列进行筛选处理，得到目标文本序列；
步骤S106，对目标文本序列进行拼接处理，得到目标图像描述信息，其中，目标图像描述信息包括图像描述类别标签对应的图像局部特征。
本申请实施例所示意的步骤S101至步骤S106，通过对目标图像进行图像编码处理，得到目标图像特征向量，并通过预设的目标检测模型对目标图像特征向量进行目标检测，得到目标图像特征矩阵，能够对目标图像的目标区域进行检测，关注到更多的重要图像信息，从而提取到目标图像的区域特征。通过预设的文本生成模型对目标图像特征矩阵进行语义分析，能够预测目标图像特征矩阵中各图像特征的语义信息，得到候选文本序列，最后，根据预设的句子长度和图像描述类别标签对候选文本序列进行筛选处理，得到目标文本序列，并对目标文本序列进行拼接处理，得到目标图像描述信息，其中，目标图像描述信息包括图像描述类别标签对应的图像局部特征，通过这一方式能够使得生成的目标图像描述信息关注到目标图像的图像细节，提高生成的图像描述信息的准确性。
在一些实施例的步骤S101中，目标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，上述的目标图像可以为医学影像，目标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，目标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。目标图像可以表示为I，I∈R3×W×H，其中，W为目标图像的宽度，H为目标图像的高度，3为目标图像的通道数。
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S204：
步骤S201，将目标图像输入至预设的编码模型中，其中，编码模型包括第一卷积层、第一池化层以及第一全连接层；
步骤S202，通过第一卷积层对目标图像进行卷积处理，得到卷积图像特征；
步骤S203，通过第一池化层对卷积图像特征进行池化处理，得到池化图像特征；
步骤S204，通过第一全连接层将池化图像特征映射到预设向量空间，得到目标图像特征向量。
在一些实施例的步骤S201中，将目标图像输入至预设的编码模型中，其中，编码模型基于VGG-16编码器构建而成，可以包括13个卷积层、3个全连接层、4个池化层，例如，编码模型包括第一卷积层、第一池化层以及第一全连接层。
在一些实施例的步骤S202中，通过第一卷积层对目标图像进行卷积处理，捕捉目标图像的图像特征，得到卷积图像特征。
在一些实施例的步骤S203中，通过第一池化层对卷积图像特征进行池化处理，捕捉目标图像的局部图像特征，得到池化图像特征，其中，对卷积图像特征的池化处理可以是最大池化处理，也可以是平均池化处理，不做限制。
请参阅图3，在一些实施例中，步骤S204可以包括但不限于包括步骤S301至步骤S302：
步骤S301，获取预设向量空间的特征维度参数；
步骤S302，通过第一全连接层的MLP网络和特征维度参数将池化图像特征映射到预设向量空间，得到目标图像特征向量。
在一些实施例的步骤S301中，可以从预设的向量参数数据库中获取预设向量空间的特征维度参数，特征维度参数可以根据实际需求进行选取，例如，特征维度参数可以为256、512等等。
在一些实施例的步骤S302中，通过第一全连接层的MLP网络和特征维度参数对池化图像特征进行语义空间到向量空间上的映射处理，将池化图像特征映射到预设向量空间，得到目标图像特征向量，其中，目标图像特征向量满足预设特征维度的需求目标图像特征向量可以表示为I′，I′∈RC×W′×H′，其中，
Figure BDA0003606032700000091
C为通道数。
在一些实施例中，在步骤S103之前，该图像描述生成方法还包括预先训练目标检测模型，该预设的目标检测模型可以是Faster R-CNN模型，包括第二卷积层、RPN层、第二池化层以及第二全连接层。
请参阅图4，在一些实施例中，目标检测模型包括第二卷积层、RPN层、第二池化层以及第二全连接层，步骤S103可以包括但不限于包括步骤S401至步骤S405：
步骤S401，通过第二卷积层对目标图像特征向量进行全局特征提取，得到目标特征图；
步骤S402，通过RPN层、第二池化层和预设的坐标参数对目标特征图进行目标检测，得到目标检测点；
步骤S403，通过第二全连接层的第一函数对目标检测点进行标签概率计算，得到每一预设标签类别的概率向量；
步骤S404，根据概率向量对目标检测点进行位置偏移处理，得到候选图像区域；
步骤S405，通过第二全连接层将候选图像区域映射到预设特征图谱中，得到目标图像特征矩阵。
在一些实施例的步骤S401中，通过第二卷积层对目标图像特征向量进行卷积处理，进一步捕捉目标图像的图像特征，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 BDA0003606032700000092
