CN114972910B - 图文识别模型的训练方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种图文识别模型的训练方法、装置、电子设备及存储介质，具体为计算机视觉和自然语言处理技术领域。具体实现方案为：获取初始样本图像，其中，初始样本图像对应初始样本文本，处理初始样本图像，以得到扩展样本图像，处理初始样本文本，以得到扩展样本文本，以及根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型。可以联合扩展样本图像和扩展样本文本训练初始图文识别模型以得到目标图文识别模型，有效提升图文识别模型训练效果，有效提升目标图文识别模型的泛化性和鲁棒性，提升图文识别模型执行图文识别任务时的准确性。

Description

图文识别模型的训练方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及计算机视觉和自然语言处理技术领域，尤其涉及一种图文识别模型的训练方法、装置、电子设备及存储介质。

背景技术

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，以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。

相关技术中，在训练图文识别模型时，通常使用关联性较弱的图文训练样本进行模型训练，影响模型训练效果。

发明内容

本公开提供了一种图文识别模型的训练方法、装置、电子设备、存储介质及计算机程序产品。

根据本公开的第一方面，提供了一种图文识别模型的训练方法，包括：获取初始样本图像，其中，所述初始样本图像对应初始样本文本；处理所述初始样本图像，以得到扩展样本图像；处理所述初始样本文本，以得到扩展样本文本；以及根据所述扩展样本图像和所述扩展样本文本训练初始图文识别模型，以得到目标图文识别模型。

根据本公开的第二方面，提供了一种图文识别方法，包括：获取待识别图像，其中，所述待识别图像对应待识别文本；将所述待识别图像和所述待识别文本输入至如本公开的第一方面所述的图文识别模型的训练方法训练得到的目标图文识别模型中，以得到所述目标图文识别模型输出的目标语义关系。

根据本公开的第三方面，提供了一种图文识别模型的训练装置，包括：第一获取模块，用于获取初始样本图像，其中，所述初始样本图像对应初始样本文本；第一处理模块，用于处理所述初始样本图像，以得到扩展样本图像；第二处理模块，用于处理所述初始样本文本，以得到扩展样本文本；以及训练模块，用于根据所述扩展样本图像和所述扩展样本文本训练初始图文识别模型，以得到目标图文识别模型。

根据本公开的第四方面，提供了一种图文识别装置，包括：第二获取模块，用于获取待识别图像，其中，所述待识别图像对应待识别文本；第二生成模块，用于将所述待识别图像和所述待识别文本输入至如本公开的第三方面所述的图文识别模型的训练装置训练得到的目标图文识别模型中，以得到所述目标图文识别模型输出的目标语义关系。

根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开第一方面实施例的图文识别模型的训练方法，或执行本公开第二方面实施例的图文识别方法。

根据本公开的第六方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开第一方面实施例的图文识别模型的训练方法，或执行本公开第二方面实施例的图文识别方法。

根据本公开的第七方面，提出了一种计算机程序产品，包括计算机程序，当计算机程序由处理器执行时实现本公开第一方面实施例的图文识别模型的训练方法，或执行本公开第二方面实施例的图文识别方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是本公开实施例中的图文识别模型训练方法的流程示意图；

图3是根据本公开第二实施例的示意图；

图4是根据本公开第三实施例的示意图；

图5是根据本公开第四实施例的示意图；

图6是根据本公开第五实施例的示意图；

图7是根据本公开第六实施例的示意图；

图8是根据本公开第七实施例的示意图；

图9是根据本公开第八实施例的示意图；

图10示出了可以用来实施本公开的实施例的图文识别模型的训练方法的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本公开第一实施例的示意图。

其中，需要说明的是，本实施例的图文识别模型的训练方法的执行主体为图文识别模型的训练装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

本公开实施例涉及人工智能技术领域，具体涉及计算机视觉和自然语言处理技术领域。

其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、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。

计算机视觉，计算机视觉是用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

自然语言处理(Natural Language Processing，NLP)，即计算机科学，人工智能，语言学关注计算机和人类(自然)语言之间的相互作用的领域。是以语言为对象，利用计算机技术来分析、理解和处理自然语言，即把计算机作为语言研究工具，在计算机的支持下对语言信息进行定量化的研究处理，并提供可供人与计算机之间能共同使用的语言描写。

如图1所示，该图文识别模型的训练方法，包括：

S101：获取初始样本图像，其中，初始样本图像对应初始样本文本。

其中，初始样本图像，是指未对初始样本图像进行图像处理前的图像，该初始样本图像可以为物体图像，例如，针对一种鸟类拍摄得到的图像，或者可以为包含多种物体的环境图像等，对此不做限制。

其中，初始样本图像，是指可以用于描述初始样本图像的图像内容的文本，初始样本图像对应初始样本文本。

本公开实施例中，在获取初始样本图像时，可以获取图像数据集，对图像数据集进行采样处理，以从图像数据集中选取图像作为初始样本图像，并获取初始样本图像的图像内容描述文本作为初始样本图像对应的初始样本文本，或者可以预先在图文识别模型的训练装置上配置图像采集装置，利用图像采集装置采集场景中的图像作为初始样本图像，采用图像语义识别模型获取图像内容描述文本为初始样本图像对应的初始样本文本。

另一些实施例中，在获取初始样本图像时，还可以在图文识别模型的训练装置上配置数据传输接口，经由该数据传输接口接收其他电子设备传输的图像作为初始样本图像，或者还可以采用其他任意可能的方式获取初始样本图像，对此不做限制。

S102：处理初始样本图像，以得到扩展样本图像。

其中，扩展样本图像，是指对初始样本图像进行扩展处理后得到的样本图像，可以采用多种扩展处理方式对初始样本图像进行处理，以得到对应的多种扩展样本图像，扩展处理方式，例如，对初始样本图像的图像颜色、纹理等图像风格进行改变，或者为对图像进行增强处理等，对此不做限制。

