CN115249361A - 指示表达文本定位模型训练、装置、设备和介质 - Google Patents

指示表达文本定位模型训练、装置、设备和介质 Download PDF

Info

Publication number
CN115249361A
CN115249361A CN202210854508.2A CN202210854508A CN115249361A CN 115249361 A CN115249361 A CN 115249361A CN 202210854508 A CN202210854508 A CN 202210854508A CN 115249361 A CN115249361 A CN 115249361A
Authority
CN
China
Prior art keywords
network
training
visual
feature extraction
extraction network
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
CN202210854508.2A
Other languages
English (en)
Inventor
刘武
梅涛
瞿梦雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Shangke Information Technology Co Ltd
Priority to CN202210854508.2A priority Critical patent/CN115249361A/zh
Publication of CN115249361A publication Critical patent/CN115249361A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/1918—Fusion techniques, i.e. combining data from various sources, e.g. sensor fusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了指示表达文本定位模型训练、装置、设备和介质。该方法的一具体实施方式包括：初始化指示表达文本定位网络；利用训练样本集中的训练样本，对视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络进行初始化训练；利用训练样本集中的训练样本，对初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络进行重训练，对初始化训练后的解码定位网络进行初始化，得到指示表达文本定位模型。该实施方式与人工智能有关，实现了在不需要大规模训练数据的情况下模型优化。

Description

指示表达文本定位模型训练、装置、设备和介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及指示表达文本定位模型训练、装置、设备和介质。
背景技术
指示表达文本，也称为指代文本，是指描述图片中某一特定物体的语句。例如“穿着蓝色上衣的人”、“桌子左边的水杯”等。在各种人机交互场景下，需要通过指示表达文本向机器传达指令。此时，机器需要确定指示表达文本对应于图像中的目标，即指示表达文本定位。相关的指示表达文本定位模型，往往通过大量的样本对Transformer等结构进行预训练得到。
然而，当采用上述方式训练得到的指示表达文本定位模型时，经常会存在如下技术问题：
第一，大量的样本需求导致标注工作量大，且容易受到标注人员主观影响。
第二，如果直接使用有限数量的样本进行端到端的训练，又容易造成过拟合，进而导致模型预测准确率低。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了指示表达文本定位模型训练方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种指示表达文本定位模型训练方法，该方法包括：初始化指示表达文本定位网络，初始化后的指示表达文本定位网络包括视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络；利用训练样本集中的训练样本，对视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络进行初始化训练，得到初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络、初始化训练后的解码定位网络；利用训练样本集中的训练样本，对初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络进行重训练，对初始化训练后的解码定位网络进行初始化，得到指示表达文本定位模型。
