CN115909357A - 基于人工智能的目标识别方法、模型训练方法和装置 - Google Patents

Abstract

本公开提供了一种目标识别方法，涉及人工智能技术领域，尤其涉及图像识别技术领域和视频分析技术领域，可应用于智慧城市、城市治理以及应急管理等场景下。具体实现方案为：响应于获取到目标文本，对目标文本进行特征提取，得到目标文本特征；对与目标文本相关的至少一个初始图像进行特征提取，得到至少一个初始图像特征；根据目标文本特征和至少一个初始图像特征，得到至少一个目标融合特征；根据至少一个目标融合特征，确定与至少一个初始图像对应的至少一个识别结果；以及根据至少一个识别结果，从至少一个初始图像中确定与目标对象相关的目标图像。本公开还提供了一种目标识别模型的训练方法、装置、电子设备和存储介质。

Description

基于人工智能的目标识别方法、模型训练方法和装置

技术领域

本公开涉及人工智能技术领域，尤其涉及图像识别技术领域和视频分析技术领域，可应用于智慧城市、城市治理以及应急管理等场景下。更具体地，本公开提供了一种目标识别方法、目标识别模型的训练方法、装置、电子设备和存储介质。

背景技术

随着人工智能技术的发展，可以对视频采集设备采集图像或视频进行识别，以确定图像和视频中对象的位置和类别。

发明内容

本公开提供了一种目标识别方法、目标识别模型的训练方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种目标识别方法，该方法包括：响应于获取到目标文本，对目标文本进行特征提取，得到目标文本特征，其中，目标文本与目标对象相关；对与目标文本相关的至少一个初始图像进行特征提取，得到至少一个初始图像特征；根据目标文本特征和至少一个初始图像特征，得到至少一个查询特征、至少一个键特征和至少一个值特征；对至少一个查询特征、至少一个键特征和至少一个值特征进行融合，得到至少一个目标融合特征；根据至少一个目标融合特征，确定与至少一个初始图像对应的至少一个识别结果；以及根据至少一个识别结果，从至少一个初始图像中确定与目标对象相关的目标图像。

根据本公开的另一方面，提供了一种目标识别模型的训练方法，目标识别模型包括图像特征提取网络、文本特征提取网络、融合网络和识别网络，该方法包括：将样本文本输入文本特征提取网络，得到样本文本特征，其中，样本文本与样本对象相关；将样本图像输入图像特征提取网络，得到样本图像特征；根据样本文本特征和样本图像特征，得到查询特征、键特征和值特征；将查询特征、键特征和值特征输入融合网络，得到样本融合特征；将样本融合特征输入识别网络，得到与样本图像对应的样本识别结果；以及根据样本图像的标签和样本识别结果，训练图像识别模型。

根据本公开的另一方面，提供了一种目标识别装置，该装置包括：第一特征提取模型，用于响应于获取到目标文本，对目标文本进行特征提取，得到目标文本特征，其中，目标文本与目标对象相关；第二特征提取模块，用于对与目标文本相关的至少一个初始图像进行特征提取，得到至少一个初始图像特征；第一获得模块，用于根据目标文本特征和至少一个初始图像特征，得到至少一个查询特征、至少一个键特征和至少一个值特征；融合模块，用于对至少一个查询特征、至少一个键特征和至少一个值特征进行融合，得到至少一个目标融合特征；第一确定模块，用于根据至少一个目标融合特征，确定与至少一个初始图像对应的至少一个识别结果；以及第二确定模块，用于根据至少一个识别结果，从至少一个初始图像中确定与目标对象相关的目标图像。

根据本公开的另一方面，提供了一种目标识别模型的训练装置，目标识别模型包括图像特征提取网络、文本特征提取网络、融合网络和识别网络，该装置包括：第二获得模块，用于将样本文本输入文本特征提取网络，得到样本文本特征，其中，样本文本与样本对象相关；第三获得模块，用于将样本图像输入图像特征提取网络，得到样本图像特征；第四获得模块，用于根据样本文本特征和样本图像特征，得到查询特征、键特征和值特征；第五获得模块，用于将查询特征、键特征和值特征输入融合网络，得到样本融合特征；第六获得模块，用于将样本融合特征输入识别网络，得到与样本图像对应的样本识别结果；以及训练模块，用于根据样本图像的标签和样本识别结果，训练图像识别模型。

根据本公开的另一方面，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根据本公开提供的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据本公开提供的方法。

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是根据本公开的一个实施例的可以应用目标识别方法和装置的示例性系统架构示意图；

图2是根据本公开的一个实施例的目标识别方法的流程图；

图3是根据本公开的一个实施例的目标识别模型的示意图；

图4A是根据本公开的一个实施例的初始图像的示意图；

图4B是根据本公开的一个实施例的识别结果的示意图；

图5是根据本公开的另一个实施例的目标识别模型的训练方法的流程图；

图6是根据本公开的一个实施例的目标识别模型的训练方法的原理图；

图7是根据本公开的一个实施例的目标识别装置的框图；

图8是根据本公开的一个实施例的目标识别模型的训练装置的框图；以及

图9是根据本公开的一个实施例的可以应用目标识别方法的电子设备的框图。

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。

随着城市化进程的不断发展，超大城市逐渐凸显出人口集约化的特点。基于城市内广泛部署的摄像头，可以利用计算机视觉技术，确定人脸、人体特征，以便进行城市管控。与此同时，宠物也逐渐成为城市中的不可忽视的元素。但是，针对宠物的智能化管理方案仍处于起步阶段。对宠物实现精细化的智能管理，有助于提升城市的市容市貌，也有助于改善城市的公共卫生。

