CN114781642B - 一种跨媒体对应知识的生成方法和装置 - Google Patents

一种跨媒体对应知识的生成方法和装置 Download PDF

Info

Publication number
CN114781642B
CN114781642B CN202210685444.8A CN202210685444A CN114781642B CN 114781642 B CN114781642 B CN 114781642B CN 202210685444 A CN202210685444 A CN 202210685444A CN 114781642 B CN114781642 B CN 114781642B
Authority
CN
China
Prior art keywords
feature
feature point
parameter vector
media
characteristic
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
CN202210685444.8A
Other languages
English (en)
Other versions
CN114781642A (zh
Inventor
林峰
潘云鹤
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202210685444.8A priority Critical patent/CN114781642B/zh
Publication of CN114781642A publication Critical patent/CN114781642A/zh
Application granted granted Critical
Publication of CN114781642B publication Critical patent/CN114781642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种跨媒体对应知识的生成方法和装置，该方法包括：根据预先定义的第一种媒体的第一知识单元生成第二种媒体的第二知识单元；生成第一知识单元对应的第一特征参数向量及第二知识单元对应的第二特征参数向量；根据预设的映射关系，将第一特征参数向量、第二特征参数向量分别映射到对应的二维球形特征面上，获得第一特征参数向量在对应二维球形特征面上的第一特征点、第二特征参数向量在对应的二维球形特征面上的第二特征点；对第一特征点与第二特征点分别进行索引，获得第一索引和第二索引；根据第一索引和第二索引生成第一知识单元与第二知识单元的双向索引对应关系。本发明实现了跨媒体知识单元之间的相互映射。