第二方面，本公开的一些实施例提供了一种指示表达文本定位模型训练装置，包括：初始化单元，被配置成初始化指示表达文本定位网络，初始化后的指示表达文本定位网络包括视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络；初始化训练单元，被配置利用训练样本集中的训练样本，对视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络进行初始化训练，得到初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络、初始化训练后的解码定位网络；重训练单元，被配置利用训练样本集中的训练样本，对初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络进行重训练，对初始化训练后的解码定位网络进行初始化，得到指示表达文本定位模型。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过选择性重训练机制，驱动编码器学习更鲁棒的视觉语言表达。具体来说，在初始化训练后，对编码器所包括的视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络进行参数调整，与此同时，对解码定位网络进行初始化，从而迫使编码器提升感知视觉和语言的能力。基于这种机制，可以在不需要大规模训练数据的情况下完成模型训练。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的指示表达文本定位模型训练方法的一个应用场景的示意图；
图2是根据本公开的指示表达文本定位模型训练方法的一些实施例的流程图；
图3是根据本公开的一些实施例的指示表达文本定位模型训练方法的一个应用场景的示意图；
图4根据本公开的一些实施例的指示表达文本定位模型训练方法的另一个应用场景的示意图；
图5是根据本公开的指示表达文本定位模型训练装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的指示表达文本定位模型训练方法的一个应用场景的示意图。
如图所示，指示表达文本定位网络可以包括编码网络101和解码定位网络102。其中，编码网络包括视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络。在此基础上，可以首先进行利用训练样本集中的训练样本，对编码网络101和解码定位网络102进行初始化训练，得到初始化训练后的编码网络103、初始化训练后的解码定位网络104。利用训练样本集中的训练样本，对初始化训练后的编码网络103进行重训练，对初始化训练后的解码定位网络104进行初始化，得到指示表达文本定位模型。
继续参考图2，示出了根据本公开的指示表达文本定位模型训练方法的一些实施例的流程200。该指示表达文本定位模型训练方法，包括以下步骤：
步骤201，初始化指示表达文本定位网络，初始化后的指示表达文本定位网络包括视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络。
在一些实施例中，指示表达文本定位模型训练方法的执行主体可以初始化表达文本定位网络。根据需要，可以采用随机参数进行初始化或者采用预训练参数进行初始化。作为示例，初始化后的指示表达文本定位网络所包括各个网络的参数分别用V0、L0、E0、D0来表示。
作为示例，对于视觉特征提取网络和语言特征提取网络可以采用预训练参数进行初始化，而对于视觉语言特征融合网络和解码定位网络可以采用随机初始化。在此过程中，通过采用预训练参数，可以确保视觉特征提取网络和语言特征提取网络已经具备一定的特征提取能力，有助于模型优化。实践中，预训练参数可以从开源的神经网络库中获取，也可以是本地进行预训练得到的。预训练参数可以是基于多种任务预训练得到的。例如，视觉特征提取网络的预训练参数可以基于图像分类、图像识别等各种任务得到的。语言特征提取网络的预训练参数可以基于文本翻译、文本预测等各种任务得到的。
在一些实施例中，视觉特征提取网络用于提取图像特征。例如，可以是各种卷积网络，包括但不限于ResNet(残差网络)、VGG(一种深度卷积神经网络)等。语言特征提取网络可以用于提取文本特征，例如可以是基于Transformer的RoBERTa(一种文本数据编码模型)，BERT(一种语言表征模型)等网络结构。视觉语言特征融合网络和解码定位网络可以采用基于Transformer的各种网络结构，具体使用多少个Transformer层，以及各层之间的连接关系可以根据实际需要确定。可以理解，这里给出的网络结构仅仅是示例性的，根据实际需要，可以采用各种适合的网络结构。作为示例，解码定位网络还可以基于DETR(DEtectionTRANSforme)的方法进行目标检测。具体的，解码定位网络以可学习对象查询(ObjectQuery)组作为输入，并计算其自注意力。在此基础上，与融合特征计算交叉注意力。
在一些实施例中，视觉语言特征融合网络可以将上述图像特征和文本特征进行融合。例如，可以将图像特征和文本特征直接进行拼接。对于视觉语言特征融合网络所输出的融合特征，可以将其输入解码定位网络。解码定位网络用于对融合特征进行解码，输出指示表达文本对应于待处理图像中的目标的位置信息。位置信息例如是边界框。