本公开实施例在上述获取初始样本图像之后，可以对初始样本图像进行处理，以得到处理后的图像作为扩展样本图像，以收集扩展样本图像用于图文识别模型的训练。

本公开实施例中，在处理初始样本图像，以得到扩展样本图像时，可以对初始样本图像的图像风格进行变换处理，可以对初始样本图像进行颜色变换，例如可以对初始样本图像的颜色进行变化，将初始样本图像处理为黑白样本图像或者灰度样本图像等，或者可以并将处理后的样本图像作为扩展样本图像。

另一些实施例中，在处理初始样本图像，以得到扩展样本图像时，可以根据初始样本图像对应的初始样本文本生成与初始样本图像内容相同，图像风格不同的样本图像，例如可以生成水墨画或者简笔画风格的初始样本图像，并将生成的样本图像作为扩展样本图像，或者可以对初始样本图像的进行局部特效处理，以得到局部特效处理后的图像作为扩展样本图像，或者还可以对初始样本图像进行增强处理以得到扩展样本图像，或者还可以采用其他任意可能的方式处理初始样本图像，以得到扩展样本图像，对此不做限制。

S103：处理初始样本文本，以得到扩展样本文本。

其中，扩展样本文本，是指对初始样本文本进行扩展处理后得到的样本文本，可以采用多种扩展处理方式对初始样本文本进行处理，以得到对应的多种扩展样本文本，扩展处理方式，例如，对初始样本文本进行扩展描写，或者采用文本检索的方式检索与初始样本文本高相似度的作为扩展样本文本，对此不做限制。

本公开实施例中，在处理初始样本文本，以得到扩展样本文本时，可以根据初始样本文本对应的初始样本图像对初始样本文本进行扩展描写，例如可以对初始样本图像中包含的局部物体进行罗列描述，并将描述文本合并至初始样本文本中，以得到合并处理后的样本文本作为扩展样本文本，或者可以对初始样本文本的内容描述进行改写，例如可以对初始样本文本中的描述语法、语序等进行改变，以获取改写处理后的样本文本作为扩展样本文本。

另一些实施例中，在处理初始样本文本，以得到扩展样本文本时，还可以对初始样本文本进行相似文本检索处理，以检索到与初始样本文本高相似度的文本作为扩展样本文本，举例而言，初始样本文本可以为“明天是个雨天”，检索得到与始样本文本高相似度的“明天要下雨”作为扩展样本文本，或者可以对初始样本文本进行文本回翻处理，以得到处理后的样本文本作为扩展样本文本，或者还可以采用其他任意可能的方式处理初始样本文本，以得到扩展样本文本，对此不做限制。

S104：根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型。

其中，图文识别模型，是指可以用于对图像和文本间的语义关联进行识别的人工智能处理模型，初始图文识别模型，是指未对搭建好的图像识别模型进行训练前的图文识别模型。

其中，目标图文识别模型，是指采用对比学习方式根据扩展样本图像和扩展样本文本训练将初始图文识别模型训练至收敛的图文识别模型，训练至收敛的目标图文模型可以执行图文识别处理任务，以提取图像和文本间的语义关联。

本公开实施例在上述处理初始样本图像，以得到扩展样本图像，并处理初始样本文本，以得到扩展样本文本之后，可以根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型。

本公开实施例中，在根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型时，可以将据扩展样本图像和扩展样本文本输入至初始的图文识别模型中，采用对比学习的方式，对多个扩展样本图像和扩展样本文本进行跨模态的相关性学习，以通过学习扩展样本图像和扩展样本文本间的知识相关性训练初始图文识别模型，以得到训练后泛化性较高的图文识别模型作为目标图文识别模型。

另一些实施例中，在根据扩展样本图像和扩展样本文本训练初始图文识别模型时，可以从多个扩展样本图像和扩展样本文本中。随机选取一个扩展样本图像和一个扩展样本文本组成扩展样本图文对，以生成多个扩展样本图文对对初始图文识别模型进行多次迭代训练，每次迭代训练选取一组扩展样本图文对对初始图文识别模型进行训练，迭代更新模型参数，直至模型收敛，并将训练至收敛的模型作为目标图文识别模型，或者还可以采用其他任意可能的方式根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型，对此不做限制。

举例而言，如图2所示，图2是本公开实施例中的图文识别模型训练方法的流程示意图，可以分别收集多个扩展样本图像和扩展样本文本，而后可以采用对比学习的方式，随机选取一个扩展样本图像和扩展样本文本作为训练图文对，并经由图像编码器对扩展样本图像进行特征提取，经由文本编码器对扩展样本文本进行特征提取，以对图文识别模型进行训练，对图文识别模型进行多次迭代训练，更新模型参数，直至模型收敛，并将训练至收敛的图文识别模型作为目标图文识别模型。

本实施例中，通过获取初始样本图像，处理初始样本图像，以得到扩展样本图像，处理初始样本文本，以得到扩展样本文本，根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型，可以联合扩展样本图像和扩展样本文本训练初始图文识别模型以得到目标图文识别模型，有效提升图，文识别模型训练效果，有效提升目标图文识别模型的泛化性和鲁棒性，提升图文识别模型执行图文识别任务时的准确性。

图3是根据本公开第二实施例的示意图。

如图3所示，该图文识别模型的训练方法，包括：

S301：获取初始样本图像，其中，初始样本图像对应初始样本文本。

S301的描述说明可以示例参见上述实施例，在此不再赘述。

S302：确定初始样本图像的初始图像语义。

其中，初始图像语义，是指可以对初始样本图像的图像内容进行描述的信息。

本公开实施例在获取初始样本图像之后，可以确定初始样本图像的初始图像语义。

本公开实施例中，在确定初始样本图像的初始图像语义时，可以将图像输入至语义特征提取模型中，利用语义特征提取模型对初始样本图像的图像语义进行提取，并将语义特征提取模型的输出的语义信息作为初始样本图像的初始图像语义，以确定初始样本图像的初始图像语义。