在一些实施例的步骤S402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和给定模型预测标量(tx,ty,tw,th)，然后对目标特征图进行坐标对数空间参数变换，输出初始检测区域。在获取到初始检测区域的区域特征之后，还需要对初始检测区域进行二次抽样处理。具体地，可以通过第二池化层对初始检测区域和参考检测区域进行重合度计算，得到重合值，即IoU值。最后，根据重合值对初始检测区域的候选检测点进行筛选处理，比对重合值和预设的重合阈值，从而筛选出符合需求的候选检测点作为目标检测点。
在一些实施例的步骤S403中，第一函数可以是softmax函数，通过第二全连接层的第一函数来计算目标检测点属于每一预设标签类别的概率向量，通过概率向量来确定目标检测点的具体类别。具体地，softmax函数能够在每一预设标签类别标签上创建一个概率分布，根据概率分布情况来确定目标检测点的所属的预设标签类别。
在一些实施例的步骤S404中，根据概率向量对目标检测点进行边框回归预测，得到每一目标检测点的偏移量，根据偏移量进行目标定位，并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，即目标特征图对应的候选图像区域。
在一些实施例的步骤S405中，通过双线性插值法将候选图像区域映射到预设特征图谱中，提取所有候选图像区域的区域特征，实现对候选图像区域的区域特征的变维处理，使得得到的目标图像特征矩阵符合预设的向量维度要求，通过这一方式能够较为方便地得到目标图像特征矩阵，通过目标图像特征矩阵可以反映出目标图像的区域特征信息。
请参阅图5，在一些实施例中，步骤S402还可以包括但不限于包括步骤S501至步骤S503：
步骤S501，通过RPN层和坐标参数对目标特征图进行空间变换，得到初始检测区域；
步骤S502，通过第二池化层对初始检测区域与参考检测区域进行重合度计算，得到重合值；
步骤S503，根据重合值对初始检测区域的候选检测点进行筛选处理，得到目标检测点。
在一些实施例的步骤S501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 BDA0003606032700000101
通过这四个坐标参数可以表示目标检测点与预设图像锚框的位置信息，xa,ya分别代表预设图像锚框的中心点的横坐标和纵坐标，wa代表预设图像锚框的宽度，ha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。以图像锚点作为投影点，并以此为中心给定k个不同大小比例的参考矩形框作为初始检测区域。即给定模型预测标量(tx,ty,tw,th)，然后对目标特征图进行坐标对数空间参数变换，输出初始检测区域可以表示为：x＝xa+txwa,y＝ya+tyha,w＝waexp(tw),h＝haexp(hw)。
在一些实施例的步骤S502中，为了进一步提高生成的图像描述的准确性，在获取到初始检测区域的区域特征之后，还需要对初始检测区域进行二次抽样处理。具体地，可以通过第二池化层对初始检测区域和参考检测区域进行重合度计算，得到重合值，即IoU值。例如，初始检测区域为A，参考检测区域为B，则重合值为
Figure BDA0003606032700000102
该公式用来描述初始检测区域A和参考检测区域B之间的重合度，公式分子是初始检测区域A和参考检测区域B的交集，公式分母是初始检测区域A和参考检测区域B的并集，所以他们的比值就代表交并比，即初始检测区域与参考检测区域的重合值。通过重合值能够确认初始检测框的候选检测点是否符合要求。
在一些实施例的步骤S503中，根据重合值对初始检测区域的候选检测点进行筛选处理，比对重合值和预设的重合阈值，预设的重合阈值可以根据实际情况设置，例如，重合阈值为0.3，则选取所有重合值大于或者等于0.3的初始检测区域，将这些初始检测区域的候选检测点作为目标检测点。
进一步地，为了提高图像描述的生成效率，可以适当的缩小目标检测点的数量，即选取重合值大于或者等于0.3的初始检测区域中的300个候选检测点作为目标检测点。
请参阅图6，在一些实施例，步骤S405还包括但不限于包括步骤S601至步骤S603：
步骤S601，获取候选图像区域的候选坐标点；
步骤S602，通过第二全连接层中的预设放缩参数对候选坐标点进行位置微调，得到目标坐标点；
步骤S603，根据目标坐标点将候选图像区域映射至预设特征图谱，得到目标图像特征矩阵。
在一些实施例的步骤S601中，获取候选图像区域的候选坐标点，候选坐标点可以根据预设的坐标点数量和选取间距等进行确定。例如，在候选图像区域选取50个等间距的坐标点作为候选坐标点。