Description

一种跨媒体对应知识的生成方法和装置
技术领域
本发明涉及人工智能领域，尤其涉及一种跨媒体对应知识的生成方法和装置。
背景技术
跨媒体知识表达是将跨媒体数据所蕴含的语义信息数值化为实值向量，主要有联合表示(Joint Representations)和协同表示(Coordinated Representations)，其中，联合表示将多个媒体的信息一起映射到一个统一的向量空间；协同表示负责将多个媒体中的每个分别映射到各自的表示空间，但映射后的向量之间满足一定的相关性约束（例如线性相关）。
跨媒体知识映射-将某一特定媒体数据中的信息映射至另一媒体；跨媒体知识对齐-识别不同媒体之间的部件、元素的对应关系；跨媒体融合-联合多个媒体的信息，进行目标预测（分类或者回归）；跨媒体协同学习-将信息富集的媒体上学习的知识迁移到信息匮乏的媒体，使各个媒体的学习互相辅助。
目前，对于跨媒体之间的知识表达是通过模型训练方式来实现的，这种模型训练方式需要大量的训练样本，处理效率低且准确度有限。
发明内容
本发明提供一种跨媒体对应知识的生成方法和装置。
本发明实施例的第一方面提供一种跨媒体对应知识的生成方法，所述方法包括：
根据预先定义的第一种媒体的第一知识单元，生成第二种媒体的第二知识单元，其中，所述第一种媒体与所述第二种媒体的类型不相同，所述第一知识单元和所述第二知识单元分别用于表征同一目标对象在对应类型的媒体中的特征信息的语义；
生成所述第一知识单元对应的第一特征参数向量及所述第二知识单元对应的第二特征参数向量；
根据预设的映射关系，将所述第一特征参数向量、所述第二特征参数向量分别映射到对应的二维球形特征面上，获得所述第一特征参数向量在对应二维球形特征面上的第一特征点、所述第二特征参数向量在对应的二维球形特征面上的第二特征点；
对所述第一特征点与所述第二特征点分别进行索引，获得与所述第一特征点对应的第一索引和与所述第二特征点对应的第二索引；
根据所述第一索引和所述第二索引，生成所述第一知识单元与所述第二知识单元的双向索引对应关系。
本发明实施例的第二方面提供一种跨媒体对应知识的生成装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现第一方面所述的跨媒体对应知识的生成方法。
本发明实施例的第三方面提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时,实现第二方面所述的跨媒体对应知识的生成方法。
本发明的有益效果是：通过将第一种媒体的第一知识单元和对应的第二种媒体的第二知识单元分别映射至对应的二维球形特征面上，获得第一知识单元在对应二维球形特征面上的第一特征点及第二知识单元在对应二维球形特征面上的第二特征点，接着通过对对应的第一特征点和第二特征点分别进行索引，从而建立第一知识单元与第二知识单元的双向索引对应关系，实现第一知识单元与第二知识单元的跨媒体对应知识的表达，跨媒体对应知识表达的实现效率高且准确度高，双向索引对应关系能够实现跨媒体知识单元之间的相互映射，且双向索引对应关系便于后续直接使用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中的一种跨媒体对应知识的生成方法的流程示意图；
图2是本发明一实施例中的一种第一种媒体的多个第一知识单元的示意图；
图3是本发明一实施例中的一种第一种媒体的多个第二知识单元的示意图；
图4是本发明一实施例中的一种跨媒体对应知识的生成方法的一具体实现过程示意图；
图5是本发明一实施例中的一种跨媒体对应知识的生成方法的一具体流程示意图；
图6是本发明一实施例中的一种跨媒体对应知识的生成装置的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
本发明实施例提供一种跨媒体对应知识的生成方法，通过将第一种媒体的第一知识单元和对应的第二种媒体的第二知识单元分别映射至对应的二维球形特征面上，获得第一知识单元在对应二维球形特征面上的第一特征点及第二知识单元在对应二维球形特征面上的第二特征点，接着通过对对应的第一特征点和第二特征点分别进行索引，从而建立第一知识单元与第二知识单元的双向索引对应关系，实现第一知识单元与第二知识单元的跨媒体对应知识的表达，跨媒体对应知识表达的实现效率高且准确度高，双向索引对应关系能够实现跨媒体知识单元之间的相互映射，且双向索引对应关系便于后续直接使用。
本发明实施例的跨媒体对应知识的生成方法的执行主体可以为任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等。参见图1，本发明实施例的跨媒体对应知识的生成方法可包括步骤S101~S105。
具体地，在步骤S101中，在根据预先定义的第一种媒体的第一知识单元，生成第二种媒体的第二知识单元，其中，第一种媒体与第二种媒体的类型不相同，第一知识单元和第二知识单元分别用于表征同一目标对象在对应类型的媒体中的特征信息的语义。
本发明实施例的跨媒体对应知识的生成方法可应用于机器翻译，例如，第一种媒体为语言A，第二种媒体为语言B；又如，第一种媒体为唇读，第二种媒体语音。
本发明实施例的跨媒体对应知识的生成方法可应用于媒体流内容描述，例如，第一种媒体为图片或视频，第二种媒体为文字描述，通过文字描述来表达图片或视频的内容。
本发明实施例的跨媒体对应知识的生成方法可应用于语音合成，例如，第一种媒体为文本信息，第二种媒体为语音信号。
本发明实施例中目标对象可以为用户、动物、文本或其他。
例如，一示例性的实施例中，目标对象为用户，特征信息为用户行为姿势，第一知识单元和第二知识单元分别用于表征用户行为姿势的语义，第一种媒体为用户行为姿势视频，第二种媒体为有限元模型，参见图2和图3，第一知识单元可以为“右腿前跨步行”的视频10，第二知识单元为“右腿前跨步行”的有限元模型20，“右腿前跨步行”的视频10与“右腿前跨步行”的有限元模型20相对应。
当然，在其他实施例中，目标对象为文本，特征信息的语义可以为文本内容，第一知识单元和第二知识单元分别用于表征文本内容，第一种媒体为文本信息，第二种媒体为语音信号。
实现步骤S101时，具体地，根据第一种媒体的第一知识单元，采用自动机或其他算法生成第二种媒体的第二知识单元。