S303：根据初始图像语义，确定初始文本语义。

其中，初始文本语义，是指初始图像对应的内容描述文本的语义信息。

本公开实施例在上述确定初始样本图像的初始图像语义之后，可以根据初始图像语义，确定初始文本语义。

本公开实施例中，在根据初始图像语义，确定初始文本语义时，可以对初始图像语义进行分析处理，以从初始图像语义中分析得到可以用于生成初始图像语义对应的内容描述文本的语义信息，并将分析得到的文本语义信息作为初始文本语义。

S304：生成与初始文本语义所对应样本文本，并将所对应样本文本作为初始样本文本。

本公开实施例在上述确定初始样本图像的初始图像语义，并根据初始图像语义，确定初始文本语义之后，可以生成与初始文本语义所对应样本文本，可以根据初始文本语义中包含的语义信息与自然语言语法规则，生成与初始文本语义所对应的样本文本，并将所对应样本文本作为初始样本文本。

本实施例中，通过确定初始样本图像的初始图像语义，根据初始图像语义，确定初始文本语义，并生成与初始文本语义所对应样本文本，并将所对应样本文本作为初始样本文本，从而可以获取与初始样本图像对应的初始样本文本，由于初始样本文本可以被扩展处理为扩展样本文本用于训练图文识别处理模型，从而保证获取得到的扩展样本文本可以与初始样本图像具有对应的匹配关系，保证训练样本获取的准确性。

S305：确定目标视觉特征。

其中，目标视觉特征，是指对初始样本图像进行扩展处理后得到的扩展样本图像的视觉特征，该目标视觉特征例如可以为彩色视觉特征或者黑白视觉特征等，或者可以为扩展样本的纹理视觉特征等，对此不做限制。

本公开实施例中，在确定目标视觉特征时，可以确定对初始样本图像进行修改的预期图像格式，根据预期图像格式确定对应的目标视觉特征，例如当将初始样本图像处理为黑白样本图像时，可以确定黑白视觉特征为目标视觉特征，当将初始样本图像处理为彩色样本图像时，可以确定彩色视觉特征为目标视觉特征，对此不做限制。

可选地，一些实施例中，在确定目标视觉特征时，可以确定视觉模态类型，获取视觉模态类型所描述图像的视觉特征，并将所描述图像的视觉特征作为目标视觉特征，从而可以确定多种视觉模态类型用于处理得到目标视觉特征，从而可以获取针对不同视觉模态类型的多种目标视觉特征，由于目标视觉特征可以用于处理初始样本图像以得到扩展样本图像，从而可以获取较为丰富的可扩展样本图像训练图文识别模型，保证图文识别模型的训练效果。

其中，视觉模态类型，是指对初始样本图像进行修改的图像风格的类型，视觉模态类型，例如，颜色模态类型、纹理模态类型或者特效模态类型等，对此不做限制。

本公开实施例中，在确定目标视觉特征时，可以确定视觉模态类型，可以确定对初始样本图像进行扩展的修改方式，例如可以对初始样本图像进行颜色更改、纹理更改或者对初始样本图像进行局部特效处理等，则可以将颜色模态类型、纹理模态类型以及特效模态类型作为视觉模态类型。

本公开实施例在上述确定目标视觉特征之后，可以获取视觉模态类型所描述图像的视觉特征，例如可以针对颜色模态类型获取对应的黑白视觉特征和彩色视觉特征等作为所描述图像的视觉特征，或者可以获取特效模态类型对应的水墨画视觉特征以及简笔画视觉特征等作为所描述图像的视觉特征，还可以获取纹理模态类型对应的光滑纹理视觉特征以及粗糙纹理视觉特征等作为所描述图像的视觉特征，并将所描述图像的视觉特征作为目标视觉特征。

S306：确定初始样本图像的初始视觉特征。

其中，初始视觉特征，是指未对初始样本图像进行处理前可以用于描述图像视觉信息的数据特征，初始视觉特征例如可以为初始样本图像的颜色特征和纹理特征等，对此不做限制。

本公开实施例中，在确定初始样本图像的初始视觉特征时，可以将初始样本图像输入至图像处理模型中进行像素分析处理，以获取初始样本图像对应的颜色数据特征和纹理数据特征等，并将获取到的颜色数据特征和纹理数据特征作为初始样本图像的初始视觉特征，或者还可以确定初始样本图像中的局部图像特效视觉特征，将初始样本图像对应的颜色数据特征、纹理数据特征以及局部图像特效视觉特征共同作为初始视觉特征。

S307：将初始样本图像的初始视觉特征调整为目标视觉特征，以得到扩展样本图像。

本公开实施例在上述确定目标视觉特征，并确定初始样本图像的初始视觉特征之后，可以将初始样本图像的初始视觉特征调整为目标视觉特征，以得到扩展样本图像。

本公开实施例中，在将初始样本图像的初始视觉特征调整为目标视觉特征时，可以根据目标视觉特征对初始样本图像的图像内容进行调整，并将调整处理后的样本图像作为扩展样本图像。

举例而言，当初始样本图像为彩色图像时，则初始样本图像的初始视觉特征为彩色视觉特征，可以确定黑白视觉特征作为目标视觉特征，则在将初始样本图像的初始视觉特征调整为目标视觉特征时，可以对初始样本图像黑白颜色转换处理，以将初始样本图像的彩色视觉特征调整为黑白视觉特征，并将特征调整处理后的样本图像作为扩展样本图像。