在进行行人身份识别时，可以利用计算机视觉技术，收集数量庞大的人脸或人体图片进行特征提取，以便构建身份数据底库。在识别时，根据采集到的图像的特征与身份数据底库中的特征之间的相似度，确定采集到的图像中对象的身份。

在进行宠物识别时，也可以利用计算机视觉技术，对采集到的图像进行类别检测，再基于检测框提取特征，与宠物身份数据底库中的特征进行特征相似度计算，以进行宠物身份识别。

然而，宠物物种繁杂且视觉区分度低，为宠物识别构建庞大的身份特征底库，所需的成本较高。此外，在建立宠物身份特征底库时，宠物的采集配合度较低，宠物的脸部和肢体特征难以采集。

图1是根据本公开一个实施例的可以应用目标识别方法和装置的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的目标识别方法一般可以由服务器105执行。相应地，本公开实施例所提供的目标识别装置一般可以设置于服务器105中。本公开实施例所提供的目标识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的目标识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

图2是根据本公开的一个实施例的目标识别方法的流程图。

如图2所示，该方法200可以包括操作S210至操作S260。

在操作S210，响应于获取到目标文本，对目标文本进行特征提取，得到目标文本特征。

在本公开实施例中，目标文本与目标对象相关。例如，目标对象可以是宠物。宠物可以是猫、狗等动物。又例如，目标对象也是可以其他对象，本公开在此不进行限制。

在本公开实施例中，目标文本可以用于描述目标对象的语义信息。例如，目标文本可以为“灰色的泰迪”。目标文本也可以为“10岁的阿拉斯加”。

在本公开实施例中，可以利用各种方式对目标文本进行特征提取。

在操作S220，对与目标文本相关的至少一个初始图像进行特征提取，得到至少一个初始图像特征。

在本公开实施例中，可以将视频采集设备采集的图像作为至少一个初始图像。例如，视频采集设备可以为摄像头。可以从多个摄像头采集的图像中确定至少一个初始图像。

在本公开实施例中，可以将获取目标文本的时刻作为目标时刻。将在目标时刻之前的预设时段内采集的图像，作为至少一个初始图像。

在本公开实施例中，至少一个初始图像可以为J个。J可以为大于或等于1的整数。

在本公开实施例中，可以利用各种方式对初始图像进行特征提取。例如，可以对第j个初始图像进行特征提取，得到第j个初始图像特征。J可以为大于或等于1且小于或等于J的整数

在操作S230，根据目标文本特征和至少一个初始图像特征，得到至少一个查询特征、至少一个键特征和至少一个值特征。

在本公开实施例中，可以将目标文本特征作为查询特征、键特征或值特征。也可以将初始图像特征作为查询特征、键特征或值特征。例如，可以将目标文本特征作为第j个键特征，将第j个初始图像特征作为第j个查询特征和第j个值特征。

在操作S240，对至少一个查询特征、至少一个键特征和至少一个值特征进行融合，得到至少一个目标融合特征。

在本公开实施例中，可以基于多头注意力机制，将查询特征、键特征和值特征融合，得到目标融合特征。例如，可以基于多头注意力机制，将第j个查询特征、第j个键特征和第j个值特征融合，得到第j个目标融合特征。

在操作S250，根据至少一个目标融合特征，确定与至少一个初始图像对应的至少一个识别结果。

在本公开实施例中，识别结果可以包括初始图像的候选检测框和类别置信度。例如，可以根据第j个目标融合特征，得到第j个识别结果。第j个识别结果可以包括上述的第j个初始图像的候选检测框以及第j个初始图像中对象的多个类别的置信度。又例如，多个类别的置信度可以包括类别“狸花猫”的置信度、类别“阿拉斯加”的置信度。

在操作S260，根据至少一个识别结果，从至少一个初始图像中确定与目标对象相关的目标图像。

例如，目标文本可以为上述的“10岁的阿拉斯加”。可以将类别“阿拉斯加”的置信度最大的识别结果作为目标识别结果。将目标识别结果对应的初始图像作为目标图像。

通过本公开实施例，根据目标文本从视频采集设备采集的图像中确定了目标图像，可以更加便捷地确定与对象相关的目标图像。在难以实现获得对象的相关特征的情况下，基于多头注意力机制将目标文本特征和初始图像特征融合，有助于快速地确定与目标文本匹配的目标图像，充分提高了对象识别的应用场景，也降低了在城市场景中进行对象(例如宠物)识别的难度。

可以理解，上文对本公开的方法流程进行了说明。在本公开实施例中，可以利用一个深度学习模型来实现上述的方法，下面将进行详细说明。

图3是根据本公开的一个实施例的目标识别模型的示意图。

如图3所示，目标识别模型300可以包括文本特征提取网络310、图像特征提取网络320、融合网络330和识别网络340。

在本公开实施例中，在上述操作S210中，可以将目标文本301输入文本特征提取网络310，得到目标文本特征。例如，文本特征提取网络可以是强力优化的基于Transformer的双向编码表示模型(Robustly Optimized Bidirectional Encoder Representationsfrom Transformers，RoBERTa)。又例如，目标文本可以为“灰色的泰迪”。在一个示例中，可以对目标文本进行tokenize(标记化)处理，得到目标文本的token序列。将目标文本的token序列输入文本特征提取网络，得到目标文本特征。