步骤S101中的第一知识单元可包括多个，多个第一知识单元对应表征同一目标对象的不同特征信息的语义，如图2所示，第一知识单元包括用户不同行为姿势视频。第二知识单元与第一知识单元一一对应，且对应的第一知识单元和第二知识单元表征相同的含义。
其中，在一些实施例中，在根据预先定义的第一种媒体的第一知识单元，生成第二种媒体的第二知识单元之前，根据人工或自动文本生成，定义第一种媒体的第一知识单元。
在步骤S102中，生成第一知识单元对应的第一特征参数向量及第二知识单元对应的第二特征参数向量。
第一特征参数向量、第二特征参数向量的类型可以根据需要选择，可选地，第一特征参数向量为BVH格式的特征参数向量，和/或第二特征参数向量为边界点的差分参数向量。例如，在一些实施例中，参见图4，第一特征参数向量为BVH格式的特征参数向量30，第二特征参数向量为边界点的差分参数向量40。应当理解的是，第一特征参数向量、第二特征参数向量的类型也可以为其他。
第一特征参数向量、第二特征参数向量均包括多个特征参数，其中，第一特征参数向量中的特征参数与第二特征参数向量中的特征参数的个数可以相同，也可以相同。例如，在一些实施例中，第一特征参数向量中包括1000个特征参数，第二特征参数向量中包括200个特征参数。
沿用图2和图3所示的实施例，第一特征参数向量中的特征参数可以包括用户36个骨骼的位置、夹角、位置变化速度、加速度等等，第二特征参数向量中的特征参数可以包括用户轮廓上的边界点的位置、加速度、速度等边界特征参数。
实现步骤S102时，具体地，根据第一知识单元，利用自动机或其他算法生成第一知识单元对应的第一特征参数向量；并且，根据第二知识单元，利用计算机图形学渲染或其他算法生成第二知识单元对应的第二特征参数向量。
在一示例性的实施例中，第一知识单元包括多个，多个第一知识单元对应表征同一目标对象的不同特征信息的语义，第二知识单元与第一知识单元一一对应。实现步骤S102时，具体地，生成各第一知识单元分别对应的第一特征参数向量及各第二知识单元分别对应的第二特征参数向量。
在步骤S103中，根据预设的映射关系，将第一特征参数向量、第二特征参数向量分别映射到对应的二维球形特征面上，获得第一特征参数向量在对应二维球形特征面上的第一特征点、第二特征参数向量在对应的二维球形特征面上的第二特征点。
本发明实施例中，根据预设的映射关系，确定第一特征参数向量映射到第一二维球形特征面上的第一位置的位置信息，获得第一特征点，从而将第一特征参数向量映射到第一二维球形特征面上；并且，根据预设的映射关系，确定第二特征参数向量映射到第二二维球形特征面上的第二位置的位置信息，获得第二特征点，从而将第二特征参数向量映射到第二二维球形特征面上。应当理解地，第一二维球形特征面上的第一位置对应第一特征点，第一特征点对应第一特征参数向量；第二二维球形特征面上的第二位置对应第二特征点，第二特征点对应第二特征参数向量。
在一些实施例中。第一位置的位置信息、第二位置的位置信息通过经度、维度表示；在另外一些实施例中，第一位置的位置信息、第二位置的位置信息通过天顶角、方位角表示。
其中，不同第一特征参数向量映射至对应的二维球形特征面上的特征点的位置不相同，不同的第二特征参数向量映射至对应的二维球形特征面上的特征点的位置也不相同。
参见图4，本发明实施例中，第一特征点50、第二特征点60可通过一个圆圈表示，圆圈的中心即为对应特征点在对应二维球形特征面上的位置信息。
需要说明的是，本发明实施例中，在同一二维球形特征面上，以各特征点为中心，形成该特征点的特征域，如图4所示，第一特征点50所属的特征域2中的其他第一特征点包围第一特征点50，且特征域2中的其他第一特征点的位置均与第一特征点50相邻。第二特征点60所属的特征域1中的其他第二特征点包围第二特征点60，且特征域1中的其他第二特征点的位置均与第二特征点60相邻。
在步骤S104中，对第一特征点与第二特征点分别进行索引，获得与第一特征点对应的第一索引和与第二特征点对应的第二索引。
该步骤中，对第一特征点X进行索引，获得与第一特征点X对应的第一索引IX，第一索引IX用于表征第一特征点X、第一特征点X对应的第一特征参数向量（x1, x2, ... ,xm1）。类似地，对第二特征点Y进行索引，获得与第二特征点Y对应的第二索引IY，第二索引IY用于表征第二特征点Y、第二特征点Y对应的第二特征参数向量（y1, y2, ..., ym2）。
在步骤S103之后，在步骤S104之前，本发明实施例的跨媒体对应知识的生成方法还可包括如下步骤：
（1）、对各第一特征点，以该第一特征点作为第一中心特征点，根据第一中心特征点周围的第一特征点的第一特征参数向量，更新第一中心特征点的第一特征参数向量。
（2）、对各第二特征点，以该第二特征点作为第二中心特征点，根据第二中心特征点周围的第二特征点的第二特征参数向量，更新第二中心特征点的第二特征参数向量。
需要说明的是，步骤（1）和步骤（2）可先后执行，也可同步执行，但都需建立这二个中心特征点的相互索引。
步骤S104中在对第一特征点与第二特征点分别进行索引，获得与第一特征点对应的第一索引和与第二特征点对应的第二索引时，具体地，对特征参数向量更新后的第一特征点和特征参数向量更新后的第二特征点分别进行索引，获得特征参数向量更新后的第一特征点对应的第一索引和特征参数向量更新后的第二特征点对应的第二索引。
本发明实施例中，更新第一中心特征点的第一特征参数向量是为了将不同第一特征点进行关联，从而将多个第一知识单元进行关联，进而提升后续跨媒体间映射的准确度。更新第二中心特征点的第一特征参数向量是为了将不同第二特征点进行关联，从而将多个第一知识单元进行关联，进而提升后续跨媒体间映射的准确度。
可采用不同方式来更新第一中心特征点的第一特征参数向量，例如，通过第一中心特征点周围的第一特征点对第一中心特征点的特征参数影响来更新第一中心特征点的第一特征参数向量；又如，根据经验调整第一中心特征点的第一特征参数向量。需要说明的是，本发明实施例中，更新第一特征参数向量可包括但不限于：更新第一特征参数向量中至少部分特征参数的数值大小。