本实施例中，通过确定目标视觉特征，确定初始样本图像的初始视觉特征，将初始样本图像的初始视觉特征调整为目标视觉特征，以得到扩展样本图像，从而可以实现对初始样本图像视觉特征的调整以获取扩展样本图像，针对图像视觉创建的视角，收集较为广泛的视觉特征各异的扩展样本图像对图文识别模型进行训练，增强图文识别模型进行图文关联时的视觉关联处理能力。

可选地，一些实施例中，在将初始样本图像的初始视觉特征调整为目标视觉特征，以得到扩展样本图像时，可以从初始样本图像中确定初始视觉特征所描述图像内容，根据目标视觉特征描述初始样本图像中的图像内容，以得到扩展样本图像，从而可以根据目标视觉特征对初始样本图像的图像内容进行描述以得到扩展样本图像，由于目标视觉特征是对图像的视觉风格进行修改，从而可以避免对图像的语义内容进行修改，保证处理后的扩展样本图像与扩展样本文本的语义关联，保证训练样本获取的准确性。

本公开实施例中，在将初始样本图像的初始视觉特征调整为目标视觉特征，以得到扩展样本图像时，可以对初始图像样本的图像内容进行分析处理，以从初始样本图像中确定初始视觉特征所描述图像内容，根据目标视觉特征对初始样本图像中的图像内容的图像风格进行调整，以根据目标视觉特征对初始样本图像中的图像内容进行描述，将调整描述处理后的图像作为扩展样本图像。

S308：确定目标文本特征。

其中，目标文本特征，是指可以对扩展样本文本的文本语义进行描述的数据特征，该目标文本特征可以用于表征对扩展样本文本的文本描述详细度或者可以表征扩展样本文本与初始样本文本的相似度。

本公开实施例中，在确定目标文本特征时，可以确认对初始样本文本进行扩展处理时的扩展处理方式，该扩展处理方式可以为对初始样本文本进行细节扩充描写，则可以确定扩充处理后的文本描述详细度特征作为目标文本特征，或者可以为采用相似文本检索的方式对初始样本文本进行相似文本检索，将相似文本检索的相似度特征作为目标文本特征，或者还可以采用其他任意可能的方式确定目标文本特征，对此不做限制。

S309：根据目标文本特征处理初始样本文本，以得到扩展样本文本。

本公开实施例在上述确定目标文本特征之后，可以根据目标文本特征处理初始样本文本，以得到扩展样本文本。

本公开实施例中，在根据目标文本特征处理初始样本文本，以得到扩展样本文本时，可以采用相似文本检索的方式，根据目标文本特征中的相似度特征检索与初始样本文本满足对应相似度的文本，并将检索到的文本作为扩展样本文本。

另一些实施例中，可以根据目标文本特征中的文本描述详细度特征对对初始样本文本进行扩充描写，将扩充处理后的样本文本作为扩展样本文本，或者可以对初始样本图像进行图像标签识别和物体检测处理，根据联合目标文本特征与检测到的图像标签、图像中的物体信息生成图像描述文本，并将生成的图像描述文本作为扩展样本文本，或者还可以采用其他任意可能的方式根据目标文本特征处理初始样本文本，以得到扩展样本文本，对此不做限制。

本实施例中，通过确定目标文本特征，根据目标文本特征处理初始样本文本，以得到扩展样本文本，由于目标文本特征可以表征对初始样本文本的处理方式，从而可以保证根据目标文本特征处理得到的扩展样本文本不会改变原本的图像语义，保证处理后的扩展样本文本与扩展样本图像的语义关联，保证训练样本获取的准确性。

S310：根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型。

S310的描述说明可以示例参见上述实施例，在此不再赘述。

本实施例中，通过获取初始样本图像，处理初始样本图像，以得到扩展样本图像，处理初始样本文本，以得到扩展样本文本，根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型，可以联合扩展样本图像和扩展样本文本训练初始图文识别模型以得到目标图文识别模型，有效提升图文识别模型训练效果，有效提升目标图文识别模型的泛化性和鲁棒性，提升图文识别模型执行图文识别任务时的准确性，通过确定初始样本图像的初始图像语义，根据初始图像语义，确定初始文本语义，并生成与初始文本语义所对应样本文本，并将所对应样本文本作为初始样本文本，从而可以获取与初始样本图像对应的初始样本文本，由于初始样本文本可以被扩展处理为扩展样本文本用于训练图文识别处理模型，从而保证获取得到的扩展样本文本可以与初始样本图像具有对应的匹配关系，保证训练样本获取的准确性，本实施例中，通过确定目标视觉特征，确定初始样本图像的初始视觉特征，将初始样本图像的初始视觉特征调整为目标视觉特征，以得到扩展样本图像，从而可以实现对初始样本图像视觉特征的调整以获取扩展样本图像，针对图像视觉创建的视角，收集较为广泛的视觉特征各异的扩展样本图像对图文识别模型进行训练，增强图文识别模型进行图文关联时的视觉关联处理能力，通过确定目标文本特征，根据目标文本特征处理初始样本文本，以得到扩展样本文本，由于目标文本特征可以表征对初始样本文本的处理方式，从而可以保证根据目标文本特征处理得到的扩展样本文本不会改变原本的图像语义，保证处理后的扩展样本文本与扩展样本图像的语义关联，保证训练样本获取的准确性。