如图3所示，图像特征提取网络320可以包括第一特征提取单元321和第二特征提取单元322。第二特征提取单元322可以包括K个特征提取层。K个特征提取层可以包括特征提取层3221、特征提取层3222以及特征提取层3223。

在本公开实施例中，在上述的操作S220中，对与目标文本相关的至少一个初始图像进行特征提取，得到至少一个初始图像特征可以包括：对与目标文本相关的第j个初始图像进行K级特征提取，得到第j个初始图像的K级初始图像特征。例如，j可以为大于或等于1且小于或等于J的整数，K可以为大于或等于1的整数。可以将第j个初始图像302输入第一特征提取单元321，得到第一初始图像特征。可以将第一初始图像特征输入特征提取层3221，得到第j个初始图像的第1个初始图像特征。将第j个初始图像的第1个初始图像特征输入特征提取层3222，得到第j个初始图像的第2个初始图像特征。将第j个初始图像的第2个初始图像特征输入特征提取层3223，得到第j个初始图像的第3个初始图像特征。可以理解，在本实施例中，K可以为3。由此，获得了第j个初始图像的K个初始图像特征。接下来，可以将目标文本特征和K个初始图像特征分别融合，得到K个目标融合特征。通过本公开实施例，可以提取出图像的不同尺度的特征，可以充分地从图像中提取出有效信息，以便得到更加准确的识别结果。

在本公开实施例中，在上述的操作S230中，可以根据目标文本特征，得到键特征。根据初始图像特征，得到查询特征和值特征。例如，可以根据第j个初始图像的第1个初始图像特征，得到第j个初始图像的第1个查询特征和第j个初始图像的第1个值特征。可以根据第j个初始图像的第2个初始图像特征，得到第j个初始图像的第2个查询特征和第j个初始图像的第2个值特征。可以根据第j个初始图像的第3个初始图像特征，得到第j个初始图像的第3个查询特征和第j个初始图像的第3个值特征。又例如，目标文本特征可以分别作为与第j个初始图像对应的第1个键特征、与第j个初始图像对应的第2个键特征和与第j个初始图像对应的第3个键特征。

如图3所示，融合网络330可以包括I个融合单元。融合单元可以是基于Transformer模型构建的。I个融合单元可以包括融合单元331、融合单元332以及融合单元333。I为大于1的整数，可以理解，融合单元333可以作为第I级融合单元，在本实施例中，I可以为3。也可以理解，融合单元331和融合单元332可以作为第i级融合东单元，i可以为大于或等于1且小于I的整数，i的取值可以为1和2。

在本公开实施例中，在上述的操作S240中，可以对至少一个查询特征、至少一个键特征和至少一个值特征进行至少一级融合，得到至少一个目标融合特征。例如，可以利用I个融合单元对第j个初始图像的第1个查询特征、与第j个初始图像对应的第1个键特征和第j个初始图像的第1个值特征进行I级融合，得到与第j个初始图像对应的第1个目标融合特征。又例如，可以利用I个融合单元对第j个初始图像的第2个查询特征、与第j个初始图像对应的第2个键特征和第j个初始图像的第2个值特征进行I级融合，得到与第j个初始图像对应的第2个目标融合特征。又例如，可以利用I个融合单元对第j个初始图像的第3个查询特征、与第j个初始图像对应的第3个键特征和第j个初始图像的第3个值特征进行I级融合，得到与第j个初始图像对应的第3个目标融合特征。下面以获得与第j个初始图像对应的第1个目标融合特征的过程为示例，对融合网络330进行进一步说明。

在本公开实施例中，可以将查询特征、键特征和值特征分别作为第1级查询特征、第1级键特征和第1级值特征。基于多头注意力机制，将第1级查询特征、第1级键特征和第1级值特征融合，得到第1级中间融合特征。例如，可以将第j个初始图像的第1个查询特征作为第1级查询特征。可以将与第j个初始图像对应的第1个键特征作为第1级键特征。可以将第j个初始图像的第1个值特征作为第1级值特征。将第1级查询特征、第1级键特征和第1级值特征输入融合单元331，可以得到第1级中间融合特征。

在本公开实施例中，可以将第i级中间融合特征分别与目标文本特征和初始图像特征融合，得到第i+1级文本融合特征和第i+1级图像融合特征。根据第i+1级文本融合特征，得到第i+1级键特征。根据第i+1级图像融合特征，得到第i+1级查询特征和第i+1级值特征。基于多头注意力机制，将第i+1级查询特征、第i+1级键特征和第i+1级值特征融合，得到第i+1级中间融合特征。将第I级中间融合特征作为目标融合特征。例如，可以将上述的第1级中间融合特征与目标文本特征融合，得到第2级文本融合特征。可以将上述的第1级中间融合特征与第j个初始图像的第1个初始图像特征融合，得到第2级图像融合特征。可以将第2级文本融合特征作为第2级键特征。可以将第2级图像融合特征作为第2级查询特征和第2级值特征。将第2级查询特征、第2级键特征和第2级值特征输入融合单元332，可以得到第2级中间融合特征。又例如，可以将上述的第2级中间融合特征与目标文本特征融合，得到第3级文本融合特征。可以将上述的第2级中间融合特征与第j个初始图像的第1个初始图像特征融合，得到第3级图像融合特征。可以将第3级文本融合特征作为第3级键特征。可以将第3级图像融合特征作为第3级查询特征和第3级值特征。将第3级查询特征、第3级键特征和第3级值特征输入融合单元333，可以得到第3级中间融合特征。第3级中间融合特征可以作为与第j个初始图像对应的第1个目标融合特征。通过本公开实施例，可以基于多头注意力机制将文本特征和图像特征进行充分融合，在目标识别场景中(尤其是在宠物识别场景中)，可以更加充分地获取文本和图像的信息，有助于便捷准确地从视频采集设备采集的图像确定目标图像。