在一些实施例的步骤S602中，通过第二全连接层中的预设放缩参数对候选坐标点进行位置微调时，需要计算候选坐标点到预设特征图谱的反向投影坐标值，从而根据反向投影坐标值对候选坐标点进行位置微调，得到目标坐标点。具体地，对于任意一个候选坐标点(x″i,j,y″i,j)投影到预设特征图谱中的坐标值为
Figure BDA0003606032700000111
其中，x，y分别为预设特征图谱的高度和宽度。由于上述公式计算的坐标值为浮点数，不是预设特征图谱中实际存在的点，使得此处计算得到的(xi,j,yi,j)坐标对应像素点均为虚拟像素点，所以需要利用双线性插值法计算预设特征图谱中(x′i,j,y′i,j)坐标点的像素值，该像素值即为预设特征图谱中对应点的像素值I″c,i,j，因而将这一像素值作为反向投影坐标值，其中，反向投影坐标值的计算公式如公式(1)所示：
Figure BDA0003606032700000112
其中，
Figure BDA0003606032700000113
k(d)＝max(0,1-|d|)。
进一步地，根据上述反向投影坐标值对候选坐标点(x″i,j,y″i,j)的横纵坐标值进行修正，从而得到目标坐标点。
在一些实施例的步骤S603中，通过双线性插值法将候选图像区域映射到预设特征图谱中，提取所有候选图像区域的区域特征，实现对候选图像区域的区域特征的变维处理，使得得到的目标图像特征矩阵符合预设的向量维度要求，其中，目标图像特征矩阵I的尺寸可以表示为B×C×X×Y，B为目标图像特征矩阵的像素点总数，C为目标图像特征矩阵的通道数，X为目标图像特征矩阵的高度，Y为目标图像特征矩阵的宽度。
上述步骤S601至步骤S603，通过采用双线性插值法代替常规的Faster R-CNN模型中的RoI操作，能够解决RoI Pooling层中梯度无法传到输入坐标的问题，即通过采用双线性插值法能够将不同大小经过采样后的候选图像区域映射到相同尺寸的特征维度中，以替换Faster R-CNN中的RoI pooling层，解决RoI只能训练原先特征，不能训练特征坐标的问题，从而提高生成的目标图像特征矩阵的精确性。
在一些实施例中，在步骤S104之前，该图像描述生成方法还包括预先训练文本生成模型，该文本生成模型主要基于门控循环单元(GRU)构建而成，文本生成模型包括第三卷积层和GRU层，其中，第三卷积层主要用于对输入的图像特征矩阵进行向量化处理，实现输入特征从语义空间到向量空间的转换，得到对应的图像特征向量；GRU层主要用于对图像特征向量进行采样处理和分布概率计算，并根据分布概率计算的结果实现生成与图像特征向量对应的语义词段，最终根据语义词段得到对应的文本序列，从而达到文本生成的效果。
请参阅图7，在一些实施例中，文本生成模型包括第三卷积层和GRU层,步骤S104还可以包括但不限于包括步骤S701至步骤S704：
步骤S701，通过第三卷积层对目标图像特征矩阵进行向量化处理，得到目标图像特征向量；
步骤S702，通过GRU层和预设的字符索引标签对目标图像特征向量进行采样处理，得到候选词段；
步骤S703，通过GRU层的第二函数对候选词段进行分布概率计算，得到候选词段在预设单词表中的分布概率值；
步骤S704，根据分布概率值对候选词段进行筛选处理，得到目标单词，并根据目标单词，生成候选文本序列。
在一些实施例的步骤S701中，通过第三卷积层对目标图像特征矩阵进行向量化处理，实现目标图像特征矩阵从语义空间到向量空间的转换，得到对应的D维的目标图像特征向量x-1，其中，目标图像特征向量x-1可以表示为x-1＝CNN(I)，I为目标图像特征矩阵。
在一些实施例的步骤S702中，通过GRU层和预设的字符索引标签对目标图像特征向量进行多次循环采样处理，生成多个候选词段。具体地，字符索引标签可以包括但不限于包括字符属性类别(例如，标点符号、文字、字母等)、字符含义类别(例如，颜色、方位、事物等)。通过对目标图像特征向量进行多次循环采样处理，能够尽可能全面地得到符合目标图像的语义场景的单词，将这些单词作为候选词段St，其中，t∈{0,...,N-1}。
在一些实施例的步骤S703中，第二函数可以是softmax函数等概率函数，通过第二函数能够计算出第t+1个候选词段在整个预设单词表中的分布概率值pt+1，其中，pt+1＝p(St+1|I,S0,…,St)，S0为开始标志。
在一些实施例的步骤S704中，根据分布概率值对候选词段进行筛选处理，得到目标单词，并根据目标单词，生成候选文本序列xt。具体地，选取预设单词表中分布概率值最大的元素作为句子中第t个候选词段的输出，该输出即为目标单词，重复这一操作，直到预设单词表中分布概率值最大的元素对应着结束标志，即表示句子生成结束，迭代终止，从而生成候选文本序列，其中，候选文本序列xt可以表示为xy＝WeSt；其中，We为预设的学习参数，t∈{0,...,N-1}。