图4是根据本公开第三实施例的示意图。

如图4所示，该图文识别模型的训练方法，包括：

S401：获取初始样本图像，其中，初始样本图像对应初始样本文本。

S402：确定初始样本图像的初始图像语义。

S403：根据初始图像语义，确定初始文本语义。

S404：生成与初始文本语义所对应样本文本，并将所对应样本文本作为初始样本文本。

S405：处理初始样本图像，以得到扩展样本图像。

S406：确定目标文本特征。

S401-S406的描述说明可以示例参见上述实施例，在此不再赘述。

可选地，一些实施例中，在确定目标文本特征时，可以确定文本模态类型，获取文本模态类型所描述文本的文本特征，并将所描述文本的文本特征作为目标文本特征，从而可以确定多种文本模态类型用于处理得到目标文本特征，从而可以获取针对不同文本模态类型的多种文本视觉特征，由于目标文本特征可以用于处理初始样本文本以得到扩展样本文本，从而可以获取较为丰富的可扩展样本文本训练图文识别模型，保证图文识别模型的训练效果。

其中，文本模态类型，可以指对初始样本文本进行扩展时的修改方式类型，该文本模态类型例如可以为一般性描述文本模态类型或者局部物体罗列描述文本模态类型等，对此不做限制。

举例而言，一般性描述文本可以为“行人正在横穿马路”，局部物体罗列描述文本可以为“这张图像包含蓝色的天空，红色的车，绿色的标志牌，灰色的车道以及行人”，还可以在局部物体罗列描述文本的基础上进行进一步的细致描述，对此不做限制。

本公开实施例中，在确定目标文本特征时，可以确定一般性描述文本类型或者局部物体罗列描述文本模态类型等作为文本模态类型，而后可以获取文本模态类型所描述文本的文本特征，并将所描述文本的文本特征作为目标文本特征。

S407：获取初始样本文本的初始文本特征。

其中，初始文本特征，是指可以对初始样本文本的语义进行描述的数据特征。

本公开实施例中，在获取初始样本文本的初始文本特征时，可以将初始样本文本输入至文本特征提取模型中，利用文本特征提取模型对初始样本文本进行特征提取，以得到文本特征提取模型的输出结果，将文本特征提取模型的输出结果作为初始样本文本的初始文本特征。

S408：将初始样本文本的初始文本特征调整为目标文本特征，以得到扩展样本文本。

本公开实施例在上述确定目标文本特征，并获取初始样本文本的初始文本特征之后，可以将初始样本文本的初始文本特征调整为目标文本特征，以得到扩展样本文本。

本公开实施例中，在将初始样本文本的初始文本特征调整为目标文本特征时，可以根据目标文本特征对初始样本文本的文本描述内容进行调整，以实现将初始样本文本的初始文本特征调整为目标文本特征，以得到扩展样本文本。

本实施例中，通过获取初始样本文本的初始文本特征，将初始样本文本的初始文本特征调整为目标文本特征，以得到扩展样本文本，从而可以根据目标文本特征对初始样本文本的文本特征进行调整，以得到扩展样本文本，从而可以保证对初始样本文本的正确调整，保证获取的扩展样本文本的准确性。

可选地，一些实施例中，在根据目标文本特征处理初始样本文本，以得到扩展样本文本时，可以根据目标文本特征处理初始样本文本的初始文本语义，以得到所处理文本语义，根据所处理文本语义，生成扩展样本文本，从而可以根据多种所处理文本语义，生成多种扩展样本文本，有效提升扩展样本文本的丰富性，由于扩展样本文本可以用于训练图文识别模型，从而可以辅助提升图文识别模型的训练效果，提升训练得到的图文识别模型的泛化性。

其中，初始文本语义，可以用于描述初始样本文本的描述内容的信息。

其中，所处理文本语义，是指根据目标文本特征对初始文本语义进行处理后得到的文本语义。

本公开实施例中，在根据目标文本特征处理初始样本文本，以得到扩展样本文本时，可以根据目标文本特征所表征的文本修改方式，对初始文本语义进行处理，以得到所处理文本语义，而后可以根据所处理文本语义生成对应的样本文本，并将生成的样本文本作为扩展样本文本。

S409：根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型。

S409的描述说明可以示例参见上述实施例，在此不再赘述。

本实施例中，通过获取初始样本图像，处理初始样本图像，以得到扩展样本图像，处理初始样本文本，以得到扩展样本文本，根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型，可以联合扩展样本图像和扩展样本文本训练初始图文识别模型以得到目标图文识别模型，有效提升图文识别模型训练效果，有效提升目标图文识别模型的泛化性和鲁棒性，提升图文识别模型执行图文识别任务时的准确性，通过获取初始样本文本的初始文本特征，将初始样本文本的初始文本特征调整为目标文本特征，以得到扩展样本文本，从而可以根据目标文本特征对初始样本文本的文本特征进行调整，以得到扩展样本文本，从而可以保证对初始样本文本的正确调整，保证获取的扩展样本文本的准确性。

图5是根据本公开第四实施例的示意图。

如图5所示，该图文识别模型的训练方法，包括：

S501：获取初始样本图像，其中，初始样本图像对应初始样本文本。

S502：处理初始样本图像，以得到扩展样本图像。

S503：处理初始样本文本，以得到扩展样本文本。

S501-S503的描述说明可以示例参见上述实施例，在此不再赘述。

S504：获取扩展样本图像和扩展样本文本之间的标注语义关系。

其中，标注语义关系，是指预先对扩展样本图像和扩展样本文本之间的关联关系进行标注处理后得到的标注信息。

本公开实施例中，在获取扩展样本图像和扩展样本文本之间的标注语义关系时，可以对从多个扩展样本图像和扩展样本文本随机选取一个扩展样本图像和一个扩展样本文本组成图文对，对图文对之间的语义关联关系进行标注处理，以获取扩展样本图像和扩展样本文本之间的标注语义关系。

S505：将扩展样本图像和扩展样本文本输入至初始图文识别模型之中，以得到初始图文识别模型输出的预测语义关系。

本公开实施例在上述处理初始样本图像，以得到扩展样本图像，并处理初始样本文本，以得到扩展样本文本之后，可以将扩展样本图像和扩展样本文本输入至初始图文识别模型之中，利用扩展样本图像和扩展样本文本对初始图文识别模型进行训练，利用初始图文识别模型对扩展样本图像和扩展样本文本对之间的语义关系进行预测处理，以得到初始图文识别模型输出的预测语义关系。