如图3所示，识别网络340可以处理目标融合特征，输出识别结果。

在本公开实施例中，在上述的操作S250中，可以对目标融合特征进行至少一次卷积，得到识别结果。例如，识别网络340可以对与第j个初始图像对应的第1个目标融合特征进行至少一次卷积，得到与第j个初始图像对应的第1个识别结果341。又例如，识别网络340可以对与第j个初始图像对应的第2个目标融合特征进行至少一次卷积，得到与第j个初始图像对应的第2个识别结果342。又例如，识别网络340可以对与第j个初始图像对应的第3个目标融合特征进行至少一次卷积，得到与第j个初始图像对应的第3个识别结果343。

在本公开实施例中，将J个初始图像输入目标识别模型300，可以得到J×K个识别结果。

可以理解，上文对本公开的目标识别模型进行了说明，下面将结合对本公开的识别结果进行进一步说明。

图4A是根据本公开的一个实施例的初始图像的示意图。

如图4A所示，初始图像401’可以包括一个对象。该对象的真实类别可以为“金毛寻回犬”。

图4B是根据本公开的一个实施例的识别结果的示意图。

在本公开实施例中，识别结果包括初始图像的候选检测框和目标类别置信度。例如，初始图像401’的第1个识别结果可以实现为向量(H，W，x，y，w，h，score)。H，W分别表示将初始图像划分的区域个数。如图4B所示，H可以为5，W也可以为5。(x，y)可以表示候选检测框的中心点的坐标。w为候选检测框的宽度。h为候选检测框的高度。socre为初始图像中的对象的置信度信息。例如，置信度信息可以包括多个类别的置信度。多个类别可以包括类别“金毛寻回犬”、类别“泰迪”等等。每个类别对应一个置信度。可以理解，对于一个初始图像，可以有K个识别结果。不同识别结果的H和W可以是不同的。

在本公开实施例中，可以根据目标文本，确定目标类别。例如，目标文本可以为“大金毛”。基于此，可以将类别“金毛寻回犬”作为目标类别。

在本公开实施例中，在上述的操作S260中，响应于确定目标类别置信度大于或等于预设置信度阈值，将与识别结果对应的初始图像确定为目标图像。例如，如图4B所示，初始图像401’的第1个识别结果中目标类别“金毛寻回犬”的置信度可以大于预设置信度阈值。初始图像401可以作为一个目标图像。

可以理解，上文对本公开的目标识别方法进行了说明。在本公开实施例中，可以对上述的目标识别模型进行训练，下面将进行详细说明。

图5是根据本公开的另一个实施例的目标识别模型的训练方法的流程图。

如图5所示，该方法500可以包括操作S510至操作S560。

在本公开实施例中，目标识别模型可以包括图像特征提取网络、文本特征提取网络、融合网络和识别网络。

在操作S510，将样本文本输入文本特征提取网络，得到样本文本特征。

在本公开实施例中，样本文本与样本对象相关。例如，样本对象可以是宠物。宠物可以是猫、狗等动物。例如，样本文本可以为“灰色的泰迪”。样本文本也可以为“10岁的阿拉斯加”。又例如，样本对象也是可以其他对象，本公开在此不进行限制。

在本公开实施例中，文本提取网络可以为各种特征特征提取网络。例如，文本提取网络可以是上述的强力优化的基于Transformer的双向编码表示模型。

在操作S520，将样本图像输入图像特征提取网络，得到样本图像特征。

在本公开实施例中，可以将包括样本对象的图像作为样本图像。例如，可以选取包括相关对象的图像作为样本图像。可以理解，可以人工制作样本文本。样本文本可以描述样本图像中对象的语义信息。

在本公开实施例中，图像特征提取网络可以为各种特征提取网络。

在操作S530，根据样本文本特征和样本图像特征，得到查询特征、键特征和值特征。

在本公开实施例中，可以将样本文本特征作为查询特征、键特征或值特征。也可以将样本图像特征作为查询特征、键特征或值特征。

在操作S540，将查询特征、键特征和值特征输入融合网络，得到样本融合特征。

在本公开实施例中，可以基于多头注意力机制，将查询特征、键特征和值特征融合，得到样本融合特征。

在操作S550，将样本融合特征输入识别网络，得到与样本图像对应的样本识别结果。

在本公开实施例中，识别结果可以包括初始图像的候选检测框和类别置信度。例如，根据样本融合特征，得到样本识别结果。样本识别结果可以包括样本图像的候选检测框和样本图像中样本对象的多个类别的置信度。又例如，多个类别的置信度可以包括类别“狸花猫”的置信度、类别“阿拉斯加”的置信度。

在操作S560，根据样本图像的标签和样本识别结果，训练图像识别模型。

在本公开实施例中，标签可以包括样本图像中样本对象的标注检测框和样本对象的标注类别。例如，样本对象的标注类别可以包括多个类别的标注置信度。在多个类别的标注置信度中，样本对象的真实类别的标注置信度可以为1，其他类别的标注置信度可以为0。