在一些实施例的一些可选的实现方式中，视觉语言特征融合网络还用于对图像特征、文本特征和图像特征中每个像素点的位置编码进行融合，其中，图像特征是由视觉特征提取网络提取的，文本特征是由语言特征提取网络提取的。可选的，可以首先将图像特征扩展成一维序列，以及为每个像素点添加位置编码。在此基础上，与文本特征共同映射到一个共享的高维空间。然后，对两个模态(语言和视觉)的高维特征进行拼接，作为视觉语言特征融合网络的输入。
步骤202，利用训练样本集中的训练样本，对视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络进行初始化训练，得到初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络、初始化训练后的视觉语言特征融合网络。作为示例，初始化训练后的各个网络的参数分别用V′0、L′0、E′0、D′0表示。
在一些实施例中，上述执行主体可以从训练样本集中选取训练样本，对初始化后的指示表达文本定位网络进行训练。实践中，可以利用反向传播、随机梯度下降等方式调整网络的参数。经过多次迭代后，如果达到训练停止条件，停止训练，得到初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络、初始化训练后的解码定位网络。其中，作为示例，训练停止条件可以是模型在验证集上的表现达到稳定，或者迭代次数达到预设值等。
在此过程中，可以根据需要选取损失函数，例如，可以采用L1和/或GIoU损失函数。其中，GIoU用于计算两个边界框之间的重叠程度，IOU的取值范围是[-1,1]。L1用于计算目标值与估计值的绝对值偏差。
步骤203，利用训练样本集中的训练样本，对初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络、初始化解码定位网络进行重训练，得到指示表达文本定位模型。
在一些实施例中，上述执行主体可以利用训练样本集中的训练样本，继续对初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络、初始化解码定位网络进行重训练，对初始化训练后的解码定位网络进行初始化，得到指示表达文本定位模型。作为示例，对于第t轮的重训练，对初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络进行参数调整，假设前一轮训练后的参数为Et，可以将Et更新为E′t。而对于解码定位网络，则采用其初始化参数，例如D0。
在此基础上，经过多轮的重训练模型收敛后，得到训练完成的指示表达文本定位网络，即指示表达文本定位模型。
本公开的一些实施例提供的方法，通过重训练机制，驱动编码器学习更鲁棒的视觉语言表达。具体来说，在初始化训练后，对编码器所包括的视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络进行参数调整，与此同时，对解码定位网络进行初始化，从而迫使编码器提升感知视觉和语言的能力。基于这种机制，可以在不需要大规模训练数据的情况下完成模型训练。
虽然上述的一些实施例通过重训练机制，能够实现在不需要大规模训练数据的情况下完成模型训练。但是，对于以可学习对象查询组作为输入的解码定位网络，存在可学习对象查询组难以初始化的问题。具体来说，对于通常的图像目标检测任务，由于其不存在关联的指示表达文本，学习后的对象查询组没有特定的物理意义，对于不同的图像，每个查询可能会关注不同区域。但是，对于指示表达文本定位场景，目标可能位于图像的任意位置，且往往只指代一个目标，所以难以进行可学习对象查询组的初始化。下述的一些实施例将进一步解决该问题。
进一步参考图3，其示出了指示表达文本定位模型训练方法的另一些实施例的流程300。该指示表达文本定位模型训练方法的流程300，包括以下步骤：
步骤301，初始化指示表达文本定位网络，初始化后的指示表达文本定位网络包括视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络。
在一些实施例中，解码定位网络包括第一解码器、第二解码器和分类回归头，第一解码器以可学习对象查询组作为输入，第二解码器以预设位置编码序列作为输入，预设位置编码序列中的预设位置编码用于表征训练样本所包括的样本图像中的预设位置。分类回归头可以进行回归和分类任务。实践中，对于可学习对象查询组可以进行随机初始化。预设位置编码序列可以是多个预设位置信息进行编码后按序组成的序列。预设位置信息可以是指定的，也可以是通过一定的算法得到的。
在一些实施例的一些可选的实现方式中，可以通过以下方式生成预设位置编码序列：
第一步，将图像分割成若干图像块，以生成固定网格点。其中，每个图像块对应一个网格点。实践中，可以取图像块中任一点的坐标作为网格点的坐标。
第二步，将网格点的坐标进行编码，第k个网格点的坐标的编码Pk表示为：
Figure BDA0003748287990000081
其中，n为网格点的个数。对于网格点的坐标，可以采用sin-cos编码。
第三步，将多个网络点的位置编码按序排列，得到预设位置编码序列。
除此之外的其余特征的具体实现及其所带来的技术效果，可以参考图2对应的那些实施例，在此不再赘述。
步骤302，将样本图像输入视觉特征提取网络，得到样本图像的图像特征。
在一些实施例中，上述执行主体可以将样本图像输入视觉特征提取网络，得到样本图像的图像特征。
步骤303，将样本指示表达文本输入语言特征提取网络，得到样本指示表达文本对应的文本特征。