S506：如果预测语义关系和标注语义关系之间满足收敛条件，则将训练所得图文识别模型作为目标图文识别模型。

其中，收敛条件，是指预先针对预测语义关系和标注语义关系设置的判断条件，如果预测语义关系和标注语义关系之间满足收敛条件则可以将训练所得图文识别模型作为目标图文识别模型，收敛条件可以设置为预测语义关系识别出的图文关联关系是否与标注语义关系识别出的图文关联关系相同，或者可以针对预测语义关系和标注语义关系适应性的设置收敛条件，对此不做限制。

本公开实施例在上述获取扩展样本图像和扩展样本文本之间的标注语义关系，并将扩展样本图像和扩展样本文本输入至初始图文识别模型之中，以得到初始图文识别模型输出的预测语义关系之后，可以判断预测义关系和标注语义关系之间是否满足收敛条件，如果预测语义关系和标注语义关系之间满足收敛条件，则将训练所得图文识别模型作为目标图文识别模型。

本公开实施例中，在判断预测义关系和标注语义关系之间是否满足收敛条件时，可以对预测语义关系识别出图文对的图文关联关系是否与标注语义关系识别出对应图文对的图文关联关系相同，如果相同，则表明预测语义关系和标注语义关系之间满足收敛条件，将训练所得图文识别模型作为目标图文识别模型。

本实施例中，通过获取扩展样本图像和扩展样本文本之间的标注语义关系，将扩展样本图像和扩展样本文本输入至初始图文识别模型之中，以得到初始图文识别模型输出的预测语义关系，如果预测语义关系和标注语义关系之间满足收敛条件，则将训练所得图文识别模型作为目标图文识别模型，从而可以根据收敛条件对训练所得图文识别模型是否收敛进行判断，以得到训练至收敛的图文识别模型作为目标图文识别模型，从而可以保证目标图文识别模型的图文识别性能，保证目标图文识别模型执行图文关联识别时的准确性。

本公开实施例中，在得到训练至收敛的图文识别模型之后，可以将训练所得图文识别模型应用至下游任务(该下游任务具体例如为图文检索任务)中，对训练所得图文识别模型在下游任务场景下进行初始化处理，利用下游任务的训练数据对训练所得图文识别模型进行精调处理，将精调处理后的图文识别模型作为目标图文识别模型。

本实施例中，通过获取初始样本图像，处理初始样本图像，以得到扩展样本图像，处理初始样本文本，以得到扩展样本文本，根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型，可以联合扩展样本图像和扩展样本文本训练初始图文识别模型以得到目标图文识别模型，有效提升图文识别模型训练效果，有效提升目标图文识别模型的泛化性和鲁棒性，提升图文识别模型执行图文识别任务时的准确性，通过获取扩展样本图像和扩展样本文本之间的标注语义关系，将扩展样本图像和扩展样本文本输入至初始图文识别模型之中，以得到初始图文识别模型输出的预测语义关系，如果预测语义关系和标注语义关系之间满足收敛条件，则将训练所得图文识别模型作为目标图文识别模型，从而可以根据收敛条件对训练所得图文识别模型是否收敛进行判断，以得到训练至收敛的图文识别模型作为目标图文识别模型，从而可以保证目标图文识别模型的图文识别性能，保证目标图文识别模型执行图文关联识别时的准确性。

图6是根据本公开第五实施例的示意图。

如图6所示，该图文识别方法，包括：

S601：获取待识别图像，其中，待识别图像对应待识别文本。

其中，待对其进行图文关联识别处理的图像，待识别图像对应待识别文本。

其中，待识别文本，是指待对其进行图文关联识别处理的文本，待识别文本可以为对待识别图像的描述文本。

本公开实施例中，在获取待识别图像时，可以获取图文检索任务中的待识别图像，并获取与待识别图像对应的待识别文本，或者可以预先在图文识别装置上配置图像采集装置，利用图像采集装置采集场景中的图像作为待识别图像，并对待识别图像进行文本描述处理，以获取待识别图像对应的待识别文本。

另一些实施例中，在获取待识别图像时，还可以在图文识别装置上配置数据传输接口，经由该数据传输接口接收其他电子设备传输的图像作为待识别图像，接收与待识别图像对应的待识别文本，或者还可以采用其他任意可能的方式获取待识别图像，对此不做限制。

S602：将待识别图像和待识别文本输入至如上述实施例中的图文识别模型的训练方法训练得到的目标图文识别模型中，以得到目标图文识别模型输出的目标语义关系。

本公开实施例在上述获取待识别图像并获取待识别图像对应的待识别文本之后，可以将待识别图像和待识别文本输入至目标图文识别模型中，利用目标图文识别模型对待识别图像和待识别文本进行图文识别处理，以提取待识别图像和待识别文本间的语义关联关系，并将待识别图像和待识别文本间的语义关联关系作为目标图文识别模型输出的目标语义关系。

本实施例中，通过获取待识别图像，将待识别图像和待识别文本输入至如上述实施例中的图文识别模型的训练方法训练得到的目标图文识别模型中，以得到目标图文识别模型输出的目标语义关系，由于目标图文识别模型是经由图文识别模型的训练方法训练得到的，具有较强泛化能力的图文识别模型，从而可以有效提升识别输出的待识别图像和待识别文本的语义关系的准确性。