例如，在一些实施例中，在根据第一中心特征点周围的第一特征点的第一特征参数向量，更新第一中心特征点的第一特征参数向量时，具体地，先确定第一中心特征点周围的第一特征点中每一第一特征点的第一权重；根据第一权重、第一权重对应的第一特征点的第一特征参数向量及第一中心特征点的第一特征参数向量，重新确定第一中心特征点的第一特征参数向量。本实施例即是通过第一中心特征点周围的第一特征点对第一中心特征点的特征参数影响来更新第一中心特征点的第一特征参数向量，采用这种方式来跟准确地将不同第一特征点进行关联，从而更准确地将多个第一知识单元进行关联，进而提升后续跨媒体间映射的准确度。
示例性地，第一中心特征点X周围的第i个第一特征点Xi的第一权重为wi，更新第一中心特征点X公式如下：
X’ i = wi X+(1-wi)X i （1）；
公式（1）中，X’ i为基于第一特征点Xi对第一中心特征点X的第一特征参数向量进行更新后获得的第一中心特征点的新的第一特征参数向量；
X为第一中心特征点X的第一特征参数向量；
X i为第一中心特征点X周围的第i个第一特征点Xi的第一特征参数向量。
其中，当第一中心特征点周围的第一特征点的数量为多个时，在一些实施例中，可按照第一距离由远至近或由近至远的第一中心特征点周围的第一特征点依次新第一中心特征点X；在另外一些实施例中，第一中心特征点周围的第一特征点中每个第一特征点分别对第一中心特征点进行更新后，将更新获得的第一中心特征点的多个第一特征参数向量进行加权获得最终的第一中心特征点的第一特征参数向量。
其中，第一权重与第一距离负相关，第一距离为第一中心特征点至第一中心特征点周围的对应第一特征点的距离。即至第一中心特征点距离越远的且位于第一中心特征点周围的第一特征点对应的第一权重越小，对第一中心特征点的第一特征参数向量的影响也越小；至第一中心特征点距离越近的且位于第一中心特征点周围的第一特征点对应的第一权重越大，对第一中心特征点的第一特征参数向量的影响也越大。
进一步地，第一权重可采用不同方式确定，例如，在一些实施例中，第一权重为基于高斯方程及第一距离确定。示例性地，第一中心特征点周围的对应第一特征点包括A、B、C，则A、B、C分别对应的第一权重是根据高斯方程及对应的第一距离分别确定的。
在另外一些实施例中，第一权重为经验设定。
第一中心特征点周围的第一特征点的确定方式可包括多种，例如，在一些实施例中，第一中心特征点周围的第一特征点与第一中心特征点位于同一特征域，特征域以第一中心特征点为中心，第一中心特征点周围的第一特征点包围第一中心特征点，且第一中心特征点周围的第一特征点与第一中心特征点位置相邻。如图4所示，特征域2包括第一特征点50和包围第一特征点50的6个其他第一特征点，第一特征点50即为特征域2的第一中心特征点。
在另外一些实施例中，第一中心特征点周围的第一特征点包括：除第一中心特征点外的其他第一特征点中，第一特征参数向量与特征参数向量更新后的第一特征点对应的第一特征参数向量的差的模小于第一预设阈值的第一特征点。第一中心特征点周围的第一特征点满足:
|X’ i -X i|<a （2）；
公式（2）中，a为第一预设阈值，a的大小可以根据需要设定。应当理解的是，a与第一权重关联，例如，除第一中心特征点外的其他第一特征点中，第一权重大于等于0.6的第一特征点对第一中心特征点的第一特征参数向量产生影响，第一权重小于0.6的第一特征点对第一中心特征点的第一特征参数向量不产生影响，则a的大小为除第一中心特征点外的其他第一特征点中，第一权重为0.6的第一特征点对应的第一特征参数向量与特征参数向量更新后的第一特征点对应的第一特征参数向量的差的模。需要说明的是，此处的特征参数向量更新后的第一特征点对应的第一特征参数向量是指基于第一权重为0.6的第一特征点对第一特征点进行更新获得的。
可采用不同方式来更新第二中心特征点的第二特征参数向量，例如，通过第二中心特征点周围的第二特征点对第二中心特征点的特征参数影响来更新第二中心特征点的第二特征参数向量；又如，根据经验调整第二中心特征点的第二特征参数向量。需要说明的是，本发明实施例中，更新第二特征参数向量可包括但不限于：更新第二特征参数向量中至少部分特征参数的数值大小。
例如，在一些实施例中，在根据第二中心特征点周围的第二特征点的第二特征参数向量，更新第二中心特征点的第二特征参数向量时，具体地，先确定第二中心特征点周围的第二特征点中每一第二特征点的第二权重；再根据第二权重、第二权重对应的第二特征点的第二特征参数向量及第二中心特征点的第二特征参数向量，重新确定第二中心特征点的第二特征参数向量。本实施例即是通过第二中心特征点周围的第二特征点对第二中心特征点的特征参数影响来更新第二中心特征点的第二特征参数向量，采用这种方式来跟准确地将不同第二特征点进行关联，从而更准确地将多个第二知识单元进行关联，进而提升后续跨媒体间映射的准确度。
示例性地，第二中心特征点Y周围的第i个第二特征点Yi的第二权重为vi，更新第二中心特征点Y公式如下：
Y’ i = vi Y+(1-vi)Y （3）；
公式（3）中，Y’ i为基于第二特征点Yi对第二中心特征点Y的第二特征参数向量进行更新后获得的第二中心特征点的新的第二特征参数向量；
Y为第二中心特征点Y的第二特征参数向量；
Y i为第二中心特征点Y周围的第i个第二特征点Yi的第二特征参数向量。
其中，当第二中心特征点周围的第二特征点的数量为多个时，在一些实施例中，可按照第二距离由远至近或由近至远的第二中心特征点周围的第二特征点依次新第二中心特征点Y；在另外一些实施例中，第二中心特征点周围的第二特征点中每个第二特征点分别对第二中心特征点进行更新后，将更新获得的第二中心特征点的多个第二特征参数向量进行加权获得最终的第二中心特征点的第二特征参数向量。
其中，第二权重与第二距离负相关，第二距离为第二中心特征点至第二中心特征点周围的对应第二特征点的距离。即至第二中心特征点距离越远的且位于第二中心特征点周围的第二特征点对应的第二权重越小，对第二中心特征点的第二特征参数向量的影响也越小；至第二中心特征点距离越近的且位于第二中心特征点周围的第二特征点对应的第二权重越大，对第二中心特征点的第二特征参数向量的影响也越大。
进一步地，第二权重可采用不同方式确定，例如，在一些实施例中，第二权重为基于高斯方程及第二距离确定。示例性地，第二中心特征点周围的对应第二特征点包括D、E、F，则D、E、F分别对应的第二权重是根据高斯方程及对应的第二距离分别确定的。
在另外一些实施例中，第二权重为经验设定。