在一些实施例中，上述执行主体可以将样本指示表达文本输入语言特征提取网络，得到样本指示表达文本对应的文本特征。
步骤304，将图像特征和文本特征输入视觉语言特征融合网络，得到融合特征。
在一些实施例中，上述执行主体可以将图像特征和文本特征输入视觉语言特征融合网络，得到融合特征。
步骤305，将融合特征和可学习对象查询组输入第一解码器，将融合特征和预设位置编码序列输入第二解码器，得到第一解码结果和第二解码结果。
在一些实施例中，第一解码器和第二解码器的网络结构可以相同，也可以不同，可以根据需要设定不同的结构。在训练过程中，第一解码器和第二解码器分别更新，不共享权重。
步骤306，将第一解码结果输入分类回归头，得到第一预测结果。
在一些实施例中，第一预测结果包括候选对象组中每个候选对象对应的类别信息和坐标，其中，候选对象组为可学习对象查询组中各个可学习对象查询所表征的对象，类别信息表征候选对象是否为指示表达文本对应的目标。其中，分类回归头可以同时执行分类任务和回归任务，以输出类别信息和边界框。
步骤307，将第二解码结果输入分类回归头，得到第二预测结果，第二预测结果包括预设位置编码序列中各个预设位置编码对应于样本图像中的类别信上息和坐标。
步骤308，基于第一预测结果和第二预测结果，对视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络的参数进行调整。
在一些实施例中，上述执行主体可以分别计算两个解码器的预测损失并叠加，在此基础上，对视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络的参数进行调整。
在一些实施例中，通过设置增加以预设位置编码序列为输入的第二解码器，可以引导模型查看整个图像，对第一编码器进行补充，从而可以解决可学习对象查询组难以初始化的问题。
继续参考图4，是根据本公开的一些实施例的指示表达文本定位模型训练方法的另一个应用场景的示意图。
如图4所示，初始化后的指示表达文本定位网络包括视觉特征提取网络(具体包括图像编码器和线性映射层)、语言特征提取网络(具体包括文本编码器和线性映射层)、视觉语言特征融合网络(视觉-语言transformer编码器)、解码定位网络(具体包括两个transforme解码器和两个分类头和回归头)。
利用训练样本集中的训练样本，将样本图像输入视觉特征提取网络，得到样本图像的图像特征。将样本指示表达文本输入语言特征提取网络，得到样本指示表达文本对应的文本特征。例如，样本指示表达文本可以是“靠近穿红色衣服跳跃的人的那个穿橘色T恤的人”。之后，将图像特征和文本特征输入视觉语言特征融合网络，得到融合特征。在此过程中，还可以与样本图像的位置编码融合。之后，将融合特征和可学习对象查询组输入第一解码器，将融合特征和预设位置编码序列输入第二解码器，得到第一解码结果和第二解码结果。在此基础上，将第一解码结果输入分类回归头，得到第一预测结果。将第二解码结果输入分类回归头，得到第二预测结果，第二预测结果包括预设位置编码序列中各个预设位置编码对应于样本图像中的类别信上息和坐标。最后，基于第一预测结果和第二预测结果，对视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络的参数进行调整。例如，可以选取第一预测结果和第二预测结果中置信度
其中，如图所示，预设位置编码序列可以包括图像中16个位置的坐标序列，16个位置的分布如图所示。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种指示表达文本定位模型训练装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
一种指示表达文本定位模型训练装置500，包括：初始化单元501被配置成初始化指示表达文本定位网络，初始化后的指示表达文本定位网络包括视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络；初始化训练单元502被配置利用训练样本集中的训练样本，对视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络进行初始化训练，得到初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络、初始化训练后的解码定位网络；重训练单元503被配置利用训练样本集中的训练样本，对初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络进行重训练，对初始化训练后的解码定位网络进行初始化，得到指示表达文本定位模型。