在一些实施例的步骤S105中，预设的句子长度可以根据实际需求进行设定，图像描述类别标签可以包括人物、动物、植物、建筑、色彩等等不同类别的标签，通过这一方式可以根据预设的句子长度和图像描述类别标签对候选文本序列进行筛选处理，更有侧重性地选取符合要求的候选文本序列，得到目标文本序列。例如，为了获取较小篇幅的目标图像描述信息，可以控制句子长度不大于十个字符；为了着重地获取目标图像的人物信息，可以选取符合人物类别标签的候选文本序列作为目标文本序列。
在一些实施例的步骤S106中，可以根据预设的拼接顺序和拼接函数对目标文本序列进行拼接处理，预设的拼接顺序可以是获取到目标文本序列的时间先后顺序等等，预设的拼接函数可以为CONCAT()函数或者CONCAT_WS()函数。例如，在数据库平台上，根据获取到目标文本序列的时间先后顺序，将多个目标文本序列进行标注处理，使得每一目标文本序列带上序列标签，该序列标签可以是阿拉伯序列(1、2、3、…)，也可以是英文字母序列(A、B、C、…)；进而，通过CONCAT()函数对多个带有序列标签的目标文本序列按照序列标签顺序进行拼接融合，得到目标图像描述信息，其中，目标图像描述信息包括图像描述类别标签对应的图像局部特征。通过这一方式不仅能够使得生成的目标图像描述信息关注到目标图像的图像细节，也能够提高目标图像描述信息的生成效率和准确性。
本申请实施例的图像描述生成方法，其通过获取目标图像，对目标图像进行图像编码处理，得到目标图像特征向量，并通过预设的目标检测模型对目标图像特征向量进行目标检测，得到目标图像特征矩阵，能够对目标图像的目标区域进行检测，关注到更多的重要图像信息，从而提取到目标图像的多个区域特征。进一步地，通过预设的文本生成模型对目标图像特征矩阵进行语义分析，能够预测目标图像特征矩阵中各个图像特征的语义信息，得到候选文本序列，最后，根据预设的句子长度和图像描述类别标签对候选文本序列进行筛选处理，得到目标文本序列，并对目标文本序列进行拼接处理，得到目标图像描述信息，其中，目标图像描述信息包括图像描述类别标签对应的图像局部特征，通过这一方式能够使得生成的目标图像描述信息关注到目标图像的图像细节，从而基于目标检测模型分别对不同的图像细节进行描述生成，提高生成的图像描述信息的准确性。
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，该装置包括：
图像获取模块801，用于获取目标图像；
图像编码模块802，用于对目标图像进行图像编码处理，得到目标图像特征向量；
检测模块803，用于通过预设的目标检测模型对目标图像特征向量进行目标检测，得到目标图像特征矩阵；
语义分析模块804，用于通过预设的文本生成模型对目标图像特征矩阵进行语义分析，得到候选文本序列；
筛选模块805，用于根据预设的句子长度和图像描述类别标签对候选文本序列进行筛选处理，得到目标文本序列；
拼接模块806，对目标文本序列进行拼接处理，得到目标图像描述信息，其中，目标图像描述信息包括图像描述类别标签对应的图像局部特征。
在一些实施例中，图像编码模块802包括：
图像输入单元，用于将目标图像输入至预设的编码模型中，其中，编码模型包括第一卷积层、第一池化层以及第一全连接层；
卷积处理单元，用于通过第一卷积层对目标图像进行卷积处理，得到卷积图像特征；
池化处理单元，用于通过第一池化层对卷积图像特征进行池化处理，得到池化图像特征；
第一映射单元，用于通过第一全连接层将池化图像特征映射到预设向量空间，得到目标图像特征向量。
在一些实施例中，第一映射单元包括：
参数获取子单元，用于获取预设向量空间的特征维度参数；
第一映射子单元，用于通过第一全连接层的MLP网络和特征维度参数将池化图像特征映射到预设向量空间，得到目标图像特征向量。
在一些实施例中，目标检测模型包括第二卷积层、RPN层、第二池化层以及第二全连接层，检测模块803包括：
全局特征提取单元，用于通过第二卷积层对目标图像特征向量进行全局特征提取，得到目标特征图；
检测单元，用于通过RPN层、第二池化层和预设的坐标参数对目标特征图进行目标检测，得到目标检测点；
标签概率计算单元，用于通过第二全连接层的第一函数对目标检测点进行标签概率计算，得到每一预设标签类别的概率向量；
位置偏移处理单元，用于根据概率向量对目标检测点进行位置偏移处理，得到候选图像区域；
第二映射单元，用于通过第二全连接层将候选图像区域映射到预设特征图谱中，得到目标图像特征矩阵。
在一些实施例中，目标检测单元包括：
空间变换子单元，用于通过RPN层和坐标参数对目标特征图进行空间变换，得到初始检测区域；
重合度计算子单元，用于通过第二池化层对初始检测区域与参考检测区域进行重合度计算，得到重合值；
筛选子单元，用于根据重合值对初始检测区域的候选检测点进行筛选处理，得到目标检测点。
在一些实施例中，第二映射单元包括：
坐标点获取子单元，用于获取候选图像区域的候选坐标点；