第二中心特征点周围的第二特征点的确定方式可包括多种，例如，在一些实施例中，第二中心特征点周围的第二特征点与第二中心特征点位于同一特征域，特征域以第二中心特征点为中心，第二中心特征点周围的第二特征点包围第二中心特征点，且第二中心特征点周围的第二特征点与第二中心特征点位置相邻。如图4所示，特征域1包括第二特征点60和包围第二特征点60的6个其他第二特征点，第二特征点60即为特征域1的第二中心特征点。
在另外一些实施例中，第二中心特征点周围的第二特征点包括：除第二中心特征点外的其他第二特征点中，第二特征参数向量与特征参数向量更新后的第二特征点对应的第二特征参数向量的差的模小于第二预设阈值的第二特征点。第二中心特征点周围的第二特征点满足:
|Y’ i -Y i|<b （2）；
公式（2）中，b为第二预设阈值，b的大小可以根据需要设定。应当理解的是，b与第二权重关联，例如，除第二中心特征点外的其他第二特征点中，第二权重大于等于0.6的第二特征点对第二中心特征点的第二特征参数向量产生影响，第二权重小于0.6的第二特征点对第二中心特征点的第二特征参数向量不产生影响，则a的大小为除第二中心特征点外的其他第二特征点中，第二权重为0.6的第二特征点对应的第二特征参数向量与特征参数向量更新后的第二特征点对应的第二特征参数向量的差的模。需要说明的是，此处的特征参数向量更新后的第二特征点对应的第二特征参数向量是指基于第二权重为0.6的第二特征点对第二特征点进行更新获得的。
上述实施例中的更新第一中心特征点的第一特征参数向量的方式及更新第二中心特征点的第二特征参数向量的方式可进行组合。
在一可行的实现方式中，第一知识单元包括n个，第二知识单元也对应包括n个，第一特征点的更新过程可包括如下步骤：
（11）、重复使用步骤S102中的生成第一知识单元对应的第一特征参数向量，得到第一种媒体的n个第一知识单元分别对应的第一特征参数向量，即获得n个第一特征参数向量，如图4中的一行第一特征参数向量，该第一特征参数向量可以为三维向量（如图4中第一特征点50通过虚线箭头引出的三维向量）；
（12）、将步骤（11）中得到的下一个第一特征参数向量 X = (x1, x2, ... xm1) 通过函数映射到第一二维球形特征面，产生一个第一特征点50（图4中二维阵列中一个第一特征参数向量示意）；
（13）、以步骤（12）映射到第一二维球形特征面的第一特征点50为中心，以高斯方程计算该第一特征点50所属特征域2中其他第一特征点代表的第一特征参数向量X i的权重值wi，更新该第一特征点50的第一特征参数向量，获得：X’ i = wi X+(1-wi)X i；
（14）、记录该第一特征点50的第一索引IX；
该步骤中，记录的方式可以为诸如表格、文本等方式。
（15）、以该第一种媒体的n个第一知识单元循环使用步骤（11）-（14），直至|X’ i -X i|小于第一预设阈值a。
第二特征点的更新过程可包括如下步骤：
（21）、重复使用步骤S102中的生成第二知识单元对应的第二特征参数向量，得到第二种媒体的n个第二知识单元分别对应的第二特征参数向量，即获得n个第二特征参数向量，如图4中的一行第二特征参数向量，该第二特征参数向量可以为三维向量（如图4中第二特征点60通过虚线箭头引出的三维向量）；
（22）、将步骤（11）中得到的下一个第二特征参数向量 Y = (y1, y2, ... ym2) 通过函数映射到第二二维球形特征面，产生一个第二特征点60（图4中二维阵列中一个第二特征参数向量示意）；
（23）、以步骤（12）映射到第二二维球形特征面的第二特征点60为中心，以高斯方程计算该第二特征点60所属特征域1中其他第二特征点代表的第二特征参数向量Y i的权重值vi，更新该第二特征点60的第二特征参数向量，获得：Y’ i = vi Y+(1-vi)Y；
（24）、记录该第二特征点60的第二索引IY；
该步骤中，记录的方式可以为诸如表格、文本等方式。
（25）、以该第二种媒体的n个第二知识单元循环使用步骤（11）-（14），直至|Y’ i -Y i|小于第二预设阈值b。
从而完成第一种媒体的第一知识单元的第一特征参数向量映射到第一二维球形特征面，自我进化第一特征点和特征域；并完成第二种媒体的第二知识单元的第二特征参数向量映射到第二二维球形特征面，自我进化第二特征点和特征域。
在步骤S105中，根据第一索引和第二索引，生成第一知识单元与第二知识单元的双向索引对应关系。
沿用上述实施例，双向索引对应关系为：第一知识单元的第一索引IX对应与该第一知识单元对应的第二知识单元的第二索引IY。
至此，通过将第一种媒体的第一知识单元和对应的第二种媒体的第二知识单元分别映射至对应的二维球形特征面上，获得第一知识单元在对应二维球形特征面上的第一特征点及第二知识单元在对应二维球形特征面上的第二特征点，接着通过对对应的第一特征点和第二特征点分别进行索引，从而建立第一知识单元与第二知识单元的双向索引对应关系，实现第一知识单元与第二知识单元的跨媒体对应知识的表达，双向索引对应关系能够实现跨媒体知识单元之间的相互映射，且双向索引对应关系便于后续直接使用。
可将上述获得的双向索引对应关系应用于跨媒体对应知识的映射中，具体地，设一条知识单元在两种媒体分别表达为特征参数向量X= (x1, x2, ... xm1)，m = m1；Y= (y1,y2, ... ym2)，m = m2，m为各特征参数向量包含的特征参数个数。给出特征参数向量X，基于上述双向索引对应关系，自动得出其跨媒体对应特征参数向量Y；反之也然。
在一些实施例中，参见图5，在根据第一索引和第二索引，生成第一知识单元与第二知识单元的双向索引对应关系之后，还包括如下步骤：
S501、获取待转换媒体的第三特征参数向量。
该第三特征参数向量可由用户输入的待转换媒体的待转化知识单元的信息确定，该信息可以通过图像表征，也可以为诸如视频、语音、文本等。如图4中的第三特征参数向量80是根据用户输入的指示“右腿前跨步行”的图像或视频确定的。
其中，第三特征参数向量Y= (y1, y2, ... ym2)。
S502、根据映射关系，将第三特征参数向量映射到二维球形特征面上，获得第三特征点。
可以理解地，S502中的映射关系即为S103中的映射关系，S502的实现方式与S103中的第一特征参数向量、第二特征参数向量映射到对应的二维球形特征面上相类似。
S503、根据第三特征点及双向索引对应关系，进行跨媒体对应知识的映射，将待转换媒体映射至目标媒体，获得目标知识单元。