可以理解，上文对本公开的目标识别模型的训练方法进行了说明，下面将结合相关实施例来进一步说明本公开的目标识别模型的训练方法。

图6是根据本公开的一个实施例的目标识别模型的训练方法的原理图。

如图6所示，目标识别模型600可以包括文本特征提取网络610、图像特征提取网络620、融合网络630和识别网络640。

在本公开实施例中，在上述操作S510中，可以将样本文本601输入文本特征提取网络610，得到样本文本特征。例如，样本文本可以为“灰色的泰迪”。

如图6所示，图像特征提取网络620可以包括第一特征提取单元621和第二特征提取单元622。第二特征提取单元622可以包括K个特征提取层。K个特征提取层可以包括特征提取层6221、特征提取层6222以及特征提取层6223。

在本公开实施例中，在上述的操作S620中，可以将样本图像输入第一特征提取单元，得到第一样本图像特征。可以将第一样本图像特征输入第1级特征提取层，得到第1个样本图像特征。可以将第k级样本图像特征输入第k+1级特征提取层，得到第k+1个样本图像特征。例如，k为大于或等于1且小于K的整数。例如，可以将样本图像602输入第一特征提取单元621，得到第一样本图像特征。可以将第一样本图像特征输入特征提取层6221，得到样本图像的第1个杨样本图像特征。将样本图像的第1个样本图像特征输入特征提取层6222，得到样本图像的第2个样本图像特征。将样本图像的第2个样本图像特征输入特征提取层6223，得到样本图像的第3个样本图像特征。可以理解，在本实施例中，K可以为3，k的取值可以为1和2；特征提取层6223可以作为第K级特征提取层。由此，获得了样本图像的K个样本图像特征。接下来，可以将样本文本特征和K个样本图像特征分别融合，得到K个样本融合特征。

在本公开实施例中，在上述的操作S530中，根据样本文本特征，得到键特征。根据样本图像特征，得到查询特征和值特征。例如，可以根据样本图像的第1个样本图像特征，得到样本图像的第1个查询特征和样本图像的第1个值特征。可以根据样本图像的第2个样本图像特征，得到样本图像的第2个查询特征和样本图像的第2个值特征。可以根据样本图像的第3个样本图像特征，得到样本图像的第3个查询特征和样本图像的第3个值特征。又例如，样本文本特征可以分别作为第1个键特征、第2个键特征和第3个键特征。

如图6所示，融合网络630可以包括I个融合单元。融合单元可以是基于Transformer模型构建的。I个融合单元可以包括融合单元631、融合单元632以及融合单元633。I为大于1的整数，可以理解，融合单元633可以作为第I级融合单元，在本实施例中，I可以为3，i可以为大于或等于1且小于I的整数，i的取值可以为1和2。融合单元631、融合单元632可以作为第i级融合单元。

在本公开实施例中，在上述的操作S540中，可以利用至少一个融合单元对查询特征、键特征和值特征进行至少一级融合，得到样本融合特征。例如，可以利用I个融合单元对样本图像的第1个查询特征、第1个键特征和样本图像的第1个值特征进行I级融合，得到第1个样本融合特征。又例如，可以利用I个融合单元对样本图像的第2个查询特征、第2个键特征和样本图像的第2个值特征进行I级融合，得到第2个样本融合特征。又例如，可以利用I个融合单元对样本图像的第3个查询特征、第3个键特征和样本图像的第3个值特征进行I级融合，得到第3个样本融合特征。下面以获得第1个样本融合特征的过程为示例，对融合网络630进行进一步说明。

在本公开实施例中，可以将查询特征、键特征和值特征分别作为第1级查询特征、第1级键特征和第1级值特征。可以将第1级查询特征、第1级键特征和第1级值特征输入第1级融合单元，得到第1级中间融合特征。例如，可以将样本图像的第1个查询特征作为第1级查询特征。可以将第1个键特征作为第1级键特征。可以将样本图像的第1个值特征作为第1级值特征。将第1级查询特征、第1级键特征和第1级值特征输入融合单元631，可以得到第1级中间融合特征。

在本公开实施例中，可以将第i级中间融合特征分别与样本文本特征和样本图像特征融合，得到第i+1级样本文本融合特征和第i+1级样本图像融合特征。可以根据第i+1级样本文本融合特征，得到第i+1级键特征。根据第i+1级图像融合特征，得到第i+1级查询特征和第i+1级值特征。将第i+1级查询特征、第i+1级键特征和第i+1级值特征输入第i+1级融合单元，得到第i+1级中间融合特征。将第I级中间融合特征作为样本融合特征。例如，可以将上述的第1级中间融合特征与样本文本特征融合，得到第2级样本文本融合特征。可以将上述的第1级中间融合特征与样本图像的第1个样本图像特征融合，得到第2级样本图像融合特征。可以将第2级样本文本融合特征作为第2级键特征。可以将第2级样本图像融合特征作为第2级查询特征和第2级值特征。将第2级查询特征、第2级键特征和第2级值特征输入融合单元632，可以得到第2级中间融合特征。又例如，可以将上述的第2级中间融合特征与样本文本特征融合，得到第3级样本文本融合特征。可以将上述的第2级中间融合特征与样本图像的第1个样本图像特征融合，得到第3级样本图像融合特征。可以将第3级样本文本融合特征作为第3级键特征。可以将第3级样本图像融合特征作为第3级查询特征和第3级值特征。将第3级查询特征、第3级键特征和第3级值特征输入融合单元633，可以得到第3级中间融合特征。第3级中间融合特征可以作为与样本图像对应的第1个样本融合特征。