位置微调子单元，用于通过第二全连接层中的预设放缩参数对候选坐标点进行位置微调，得到目标坐标点；
第二映射子单元，用于根据目标坐标点将候选图像区域映射至预设特征图谱，得到目标图像特征矩阵。
在一些实施例中，文本生成模型包括第三卷积层和GRU层，语义分析模块804包括：
向量化单元，用于通过第三卷积层对目标图像特征矩阵进行向量化处理，得到目标图像特征向量；
采用单元，用于通过GRU层和预设的字符索引标签对目标图像特征向量进行采样处理，得到候选词段；
分布概率计算单元，用于通过GRU层的第二函数对候选词段进行分布概率计算，得到候选词段在预设单词表中的分布概率值；
筛选单元，用于根据分布概率值对候选词段进行筛选处理，得到目标单词，并根据目标单词，生成候选文本序列。
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(CentralProcessingUnit，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。
本申请实施例提供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，其通过获取目标图像，对目标图像进行图像编码处理，得到目标图像特征向量，并通过预设的目标检测模型对目标图像特征向量进行目标检测，得到目标图像特征矩阵，能够对目标图像的目标区域进行检测，关注到更多的重要图像信息，从而提取到目标图像的区域特征。进一步地，通过预设的文本生成模型对目标图像特征矩阵进行语义分析，能够预测目标图像特征矩阵中各图像特征的语义信息，得到候选文本序列，最后，根据预设的句子长度和图像描述类别标签对候选文本序列进行筛选处理，得到目标文本序列，并对目标文本序列进行拼接处理，得到目标图像描述信息，其中，目标图像描述信息包括图像描述类别标签对应的图像局部特征，通过这一方式能够使得生成的目标图像描述信息关注到目标图像的图像细节，从而基于目标检测模型分别对不同的图像细节进行描述生成，提高生成的图像描述信息的准确性。
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：
获取目标图像；
对所述目标图像进行图像编码处理，得到目标图像特征向量；
通过预设的目标检测模型对所述目标图像特征向量进行目标检测，得到目标图像特征矩阵；
通过预设的文本生成模型对所述目标图像特征矩阵进行语义分析，得到候选文本序列；
根据预设的句子长度和图像描述类别标签对所述候选文本序列进行筛选处理，得到目标文本序列；
对所述目标文本序列进行拼接处理，得到目标图像描述信息，其中，所述目标图像描述信息包括所述图像描述类别标签对应的图像局部特征。
2.根据权利要求1所述的图像描述生成方法，其特征在于，所述对所述目标图像进行图像编码处理，得到目标图像特征向量的步骤，包括：
将所述目标图像输入至预设的编码模型中，其中，所述编码模型包括第一卷积层、第一池化层以及第一全连接层；
通过所述第一卷积层对所述目标图像进行卷积处理，得到卷积图像特征；
通过所述第一池化层对所述卷积图像特征进行池化处理，得到池化图像特征；
通过所述第一全连接层将所述池化图像特征映射到预设向量空间，得到所述目标图像特征向量。
3.根据权利要求2所述的图像描述生成方法，其特征在于，所述通过所述第一全连接层将所述池化图像特征映射到预设向量空间，得到所述目标图像特征向量的步骤，包括：
获取所述预设向量空间的特征维度参数；
通过所述第一全连接层的MLP网络和所述特征维度参数将所述池化图像特征映射到预设向量空间，得到所述目标图像特征向量。
4.根据权利要求1所述的图像描述生成方法，其特征在于，所述目标检测模型包括第二卷积层、RPN层、第二池化层以及第二全连接层，所述通过预设的目标检测模型对所述目标图像特征向量进行目标检测，得到目标图像特征矩阵的步骤，包括：
通过所述第二卷积层对所述目标图像特征向量进行全局特征提取，得到目标特征图；
通过所述RPN层、所述第二池化层和预设的坐标参数对所述目标特征图进行目标检测，得到目标检测点；
通过所述第二全连接层的第一函数对所述目标检测点进行标签概率计算，得到每一预设标签类别的概率向量；
根据所述概率向量对所述目标检测点进行位置偏移处理，得到候选图像区域；
通过所述第二全连接层将所述候选图像区域映射到预设特征图谱中，得到所述目标图像特征矩阵。
5.根据权利要求4所述的图像描述生成方法，其特征在于，所述通过所述RPN层、所述第二池化层和预设的坐标参数对所述目标特征图进行目标检测，得到目标检测点的步骤，包括：
通过所述RPN层和所述坐标参数对所述目标特征图进行空间变换，得到初始检测区域；
通过所述第二池化层对所述初始检测区域与参考检测区域进行重合度计算，得到重合值；
根据所述重合值对所述初始检测区域的候选检测点进行筛选处理，得到所述目标检测点。