其中，待转换媒体为第一种媒体和第二种媒体中的一个，目标媒体为第一种媒体和第二种媒体中的另一个。具体地，当待转换媒体为第一种媒体，目标媒体为第二种媒体时，第三特征参数向量与一个第一知识单元对应，目标知识单元为第二知识单元；当待转换媒体为第二种媒体，目标媒体为第一种媒体时，第三特征参数向量与一个第二知识单元对应，目标知识单元为第一知识单元。
示例性地，当待转换媒体为第二种媒体，目标媒体为第一种媒体时，参见图4，S503的实现过程可包括如下步骤：
（31）、确定与第三特征点位置匹配的第二特征点的第二索引；
如图4中，第三特征参数向量（第三特征参数向量用于指示“右腿前跨步行”）映射到第二二维球形特征面上，获得的第三特征点位置匹配第二特征点60，获得第二特征点60的第二索引IY（即图4中的90）。
（32）、根据与第三特征点位置匹配的第二特征点的第二索引及双向索引对应关系，确定第三特征点对应的第一索引及第一索引对应的第一特征参数向量；
具体地，根据第二特征点60的第二索引IY及双向索引对应关系，查找到第三特征点对应的第一索引IX（即图4中的100）及第一索引IX对应的第一特征参数向量X = (x1, x2,... xm1)，即第一索引IX对应到第一二维球形特征面上的第一特征点50的第一特征参数向量X = (x1, x2, ... xm1)。
（33）、根据第一索引对应的第一特征参数向量，确定与待转换媒体的第三特征参数向量相对应的目标媒体的目标知识单元。
步骤（33）获得的目标知识单元即一个第一知识单元，沿用图4所示实施例，步骤（33）获得的目标知识单元即指示“右腿前跨步行”的语义示意（图4中的200）。
通过步骤（31）~步骤（33），完成Y= (y1, y2, ... ym2)对应的第二知识单元-> X =(x1, x2, ... xm1)对应的第一知识单元的映射。
类似地，又如，当待转换媒体为第一种媒体，目标媒体为第二种媒体时，S503的实现过程可包括如下步骤：
（41）、确定与第三特征点位置匹配的第一特征点的第一索引；
（42）、根据与第三特征点位置匹配的第一特征点的第一索引及双向索引对应关系，确定第三特征点对应的第二索引及第二索引对应的第二特征参数向量；
（43）、根据第二索引对应的第二特征参数向量，确定与待转换媒体的第三特征参数向量相对应的目标媒体的目标知识单元。
通过步骤（41）~（43），完成X = (x1, x2, ... xm1)对应的第一知识单元->Y= (y1,y2, ... ym2)对应的第二知识单元的映射，该过程与上通过步骤（31）~步骤（33），完成Y=(y1, y2, ... ym2)对应的第二知识单元-> X = (x1, x2, ... xm1)对应的第一知识单元的映射类似，不再赘述。
与前述跨媒体对应知识的生成方法的实施例相对应，本发明还提供了一种跨媒体对应知识的生成装置的实施例。
参见图6，本发明实施例提供的一种跨媒体对应知识的生成装置，包括存储器和一个或多个处理器，存储器中存储有可执行代码，一个或多个处理器执行可执行代码时，用于实现上述实施例中的跨媒体对应知识的生成方法。
本发明实施例提供的跨媒体对应知识的生成装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本发明实施例提供的跨媒体对应知识的生成装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的跨媒体对应知识的生成方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种跨媒体对应知识的生成方法，其特征在于，所述方法包括：
根据预先定义的第一种媒体的第一知识单元，生成第二种媒体的第二知识单元，其中，所述第一种媒体与所述第二种媒体的类型不相同，所述第一知识单元和所述第二知识单元分别用于表征同一目标对象在对应类型的媒体中的特征信息的语义；
生成所述第一知识单元对应的第一特征参数向量及所述第二知识单元对应的第二特征参数向量；
根据预设的映射关系，将所述第一特征参数向量、所述第二特征参数向量分别映射到对应的二维球形特征面上，获得所述第一特征参数向量在对应二维球形特征面上的第一特征点、所述第二特征参数向量在对应的二维球形特征面上的第二特征点；
对所述第一特征点与所述第二特征点分别进行索引，获得与所述第一特征点对应的第一索引和与所述第二特征点对应的第二索引；该步骤中，对第一特征点X进行索引，获得与第一特征点X对应的第一索引IX，第一索引IX用于表征第一特征点X、第一特征点X对应的第一特征参数向量（x1, x2, ... ,xm1）；类似地，对第二特征点Y进行索引，获得与第二特征点Y对应的第二索引IY，第二索引IY用于表征第二特征点Y、第二特征点Y对应的第二特征参数向量（y1, y2, ..., ym2）；
根据所述第一索引和所述第二索引，生成所述第一知识单元与所述第二知识单元的双向索引对应关系。
2.根据权利要求1所述的跨媒体对应知识的生成方法，其特征在于，所述第一知识单元包括多个，多个所述第一知识单元对应表征同一目标对象的不同特征信息的语义，所述第二知识单元与所述第一知识单元一一对应；
所述生成所述第一知识单元对应的第一特征参数向量及所述第二知识单元对应的第二特征参数向量，包括：
生成各第一知识单元分别对应的第一特征参数向量及各第二知识单元分别对应的第二特征参数向量；
其中，不同第一特征参数向量映射至对应的二维球形特征面上的特征点的位置不相同，不同的第二特征参数向量映射至对应的二维球形特征面上的特征点的位置也不相同。
3.根据权利要求2所述的跨媒体对应知识的生成方法，其特征在于，所述根据预设的映射关系，将所述第一特征参数向量、所述第二特征参数向量分别映射到对应的二维球形特征面上，获得所述第一特征参数向量在对应二维球形特征面上的第一特征点、所述第二特征参数向量在对应的二维球形特征面上的第二特征点之后，所述对所述第一特征点与所述第二特征点分别进行索引，获得与所述第一特征点对应的第一索引和与所述第二特征点对应的第二索引之前，还包括：
对各第一特征点，以该第一特征点作为第一中心特征点，根据所述第一中心特征点周围的第一特征点的第一特征参数向量，更新所述第一中心特征点的第一特征参数向量；