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：初始化指示表达文本定位网络，初始化后的指示表达文本定位网络包括视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络；利用训练样本集中的训练样本，对视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络进行初始化训练，得到初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络、初始化训练后的解码定位网络；利用训练样本集中的训练样本，对初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络进行重训练，对初始化训练后的解码定位网络进行初始化，得到指示表达文本定位模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括初始化单元、初始化训练单元、重训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，初始化单元还可以被描述为“初始化指示表达文本定位网络的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种指示表达文本定位模型训练方法，包括：
初始化指示表达文本定位网络，初始化后的指示表达文本定位网络包括视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络；
利用训练样本集中的训练样本，对所述视觉特征提取网络、所述语言特征提取网络、所述视觉语言特征融合网络、所述解码定位网络进行初始化训练，得到初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络、初始化训练后的解码定位网络；
利用训练样本集中的训练样本，对所述初始化训练后的视觉特征提取网络、所述初始化训练后的语言特征提取网络、所述初始化训练后的视觉语言特征融合网络进行重训练，对所述初始化训练后的解码定位网络进行初始化，得到所述指示表达文本定位模型。
2.根据权利要求1所述的方法，其中，所述解码定位网络包括第一解码器、第二解码器和分类回归头，所述第一解码器以可学习对象查询组作为输入，所述第二解码器以预设位置编码序列作为输入，所述预设位置编码序列中的预设位置编码用于表征所述训练样本所包括的样本图像中的预设位置。
3.根据权利要求1所述的方法，其中，所述视觉语言特征融合网络用于对图像特征、文本特征和所述图像特征中每个像素的位置编码进行融合，其中，所述图像特征是由所述视觉特征提取网络提取的，所述文本特征是由所述语言特征提取网络提取的。
4.根据权利要求2所述的方法，其中，所述训练样本包括样本图像、样本指示表达文本和所述样本指示表达文本对应于所述样本图像中目标的位置信息。
5.根据权利要求4所述的方法，其中，所述利用训练样本集中的训练样本，对所述视觉特征提取网络、所述语言特征提取网络、所述视觉语言特征融合网络、所述解码定位网络进行初始化训练，包括：
将所述样本图像输入所述视觉特征提取网络，得到所述样本图像的图像特征；
将所述样本指示表达文本输入所述语言特征提取网络，得到所述样本指示表达文本对应的文本特征；
将所述图像特征和所述文本特征输入所述视觉语言特征融合网络，得到融合特征；
将所述融合特征和所述可学习对象查询组输入所述第一解码器，将所述融合特征和所述预设位置编码序列输入所述第二解码器，得到第一解码结果和第二解码结果；
基于所述第一解码结果和所述第二解码结果，生成预测结果；
基于所述预测结果，对所述视觉特征提取网络、所述语言特征提取网络、所述视觉语言特征融合网络、所述解码定位网络的参数进行调整。
6.根据权利要求5所述的方法，其中，所述基于所述第一解码结果和所述第二解码结果，生成预测结果，包括：
将所述第一解码结果输入所述分类回归头，得到第一预测结果，所述第一预测结果包括候选对象组中每个候选对象对应的类别信息和边界框，其中，所述候选对象组为所述可学习对象查询组中各个可学习对象查询所表征的对象，所述类别信息表征所述候选对象是否为所述指示表达文本对应的目标；
将所述第二解码结果输入所述分类回归头，得到第二预测结果，所述第二预测结果包括所述预设位置编码序列中各个预设位置编码对应于样本图像中的对象的类别信息和边界框。
7.根据权利要求2所述的方法，其中，所述预设位置编码序列是通过以下步骤生成的：
将样本图像分割为多个图像块，每个图像块对应一个网格点；
将每个网络点的坐标进行编码，得到位置编码；
将多个网络点的位置编码按序排列，得到所述预设位置编码序列。
8.一种指示表达文本定位模型训练装置，包括：
初始化单元，被配置成初始化指示表达文本定位网络，初始化后的指示表达文本定位网络包括视觉特征提取网络、语言特征提取网络、视觉语言特征融合网络、解码定位网络；
初始化训练单元，被配置利用训练样本集中的训练样本，对所述视觉特征提取网络、所述语言特征提取网络、所述视觉语言特征融合网络、所述解码定位网络进行初始化训练，得到初始化训练后的视觉特征提取网络、初始化训练后的语言特征提取网络、初始化训练后的视觉语言特征融合网络、初始化训练后的解码定位网络；