如图6所示，识别网络640可以处理目标融合特征，输出识别结果。

在本公开实施例中，在上述的操作S550中，可以利用识别网络对样本融合特征进行至少一次卷积，得到样本识别结果。例如，识别网络640可以对样本图像的第1个样本融合特征进行至少一次卷积，得到样本图像的第1个样本识别结果641。又例如，识别网络640可以对样本图像的第2个样本融合特征进行至少一次卷积，得到样本图像的第2个样本识别结果642。又例如，识别网络640可以对样本图像的第3个样本融合特征进行至少一次卷积，得到样本图像的第3个样本识别结果643。

又例如，样本识别结果包括初始图像的候选检测框和样本类别置信度。

接下来，可以根据第1个样本识别结果641、第2个样本识别结果642、第3个样本识别结果643以及标签603，利用各种损失函数确定损失值。可以利用损失值来训练目标识别模型。例如，可以调整目标识别模型的参数，使得损失值收敛。

图7是根据本公开的一个实施例的目标识别装置的框图。

如图7所示，该装置700可以包括第一特征提取模块710、第二特征提取模块720、第一获得模块730、融合模块740、第一确定模块750和第二确定模块760。

第一特征提取模型710，用于响应于获取到目标文本，对目标文本进行特征提取，得到目标文本特征。例如，目标文本与目标对象相关；

第二特征提取模块720，用于对与目标文本相关的至少一个初始图像进行特征提取，得到至少一个初始图像特征。

第一获得模块730，用于根据目标文本特征和至少一个初始图像特征，得到至少一个查询特征、至少一个键特征和至少一个值特征。

融合模块740，用于对至少一个查询特征、至少一个键特征和至少一个值特征进行融合，得到至少一个目标融合特征。

第一确定模块750，用于根据至少一个目标融合特征，确定与至少一个初始图像对应的至少一个识别结果。

第二确定模块760，用于根据至少一个识别结果，从至少一个初始图像中确定与目标对象相关的目标图像。

在一些实施例中，第一获得模块包括：第一获得子模块，用于根据目标文本特征，得到至少一个键特征。第二获得子模块，用于根据至少一个初始图像特征，得到至少一个查询特征和至少一个值特征。

在一些实施例中，融合模块包括：融合子模块，用于对至少一个查询特征、至少一个键特征和至少一个值特征进行至少一级融合，得到至少一个目标融合特征。

在一些实施例中，融合子模块包括：第一获得单元，用于将查询特征、键特征和值特征分别作为第1级查询特征、第1级键特征和第1级值特征。第一融合单元，用于基于多头注意力机制，将第1级查询特征、第1级键特征和第1级值特征融合，得到第1级中间融合特征。

在一些实施例中，融合子模块还包括：第二融合单元，用于将第i级中间融合特征分别与目标文本特征和初始图像特征融合，得到第i+1级文本融合特征和第i+1级图像融合特征，其中，i为大于或等于1且小于I的整数，I为大于1的整数。根据第i+1级文本融合特征，得到第i+1级键特征。第二获得单元，用于根据第i+1级图像融合特征，得到第i+1级查询特征和第i+1级值特征。第三融合单元，用于基于多头注意力机制，将第i+1级查询特征、第i+1级键特征和第i+1级值特征融合，得到第i+1级中间融合特征。第三获得单元，用于将第I级中间融合特征作为目标融合特征。

在一些实施例中，至少是一个初始图像为J个，J为大于或等于1的整数，第二特征提取模块包括：特征提取子模块，用于对与目标文本相关的第j个初始图像进行K级特征提取，得到第j个初始图像的K个初始图像特征，其中，j为大于或等于1且小于或等于J的整数，K为大于或等于1的整数。

在一些实施例中，第一确定模块包括：卷积子模块，用于对目标融合特征进行至少一次卷积，得到识别结果，其中，识别结果包括初始图像的候选检测框和目标类别置信度。

在一些实施例中，第二确定模块包括：确定子模块，用于响应于确定目标类别置信度大于或等于预设置信度阈值，将与识别结果对应的初始图像确定为目标图像。

图8是根据本公开的另一个实施例的目标识别模型的训练装置的框图。

目标识别模型包括图像特征提取网络、文本特征提取网络、融合网络和识别网络。

如图8所示，该装置800可以包括第二获得模块810、第三获得模块820、第四获得模块830、第五获得模块840、第六获得模块850以及训练模块860。

第二获得模块810，用于将样本文本输入文本特征提取网络，得到样本文本特征。例如，样本文本与样本对象相关。

第三获得模块820，用于将样本图像输入图像特征提取网络，得到样本图像特征。

第四获得模块830，用于根据样本文本特征和样本图像特征，得到查询特征、键特征和值特征。

第五获得模块840，用于将查询特征、键特征和值特征输入融合网络，得到样本融合特征。

第六获得模块850，用于将样本融合特征输入识别网络，得到与样本图像对应的样本识别结果。

训练模块860，用于根据样本图像的标签和样本识别结果，训练图像识别模型。

在一些实施例中，第四获得模块包括：第三获得子模块，用于根据样本文本特征，得到键特征。第四获得子模块，用于根据样本图像特征，得到查询特征和值特征。

在一些实施例中，融合网络包括至少一个融合单元，第五获得模块包括：第二融合子模块，用于利用至少一个融合单元对查询特征、键特征和值特征进行至少一级融合，得到样本融合特征。