对各第二特征点，以该第二特征点作为第二中心特征点，根据所述第二中心特征点周围的第二特征点的第二特征参数向量，更新所述第二中心特征点的第二特征参数向量；
所述对所述第一特征点与所述第二特征点分别进行索引，获得与所述第一特征点对应的第一索引和与所述第二特征点对应的第二索引，包括：
对特征参数向量更新后的第一特征点和特征参数向量更新后的第二特征点分别进行索引，获得特征参数向量更新后的第一特征点对应的第一索引和特征参数向量更新后的第二特征点对应的第二索引。
4.根据权利要求3所述的跨媒体对应知识的生成方法，其特征在于，所述根据所述第一中心特征点周围的第一特征点的第一特征参数向量，更新所述第一中心特征点的第一特征参数向量，包括：
确定所述第一中心特征点周围的第一特征点中每一第一特征点的第一权重；
根据所述第一权重、所述第一权重对应的第一特征点的第一特征参数向量及所述第一中心特征点的第一特征参数向量，重新确定所述第一中心特征点的第一特征参数向量。
5.根据权利要求4所述的跨媒体对应知识的生成方法，其特征在于，所述第一权重与第一距离负相关，所述第一距离为所述第一中心特征点至所述第一中心特征点周围的对应第一特征点的距离；所述第一中心特征点周围的第一特征点包括：除所述第一中心特征点外的其他第一特征点中，第一特征参数向量与特征参数向量更新后的第一特征点对应的第一特征参数向量的差的模小于第一预设阈值的第一特征点。
6.根据权利要求5所述的跨媒体对应知识的生成方法，其特征在于，所述第一权重为基于高斯方程及所述第一距离确定。
7.根据权利要求4至6任一项所述的跨媒体对应知识的生成方法，其特征在于，所述第一中心特征点周围的第一特征点与所述第一中心特征点位于同一特征域，所述特征域以所述第一中心特征点为中心，所述第一中心特征点周围的第一特征点包围所述第一中心特征点，且所述第一中心特征点周围的第一特征点与所述第一中心特征点位置相邻。
8.根据权利要求3所述的跨媒体对应知识的生成方法，其特征在于，所述根据所述第二中心特征点周围的第二特征点的第二特征参数向量，更新所述第二中心特征点的第二特征参数向量，包括：
确定所述第二中心特征点周围的第二特征点中每一第二特征点的第二权重；
根据所述第二权重、所述第二权重对应的第二特征点的第二特征参数向量及所述第二中心特征点的第二特征参数向量，重新确定所述第二中心特征点的第二特征参数向量。
9.根据权利要求8所述的跨媒体对应知识的生成方法，其特征在于，所述第二权重与第二距离负相关，所述第二距离为所述第二中心特征点至所述第二中心特征点周围的对应第二特征点的距离；所述第二中心特征点周围的第二特征点包括：除所述第二中心特征点外的其他第二特征点中，第二特征参数向量与特征参数向量更新后的第二特征点对应的第二特征参数向量的差的模小于第二预设阈值的第二特征点。
10.根据权利要求9所述的跨媒体对应知识的生成方法，其特征在于，所述第二权重为基于高斯方程及所述第二距离确定。
11.根据权利要求8至10任一项所述的跨媒体对应知识的生成方法，其特征在于，所述第二中心特征点周围的第二特征点与所述第二中心特征点位于同一特征域，所述特征域以所述第二中心特征点为中心，所述第二中心特征点周围的第二特征点包围所述第二中心特征点，且所述第二中心特征点周围的第二特征点与所述第二中心特征点位置相邻。
12.根据权利要求1所述的跨媒体对应知识的生成方法，其特征在于，所述根据预先定义的第一种媒体的第一知识单元，生成第二种媒体的第二知识单元之前，还包括：根据人工或自动文本生成，定义第一种媒体的第一知识单元；和/或
所述第一特征参数向量为BVH格式的特征参数向量；和/或，
所述第二特征参数向量为边界点的差分参数向量。
13.根据权利要求1所述的跨媒体对应知识的生成方法，其特征在于，所述根据所述第一索引和所述第二索引，生成所述第一知识单元与所述第二知识单元的双向索引对应关系之后，还包括：
获取待转换媒体的第三特征参数向量；
根据所述映射关系，将所述第三特征参数向量映射到二维球形特征面上，获得第三特征点；
根据所述第三特征点及所述双向索引对应关系，进行跨媒体对应知识的映射，将所述待转换媒体映射至目标媒体，获得目标知识单元；
其中，所述待转换媒体为所述第一种媒体和所述第二种媒体中的一个，所述目标媒体为所述第一种媒体和所述第二种媒体中的另一个；
当所述待转换媒体为所述第一种媒体，所述目标媒体为所述第二种媒体时，所述目标知识单元为第二知识单元；当所述待转换媒体为所述第二种媒体，所述目标媒体为所述第一种媒体时，所述目标知识单元为第一知识单元。
14.根据权利要求13所述的跨媒体对应知识的生成方法，其特征在于，当所述待转换媒体为所述第一种媒体，所述目标媒体为所述第二种媒体时，所述根据所述第三特征点及所述双向索引对应关系，进行跨媒体对应知识的映射，将所述待转换媒体映射至目标媒体，获得目标知识单元，包括：
确定与所述第三特征点的位置匹配的第一特征点的第一索引；
根据与所述第三特征点的位置匹配的第一特征点的第一索引及所述双向索引对应关系，确定所述第三特征点对应的第二索引及所述第二索引对应的第二特征参数向量；
根据所述第二索引对应的第二特征参数向量，确定与所述待转换媒体的第三特征参数向量相对应的目标媒体的目标知识单元。
15.一种跨媒体对应知识的生成装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-14中任一项所述的跨媒体对应知识的生成方法。
16.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时,实现权利要求1-14中任一项所述的跨媒体对应知识的生成方法。
CN202210685444.8A 2022-06-17 2022-06-17 一种跨媒体对应知识的生成方法和装置 Active CN114781642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210685444.8A CN114781642B (zh) 2022-06-17 2022-06-17 一种跨媒体对应知识的生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210685444.8A CN114781642B (zh) 2022-06-17 2022-06-17 一种跨媒体对应知识的生成方法和装置