6.根据权利要求4所述的图像描述生成方法，其特征在于，所述通过所述第二全连接层将所述候选图像区域映射到预设特征图谱中，得到所述目标图像特征矩阵的步骤，包括：
获取所述候选图像区域的候选坐标点；
通过所述第二全连接层中的预设放缩参数对所述候选坐标点进行位置微调，得到目标坐标点；
根据所述目标坐标点将所述候选图像区域映射至所述预设特征图谱，得到所述目标图像特征矩阵。
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，所述文本生成模型包括第三卷积层和GRU层，所述通过预设的文本生成模型对所述目标图像特征矩阵进行语义分析，得到候选文本序列的步骤，包括：
通过所述第三卷积层对所述目标图像特征矩阵进行向量化处理，得到目标图像特征向量；
通过所述GRU层和预设的字符索引标签对所述目标图像特征向量进行采样处理，得到候选词段；
通过所述GRU层的第二函数对所述候选词段进行分布概率计算，得到所述候选词段在预设单词表中的分布概率值；
根据所述分布概率值对所述候选词段进行筛选处理，得到目标单词，并根据所述目标单词生成所述候选文本序列。
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，用于获取目标图像；
图像编码模块，用于对所述目标图像进行图像编码处理，得到目标图像特征向量；
检测模块，用于通过预设的目标检测模型对所述目标图像特征向量进行目标检测，得到目标图像特征矩阵；
语义分析模块，用于通过预设的文本生成模型对所述目标图像特征矩阵进行语义分析，得到候选文本序列；
筛选模块，用于根据预设的句子长度和图像描述类别标签对所述候选文本序列进行筛选处理，得到目标文本序列；
拼接模块，对所述目标文本序列进行拼接处理，得到目标图像描述信息，其中，所述目标图像描述信息包括所述图像描述类别标签对应的图像局部特征。
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。
CN202210416063.XA 2022-04-20 2022-04-20 图像描述生成方法和装置、电子设备及存储介质 Active CN114781393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210416063.XA CN114781393B (zh) 2022-04-20 2022-04-20 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
CN202210416063.XA CN114781393B (zh) 2022-04-20 2022-04-20 图像描述生成方法和装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114781393A true CN114781393A (zh) 2022-07-22
CN114781393B CN114781393B (zh) 2023-05-26

Family

ID=82430448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210416063.XA Active CN114781393B (zh) 2022-04-20 2022-04-20 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) CN114781393B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359323A (zh) * 2022-08-31 2022-11-18 北京百度网讯科技有限公司 图像的文本信息生成方法和深度学习模型的训练方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635150A (zh) * 2018-12-19 2019-04-16 腾讯科技（深圳）有限公司 文本生成方法、装置以及存储介质
CN110502655A (zh) * 2019-07-31 2019-11-26 武汉大学 一种嵌入场景文字信息的图像自然描述语句生成方法
CN110909736A (zh) * 2019-11-12 2020-03-24 北京工业大学 一种基于长短期记忆模型与目标检测算法的图像描述方法
WO2021223323A1 (zh) * 2020-05-06 2021-11-11 首都师范大学 一种中文视觉词汇表构建的图像内容自动描述方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635150A (zh) * 2018-12-19 2019-04-16 腾讯科技（深圳）有限公司 文本生成方法、装置以及存储介质