在一些实施例中，第二融合子模块包括：第四获得单元，用于将查询特征、键特征和值特征分别作为第1级查询特征、第1级键特征和第1级值特征。第五获得单元，用于将第1级查询特征、第1级键特征和第1级值特征输入第1级融合单元，得到第1级中间融合特征。

在一些实施例中，第二融合子模块还包括：第四融合单元，用于将第i级中间融合特征分别与样本文本特征和样本图像特征融合，得到第i+1级样本文本融合特征和第i+1级样本图像融合特征，其中，i为大于或等于1且小于I的整数，I为大于1的整数。第六获得单元，用于根据第i+1级样本文本融合特征，得到第i+1级键特征。第七获得单元，用于根据第i+1级样本图像融合特征，得到第i+1级查询特征和第i+1级值特征。第八获得单元，用于将第i+1级查询特征、第i+1级键特征和第i+1级值特征输入第i+1级融合单元，得到第i+1级中间融合特征。第九获得单元，用于将第I级中间融合特征作为样本融合特征。

在一些实施例中，图像特征提取网络包括第一特征提取单元和第二特征提取单元，第二特征提取单元包括K个特征提取层，K为大于1的整数。第三获得模块包括：第十获得模块，用于将样本图像输入第一特征提取单元，得到第一样本图像特征。第十一获得模块，用于将第一样本图像特征输入第1级特征提取层，得到第1个样本图像特征。第十二获得模块，用于将第k级样本图像特征输入第k+1级特征提取层，得到第k+1个样本图像特征，其中，k为大于或等于1且小于K的整数。

在一些实施例中，第六获得模块包括：第二卷积子模块，用于利用识别网络对样本融合特征进行至少一次卷积，得到样本识别结果，其中，样本识别结果包括初始图像的候选检测框和样本类别置信度。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

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9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如目标识别方法和/或目标识别模型的训练方法。例如，在一些实施例中，目标识别方法和/或目标识别模型的训练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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的目标识别方法和/或目标识别模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行目标识别方法和/或目标识别模型的训练方法。

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)、复杂可编程逻辑设备(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)显示器或者LCD(液晶显示器))；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)和互联网。

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。

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 (20)

1.一种目标识别方法，包括：

响应于获取到目标文本，对所述目标文本进行特征提取，得到目标文本特征，其中，所述目标文本与目标对象相关；

对与所述目标文本相关的至少一个初始图像进行特征提取，得到至少一个初始图像特征；

根据所述目标文本特征和至少一个所述初始图像特征，得到至少一个查询特征、至少一个键特征和至少一个值特征；

对至少一个所述查询特征、至少一个所述键特征和至少一个所述值特征进行融合，得到至少一个目标融合特征；

根据至少一个所述目标融合特征，确定与至少一个所述初始图像对应的至少一个识别结果；以及

根据至少一个所述识别结果，从至少一个所述初始图像中确定与所述目标对象相关的目标图像。

2.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和至少一个所述初始图像特征，得到至少一个查询特征、至少一个键特征和至少一个值特征包括：

根据所述目标文本特征，得到至少一个所述键特征；以及

根据至少一个所述初始图像特征，得到至少一个所述查询特征和至少一个所述值特征。

3.根据权利要求1所述的方法，其中，所述对至少一个所述查询特征、至少一个所述键特征和至少一个所述值特征进行融合，得到至少一个目标融合特征包括：

对至少一个所述查询特征、至少一个所述键特征和至少一个所述值特征进行至少一级融合，得到至少一个目标融合特征。

4.根据权利要求3所述的方法，其中，所述对至少一个所述查询特征、至少一个所述键特征和至少一个所述值特征进行至少一级融合，得到至少一个目标融合特征包括：

将所述查询特征、所述键特征和值特征分别作为第1级所述查询特征、第1级所述键特征和第1级所述值特征；以及

基于多头注意力机制，将第1级所述查询特征、第1级所述键特征和第1级所述值特征融合，得到第1级中间融合特征。

5.根据权利要求4所述的方法，其中，所述对至少一个所述查询特征、至少一个所述键特征和至少一个所述值特征进行至少一级融合，得到至少一个目标融合特征还包括：

将第i级所述中间融合特征分别与所述目标文本特征和所述初始图像特征融合，得到第i+1级文本融合特征和第i+1级图像融合特征，其中，i为大于或等于1且小于I的整数，I为大于1的整数；

根据第i+1级所述文本融合特征，得到第i+1级所述键特征；

根据第i+1级所述图像融合特征，得到第i+1级所述查询特征和第i+1级所述值特征；

基于多头注意力机制，将第i+1级所述查询特征、第i+1级所述键特征和第i+1级所述值特征融合，得到第i+1级所述中间融合特征；以及

将第I级所述中间融合特征作为所述目标融合特征。

6.根据权利要求1所述的方法，其中，至少是一个初始图像为J个，J为大于或等于1的整数，

所述对与所述目标文本相关的至少一个初始图像进行特征提取，得到至少一个初始图像特征包括：

对与所述目标文本相关的第j个所述初始图像进行K级特征提取，得到第j个所述初始图像的K个初始图像特征，其中，j为大于或等于1且小于或等于J的整数，K为大于或等于1的整数。