重训练单元，被配置利用训练样本集中的训练样本，对所述初始化训练后的视觉特征提取网络、所述初始化训练后的语言特征提取网络、所述初始化训练后的视觉语言特征融合网络进行重训练，对所述初始化训练后的解码定位网络进行初始化，得到所述指示表达文本定位模型。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202210854508.2A 2022-07-15 2022-07-15 指示表达文本定位模型训练、装置、设备和介质 Pending CN115249361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210854508.2A CN115249361A (zh) 2022-07-15 2022-07-15 指示表达文本定位模型训练、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210854508.2A CN115249361A (zh) 2022-07-15 2022-07-15 指示表达文本定位模型训练、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN115249361A true CN115249361A (zh) 2022-10-28

Family

ID=83700485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210854508.2A Pending CN115249361A (zh) 2022-07-15 2022-07-15 指示表达文本定位模型训练、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN115249361A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095187A (zh) * 2023-10-16 2023-11-21 四川大学 元学习视觉语言理解与定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095187A (zh) * 2023-10-16 2023-11-21 四川大学 元学习视觉语言理解与定位方法
CN117095187B (zh) * 2023-10-16 2023-12-19 四川大学 元学习视觉语言理解与定位方法

Similar Documents

Publication Publication Date Title
JP7429734B2 (ja) マルチモーダルデータ連合学習モデルトレーニング方法及び装置
US11573991B2 (en) Deep reinforcement learning-based multi-step question answering systems
US20230005178A1 (en) Method and apparatus for retrieving target
JP2022058915A (ja) 画像認識モデルをトレーニングするための方法および装置、画像を認識するための方法および装置、電子機器、記憶媒体、並びにコンピュータプログラム
CN112487182A (zh) 文本处理模型的训练方法、文本处理方法及装置
CN110234018B (zh) 多媒体内容描述生成方法、训练方法、装置、设备及介质
WO2022156561A1 (zh) 一种自然语言处理方法以及装置
US20230042221A1 (en) Modifying digital images utilizing a language guided image editing model
US20230206420A1 (en) Method for detecting defect and method for training model
CN111783457A (zh) 一种基于多模态图卷积网络的语义视觉定位方法及装置
CN109816023B (zh) 用于生成图片标签模型的方法和装置
CN116050496A (zh) 图片描述信息生成模型的确定方法及装置、介质、设备
JP7337172B2 (ja) 音声パケット推薦方法、装置、電子機器およびプログラム
EP4302234A1 (en) Cross-modal processing for vision and language
CN115578570A (zh) 图像处理方法、装置、可读介质及电子设备
CN113762321A (zh) 多模态分类模型生成方法和装置
CN113761280A (zh) 媒体数据处理方法、装置、电子设备及计算机存储介质
CN116977885A (zh) 视频文本任务处理方法、装置、电子设备及可读存储介质
CN117540221A (zh) 图像处理方法和装置、存储介质及电子设备
CN115438225A (zh) 视频文本互检方法及其模型训练方法、装置、设备、介质
US20230367972A1 (en) Method and apparatus for processing model data, electronic device, and computer readable medium
CN114580425A (zh) 命名实体识别的方法和装置，以及电子设备和存储介质
CN115249361A (zh) 指示表达文本定位模型训练、装置、设备和介质
CN113360683A (zh) 训练跨模态检索模型的方法以及跨模态检索方法和装置
CN114970666B (zh) 一种口语处理方法、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