图7是根据本公开第六实施例的示意图。

如图7所示，该图文识别模型的训练装置70，包括：

第一获取模块701，用于获取初始样本图像，其中，初始样本图像对应初始样本文本；

第一处理模块702，用于处理初始样本图像，以得到扩展样本图像；

第二处理模块703，用于处理初始样本文本，以得到扩展样本文本；以及

训练模块704，用于根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型。

在本公开的一些实施例中，如图8所示，图8是根据本公开第七实施例的示意图，该图文识别模型的训练装置80，包括：第一获取模块801，第一处理模块802，第二处理模块803，训练模块804，其中，还包括：

第一确定模块805，用于在获取初始样本图像之后，确定初始样本图像的初始图像语义；

第二确定模块806，用于根据初始图像语义，确定初始文本语义；以及

第一生成模块807，用于生成与初始文本语义所对应样本文本，并将所对应样本文本作为初始样本文本。

在本公开的一些实施例中，其中，第一处理模块802，包括：

第一确定子模块8021，用于确定目标视觉特征；

第二确定子模块8022，用于确定初始样本图像的初始视觉特征；

调整子模块8023，用于将初始样本图像的初始视觉特征调整为目标视觉特征，以得到扩展样本图像。

在本公开的一些实施例中，其中，调整子模块8023，具体用于：

从初始样本图像中确定初始视觉特征所描述图像内容；

根据目标视觉特征描述初始样本图像中的图像内容，以得到扩展样本图像。

在本公开的一些实施例中，其中，第一确定子模块8021，具体用于：

确定视觉模态类型；

获取视觉模态类型所描述图像的视觉特征，并将所描述图像的视觉特征作为目标视觉特征。

在本公开的一些实施例中，其中，第二处理模块803，具体用于：

确定目标文本特征；

根据目标文本特征处理初始样本文本，以得到扩展样本文本。

在本公开的一些实施例中，其中，第二处理模块803，还用于：

确定文本模态类型；

获取文本模态类型所描述文本的文本特征，并将所描述文本的文本特征作为目标文本特征。

在本公开的一些实施例中，其中，第二处理模块803，还用于：

获取初始样本文本的初始文本特征；

将初始样本文本的初始文本特征调整为目标文本特征，以得到扩展样本文本。

在本公开的一些实施例中，其中，第二处理模块803，还用于：

根据目标文本特征处理初始样本文本的初始文本语义，以得到所处理文本语义；

根据所处理文本语义，生成扩展样本文本。

在本公开的一些实施例中，其中，训练模块804，具体用于：

获取扩展样本图像和扩展样本文本之间的标注语义关系；

将扩展样本图像和扩展样本文本输入至初始图文识别模型之中，以得到初始图文识别模型输出的预测语义关系；

如果预测语义关系和标注语义关系之间满足收敛条件，则将训练所得图文识别模型作为目标图文识别模型。

可以理解的是，本实施例附图8中的图文识别模型的训练装置80与上述实施例中的图文识别模型的训练装置70，第一获取模块801与上述实施例中的第一获取模块701，第一处理模块802与上述实施例中的第一处理模块702，第二处理模块803与上述实施例中的第二处理模块703，训练模块804与上述实施例中的训练模块704可以具有相同的功能和结构。

需要说明的是，前述对图像识别模型的训练方法的解释说明也适用于本实施例的图像识别模型的训练装置，在此不再赘述。

本实施例中，通过获取初始样本图像，处理初始样本图像，以得到扩展样本图像，处理初始样本文本，以得到扩展样本文本，根据扩展样本图像和扩展样本文本训练初始图文识别模型，以得到目标图文识别模型，可以联合扩展样本图像和扩展样本文本训练初始图文识别模型以得到目标图文识别模型，有效提升图文识别模型训练效果，有效提升目标图文识别模型的泛化性和鲁棒性，提升图文识别模型执行图文识别任务时的准确性。

图9是根据本公开第八实施例的示意图。

如图9所示，该图文识别装置90，包括：

第二获取模块901，用于获取待识别图像，其中，待识别图像对应待识别文本；

第二生成模块802，用于将待识别图像和待识别文本输入至如本公开上述实施例中所述图文识别模型的训练装置训练得到的目标图文识别模型中，以得到目标图文识别模型输出的目标语义关系。

需要说明的是，前述对图像识别方法的解释说明也适用于本实施例的图像识别装置，在此不再赘述。

本实施例中，通过获取待识别图像，将待识别图像和待识别文本输入至如上述实施例中的图文识别模型的训练方法训练得到的目标图文识别模型中，以得到目标图文识别模型输出的目标语义关系，由于目标图文识别模型是经由图文识别模型的训练方法训练得到的，具有较强泛化能力的图文识别模型，从而可以有效提升识别输出的待识别图像和待识别文本的语义关系的准确性。

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10示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理，例如图文识别模型的训练方法或者图文识别方法。例如，在一些实施例中，图文识别模型的训练方法或者图文识别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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的图文识别模型的训练方法的一个或多个步骤，或者图文识别方法的一个或者多个步骤。备选地，在其他实施例中，计算单元1001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识别模型的训练方法或者图文识别方法。

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数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。

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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本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 (16)