7.根据权利要求1所述的方法，其中，所述根据至少一个所述目标融合特征，确定与至少一个所述初始图像对应的至少一个识别结果包括：

对所述目标融合特征进行至少一次卷积，得到所述识别结果，其中，所述识别结果包括所述初始图像的候选检测框和目标类别置信度。

8.根据权利要求7所述的方法，其中，所述根据至少一个所述识别结果，从至少一个所述初始图像中确定与所述目标对象相关的目标图像包括：

响应于确定所述目标类别置信度大于或等于预设置信度阈值，将与所述识别结果对应的所述初始图像确定为所述目标图像。

9.一种目标识别模型的训练方法，所述目标识别模型包括图像特征提取网络、文本特征提取网络、融合网络和识别网络，所述方法包括：

将样本文本输入所述文本特征提取网络，得到样本文本特征，其中，所述样本文本与样本对象相关；

将样本图像输入所述图像特征提取网络，得到样本图像特征；

根据所述样本文本特征和所述样本图像特征，得到查询特征、键特征和值特征；

将所述查询特征、所述键特征和所述值特征输入所述融合网络，得到样本融合特征；

将所述样本融合特征输入识别网络，得到与所述样本图像对应的样本识别结果；以及

根据所述样本图像的标签和所述样本识别结果，训练所述图像识别模型。

10.根据权利要求9所述的方法，其中，所述根据所述样本文本特征和所述样本图像特征，得到查询特征、键特征和值特征包括：

根据所述样本文本特征，得到所述键特征；

根据所述样本图像特征，得到所述查询特征和所述值特征。

11.根据权利要求9所述的方法，其中，所述融合网络包括至少一个融合单元，

所述将所述查询特征、所述键特征和所述值特征输入所述融合网络，得到样本融合特征包括：

利用至少一个所述融合单元对所述查询特征、所述键特征和所述值特征进行至少一级融合，得到所述样本融合特征。

12.根据权利要求11所述的方法，其中，所述利用至少一个所述融合单元对所述查询特征、所述键特征和所述值特征进行至少一级融合包括：

将所述查询特征、所述键特征和值特征分别作为第1级所述查询特征、第1级所述键特征和第1级所述值特征；

将第1级所述查询特征、第1级所述键特征和第1级所述值特征输入第1级所述融合单元，得到第1级中间融合特征。

13.根据权利要求12所述的方法，其中，所述利用至少一个所述融合单元对所述查询特征、所述键特征和所述值特征进行至少一级融合还包括：

将第i级所述中间融合特征分别与所述样本文本特征和所述样本图像特征融合，得到第i+1级样本文本融合特征和第i+1级样本图像融合特征，其中，i为大于或等于1且小于I的整数，I为大于1的整数；

根据第i+1级所述样本文本融合特征，得到第i+1级所述键特征；

根据第i+1级所述样本图像融合特征，得到第i+1级所述查询特征和第i+1级所述值特征；

将第i+1级所述查询特征、第i+1级所述键特征和第i+1级所述值特征输入第i+1级所述融合单元，得到第i+1级所述中间融合特征；

将第I级所述中间融合特征作为所述样本融合特征。

14.根据权利要求9所述的方法，其中，所述图像特征提取网络包括第一特征提取单元和第二特征提取单元，所述第二特征提取单元包括K个特征提取层，K为大于1的整数

所述将样本图像输入所述图像特征提取网络，得到样本图像特征包括：

将所述样本图像输入所述第一特征提取单元，得到第一样本图像特征；

将第一样本图像特征输入第1级所述特征提取层，得到第1个所述样本图像特征；

将第k级所述样本图像特征输入所述第k+1级所述特征提取层，得到第k+1个所述样本图像特征，其中，k为大于或等于1且小于K的整数。

15.根据权利要求9所述的方法，其中，所述将所述样本融合特征输入识别网络，得到与所述样本图像对应的样本识别结果包括：

利用所述识别网络对所述样本融合特征进行至少一次卷积，得到所述样本识别结果，其中，所述样本识别结果包括所述初始图像的候选检测框和样本类别置信度。

16.一种目标识别装置，包括：

第一特征提取模型，用于响应于获取到目标文本，对所述目标文本进行特征提取，得到目标文本特征，其中，所述目标文本与目标对象相关；

第二特征提取模块，用于对与所述目标文本相关的至少一个初始图像进行特征提取，得到至少一个初始图像特征；

第一获得模块，用于根据所述目标文本特征和至少一个所述初始图像特征，得到至少一个查询特征、至少一个键特征和至少一个值特征；

融合模块，用于对至少一个所述查询特征、至少一个所述键特征和至少一个所述值特征进行融合，得到至少一个目标融合特征；

第一确定模块，用于根据至少一个所述目标融合特征，确定与至少一个所述初始图像对应的至少一个识别结果；以及

第二确定模块，用于根据至少一个所述识别结果，从至少一个所述初始图像中确定与所述目标对象相关的目标图像。

17.一种目标识别模型的训练装置，所述目标识别模型包括图像特征提取网络、文本特征提取网络、融合网络和识别网络，所述装置包括：

第二获得模块，用于将样本文本输入所述文本特征提取网络，得到样本文本特征，其中，所述样本文本与样本对象相关；

第三获得模块，用于将样本图像输入所述图像特征提取网络，得到样本图像特征；

第四获得模块，用于根据所述样本文本特征和所述样本图像特征，得到查询特征、键特征和值特征；

第五获得模块，用于将所述查询特征、所述键特征和所述值特征输入所述融合网络，得到样本融合特征；

第六获得模块，用于将所述样本融合特征输入识别网络，得到与所述样本图像对应的样本识别结果；以及

训练模块，用于根据所述样本图像的标签和所述样本识别结果，训练所述图像识别模型。

18.一种电子设备，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至15中任一项所述的方法。

19.一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至15中任一项所述的方法。

20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至15中任一项所述的方法。

Images