Publications (2)

Publication Number Publication Date
CN114781642A CN114781642A (zh) 2022-07-22
CN114781642B true CN114781642B (zh) 2022-09-23

Family

ID=82420641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210685444.8A Active CN114781642B (zh) 2022-06-17 2022-06-17 一种跨媒体对应知识的生成方法和装置

Country Status (1)

Country Link
CN (1) CN114781642B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103995903A (zh) * 2014-06-12 2014-08-20 武汉科技大学 基于同构子空间映射和优化的跨媒体检索方法
CN105701225A (zh) * 2016-01-15 2016-06-22 北京大学 一种基于统一关联超图规约的跨媒体检索方法
WO2017210949A1 (zh) * 2016-06-06 2017-12-14 北京大学深圳研究生院 一种跨媒体检索方法
CN109697233A (zh) * 2018-12-03 2019-04-30 中电科大数据研究院有限公司 一种知识图谱体系搭建方法
CN111680173A (zh) * 2020-05-31 2020-09-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 统一检索跨媒体信息的cmr模型

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140145018A (ko) * 2013-06-12 2014-12-22 한국전자통신연구원 지식 인덱스 시스템 및 그 방법
CN106649715B (zh) * 2016-12-21 2019-08-09 中国人民解放军国防科学技术大学 一种基于局部敏感哈希算法和神经网络的跨媒体检索方法
CN112052344B (zh) * 2020-09-29 2022-09-09 北京邮电大学 一种基于知识图谱与ScSIFT的融媒体信息获取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103995903A (zh) * 2014-06-12 2014-08-20 武汉科技大学 基于同构子空间映射和优化的跨媒体检索方法
CN105701225A (zh) * 2016-01-15 2016-06-22 北京大学 一种基于统一关联超图规约的跨媒体检索方法
WO2017210949A1 (zh) * 2016-06-06 2017-12-14 北京大学深圳研究生院 一种跨媒体检索方法
CN109697233A (zh) * 2018-12-03 2019-04-30 中电科大数据研究院有限公司 一种知识图谱体系搭建方法
CN111680173A (zh) * 2020-05-31 2020-09-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 统一检索跨媒体信息的cmr模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Harmonizing Hierarchical Manifolds for Multimedia Document Semantics Understanding and Cross-Media Retrieval";Yi Yang等;《IEEE Transactions on Multimedia》;20080430;第10卷(第3期);第437-446页 *
"一种支持海量跨媒体检索的集成索引结构";庄毅等;《软件学报》;20081031;第19卷(第10期);第2667-2680页 *

Also Published As

Publication number Publication date
CN114781642A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
US11610115B2 (en) Learning to generate synthetic datasets for training neural networks
JP7373554B2 (ja) クロスドメイン画像変換
CN111754596B (zh) 编辑模型生成、人脸图像编辑方法、装置、设备及介质
US10497122B2 (en) Image crop suggestion and evaluation using deep-learning
US20200082250A1 (en) Method and device for optimizing simulation data, and computer-readable storage medium
CN112307940A (zh) 模型训练方法、人体姿态检测方法、装置、设备及介质
CN110462645A (zh) 具有更新能力的传感器数据处理器
CN110838122B (zh) 点云的分割方法、装置及计算机存储介质
WO2019146057A1 (ja) 学習装置、実写画像分類装置の生成システム、実写画像分類装置の生成装置、学習方法及びプログラム
US20210383241A1 (en) Training neural networks with limited data using invertible augmentation operators
US10217224B2 (en) Method and system for sharing-oriented personalized route planning via a customizable multimedia approach
CN112668608B (zh) 一种图像识别方法、装置、电子设备及存储介质
CN115393486B (zh) 虚拟形象的生成方法、装置、设备及存储介质
CN113780326A (zh) 一种图像处理方法、装置、存储介质及电子设备
CN113762461A (zh) 使用可逆增强算子采用有限数据训练神经网络
CN110427864B (zh) 一种图像处理方法、装置及电子设备
US20230237342A1 (en) Adaptive lookahead for planning and learning
CN114781642B (zh) 一种跨媒体对应知识的生成方法和装置
CN112069412A (zh) 信息推荐方法、装置、计算机设备及存储介质
CN111815748A (zh) 一种动画处理方法、装置、存储介质及电子设备
CN110956131A (zh) 单目标追踪方法、装置及系统
US20220398283A1 (en) Method for fast and better tree search for reinforcement learning
CN115017413A (zh) 推荐方法、装置、计算设备及计算机存储介质
US11605001B2 (en) Weight demodulation for a generative neural network
WO2023240583A1 (zh) 一种跨媒体对应知识的生成方法和装置

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