CN110502655A (zh) * 2019-07-31 2019-11-26 武汉大学 一种嵌入场景文字信息的图像自然描述语句生成方法
CN110909736A (zh) * 2019-11-12 2020-03-24 北京工业大学 一种基于长短期记忆模型与目标检测算法的图像描述方法
WO2021223323A1 (zh) * 2020-05-06 2021-11-11 首都师范大学 一种中文视觉词汇表构建的图像内容自动描述方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李祥兵: "基于改进Faster-RCNN的自然场景条件下人脸检测算法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》 *
邓珍荣等: "结合全局和局部特征的BiGRU-RA 图像中文描述模型", 《计算机辅助设计与图形学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115359323A (zh) * 2022-08-31 2022-11-18 北京百度网讯科技有限公司 图像的文本信息生成方法和深度学习模型的训练方法

Also Published As

Publication number Publication date
CN114781393B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
EP3961484A1 (en) Medical image segmentation method and device, electronic device and storage medium
Yan et al. Graph convolutional autoencoder model for the shape coding and cognition of buildings in maps
US11373390B2 (en) Generating scene graphs from digital images using external knowledge and image reconstruction
CN111709409B (zh) 人脸活体检测方法、装置、设备及介质
Shi et al. Can a machine generate humanlike language descriptions for a remote sensing image?
CN114723996A (zh) 模型的训练方法、图像描述生成方法和装置、设备、介质
CN114399454A (zh) 图像处理方法、装置、电子设备及存储介质
WO2023165012A1 (zh) 问诊方法和装置、电子设备及存储介质
CN114638960A (zh) 模型的训练方法、图像描述生成方法和装置、设备、介质
CN110781413A (zh) 兴趣点确定方法及装置、存储介质、电子设备
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
CN111091010A (zh) 相似度确定、网络训练、查找方法及装置和存储介质
CN116129141A (zh) 医学数据处理方法、装置、设备、介质和计算机程序产品
CN114612902A (zh) 图像语义分割方法、装置、设备、存储介质及程序产品
CN114549859A (zh) 骨龄预测方法、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
CN114648631A (zh) 图像描述生成方法和装置、电子设备及存储介质
CN115205648A (zh) 图像分类方法、图像分类装置、电子设备及存储介质
Qi et al. JAED-Net: joint attention encoder–decoder network for road extraction from remote sensing images
CN114973285A (zh) 图像处理方法和装置、设备、介质
CN115204300A (zh) 文本和表格语义交互的数据处理方法、装置及存储介质
CN114863521A (zh) 表情识别方法、表情识别装置、电子设备及存储介质
CN114863245B (zh) 图像处理模型的训练方法和装置、电子设备及介质
CN116630292A (zh) 目标检测方法、目标检测装置、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
GR01 Patent grant
GR01 Patent grant