1.一种图文识别模型的训练方法，包括：

获取初始样本图像，其中，所述初始样本图像对应初始样本文本；

处理所述初始样本图像，以得到扩展样本图像；

处理所述初始样本文本，以得到扩展样本文本；以及

获取所述扩展样本图像和所述扩展样本文本之间的标注语义关系；

将所述扩展样本图像和所述扩展样本文本输入至初始图文识别模型之中，以得到所述初始图文识别模型输出的预测语义关系；

如果所述预测语义关系和所述标注语义关系之间满足收敛条件，则将训练所得图文识别模型作为目标图文识别模型；

在所述获取初始样本图像之后，还包括：

确定所述初始样本图像的初始图像语义；

根据所述初始图像语义，确定初始文本语义；以及

生成与所述初始文本语义所对应样本文本，并将所述所对应样本文本作为所述初始样本文本；

所述处理所述初始样本文本，以得到扩展样本文本，包括：

确定目标文本特征，所述目标文本特征用于表征对所述扩展样本文本的文本描述详细度；

根据所述目标文本特征处理所述初始样本文本，以得到所述扩展样本文本；

所述确定目标文本特征包括：

对所述初始样本文本进行细节扩充描写，将扩充描写处理后的文本描述详细度特征作为所述目标文本特征；

所述处理所述初始样本图像，以得到扩展样本图像，包括：

确定目标视觉特征；

确定所述初始样本图像的初始视觉特征；以及

将所述初始样本图像的初始视觉特征调整为所述目标视觉特征，以得到所述扩展样本图像。

2.根据权利要求1所述的方法，其中，所述将所述初始样本图像的初始视觉特征调整为所述目标视觉特征，以得到所述扩展样本图像，包括：

从所述初始样本图像中确定所述初始视觉特征所描述图像内容；

根据所述目标视觉特征描述所述初始样本图像中的所述图像内容，以得到所述扩展样本图像。

3.根据权利要求1所述的方法，其中，所述确定目标视觉特征，包括：

确定视觉模态类型；

获取所述视觉模态类型所描述图像的视觉特征，并将所述所描述图像的视觉特征作为所述目标视觉特征。

4.根据权利要求1所述的方法，其中，所述确定目标文本特征，包括：

确定文本模态类型；

获取所述文本模态类型所描述文本的文本特征，并将所述所描述文本的文本特征作为所述目标文本特征。

5.根据权利要求1所述的方法，其中，所述根据所述目标文本特征处理所述初始样本文本，以得到所述扩展样本文本，包括：

获取所述初始样本文本的初始文本特征；

将所述初始样本文本的初始文本特征调整为所述目标文本特征，以得到所述扩展样本文本。

6.根据权利要求1所述的方法，其中，所述根据所述目标文本特征处理所述初始样本文本，以得到所述扩展样本文本，包括：

根据所述目标文本特征处理所述初始样本文本的初始文本语义，以得到所处理文本语义；

根据所述所处理文本语义，生成所述扩展样本文本。

7.一种图文识别方法，包括：

获取待识别图像，其中，所述待识别图像对应待识别文本；

将所述待识别图像和所述待识别文本输入至如上述权利要求1-6任一项所述的图文识别模型的训练方法训练得到的目标图文识别模型中，以得到所述目标图文识别模型输出的目标语义关系。

8.一种图文识别模型的训练装置，包括：

第一获取模块，用于获取初始样本图像，其中，所述初始样本图像对应初始样本文本；

第一处理模块，用于处理所述初始样本图像，以得到扩展样本图像；

第二处理模块，用于处理所述初始样本文本，以得到扩展样本文本；以及

训练模块，用于获取所述扩展样本图像和所述扩展样本文本之间的标注语义关系；将所述扩展样本图像和所述扩展样本文本输入至初始图文识别模型之中，以得到所述初始图文识别模型输出的预测语义关系；如果所述预测语义关系和所述标注语义关系之间满足收敛条件，则将训练所得图文识别模型作为目标图文识别模型；

所述装置还包括：

第一确定模块，用于在所述获取初始样本图像之后，确定所述初始样本图像的初始图像语义；

第二确定模块，用于根据所述初始图像语义，确定初始文本语义；以及

第一生成模块，用于生成与所述初始文本语义所对应样本文本，并将所述所对应样本文本作为所述初始样本文本；

所述第二处理模块，具体用于：

确定目标文本特征，所述目标文本特征用于表征对所述扩展样本文本的文本描述详细度；

根据所述目标文本特征处理所述初始样本文本，以得到所述扩展样本文本；

所述确定目标文本特征包括：

对所述初始样本文本进行细节扩充描写，将扩充描写处理后的文本描述详细度特征作为所述目标文本特征；

所述第一处理模块，包括：

第一确定子模块，用于确定目标视觉特征；

第二确定子模块，用于确定所述初始样本图像的初始视觉特征；以及

调整子模块，用于将所述初始样本图像的初始视觉特征调整为所述目标视觉特征，以得到所述扩展样本图像。

9.根据权利要求8所述的装置，其中，所述调整子模块，具体用于：

从所述初始样本图像中确定所述初始视觉特征所描述图像内容；

根据所述目标视觉特征描述所述初始样本图像中的所述图像内容，以得到所述扩展样本图像。

10.根据权利要求8所述的装置，其中，所述第一确定子模块，具体用于：

确定视觉模态类型；

获取所述视觉模态类型所描述图像的视觉特征，并将所述所描述图像的视觉特征作为所述目标视觉特征。

11.根据权利要求8所述的装置，其中，所述第二处理模块，还用于：

确定文本模态类型；

获取所述文本模态类型所描述文本的文本特征，并将所述所描述文本的文本特征作为所述目标文本特征。

12.根据权利要求8所述的装置，其中，所述第二处理模块，还用于：

获取所述初始样本文本的初始文本特征；

将所述初始样本文本的初始文本特征调整为所述目标文本特征，以得到所述扩展样本文本。

13.根据权利要求8所述的装置，其中，所述第二处理模块，还用于：

根据所述目标文本特征处理所述初始样本文本的初始文本语义，以得到所处理文本语义；

根据所述所处理文本语义，生成所述扩展样本文本。

14.一种图文识别装置，包括：

第二获取模块，用于获取待识别图像，其中，所述待识别图像对应待识别文本；

第二生成模块，用于将所述待识别图像和所述待识别文本输入至如上述权利要求8-13任一项所述的图文识别模型的训练装置训练得到的目标图文识别模型中，以得到所述目标图文识别模型输出的目标语义关系。

15. 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1-6中任一项所述的方法，或者执行权利要求7所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法，或者执行权利要求7所述的方法。

Images