CN115994243A - 跨模态检索模型处理方法、装置、设备、产品及介质 - Google Patents
跨模态检索模型处理方法、装置、设备、产品及介质 Download PDFInfo
- Publication number
- CN115994243A CN115994243A CN202310074339.5A CN202310074339A CN115994243A CN 115994243 A CN115994243 A CN 115994243A CN 202310074339 A CN202310074339 A CN 202310074339A CN 115994243 A CN115994243 A CN 115994243A
- Authority
- CN
- China
- Prior art keywords
- target
- video
- cross
- text
- model
- 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
Links
- 238000003672 processing method Methods 0.000 title description 3
- 238000012549 training Methods 0.000 claims abstract description 301
- 230000004927 fusion Effects 0.000 claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000007499 fusion processing Methods 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 47
- 238000000605 extraction Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 16
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本公开提供了一种跨模态检索模型处理方法、装置、设备、产品及介质，涉及人工智能技术领域，具体为计算机视觉、图像处理、深度学习等技术领域，可应用于智能安防、短视频等场景下。具体实现方案为：获取待训练的跨模态检索模型的样本对，所述样本对包括随机确定的两个原始训练样本；对所述样本对中的两个原始训练样本进行样本融合处理，获得融合训练样本；根据所述跨模态检索模型的原始训练样本和所述融合训练样本，对所述跨模态检索模型进行训练，获得目标检索模型；其中，所述目标检索模型用于查询与待查询内容相匹配的目标内容，所述待查询内容和所述目标内容的模态不同。
Description
技术领域
本公开涉及人工智能技术领域，具体为计算机视觉、图像处理、深度学习等技术领域，可应用于智能安防、短视频等场景下，尤其涉及一种跨模态检索模型处理方法、装置、设备、产品及介质。
背景技术
随着信息技术的迅速发展，视频的播放需求越来越高。而视频播放程序、内容检索程序、交易程序、安防程序、社交程序等诸多应用程序中，均可能存在利用文字检索视频或者利用图片检索视频的检索需求，这种检索结果的模态和查询的模态不同的检索模型可以称为跨模态检索模型。
但是，目前的跨模态检索模型训练时，需要使用到大量的训练样本，训练样本一般由视频和与该视频相关的文本信息构成，而跨模态检索模型的训练样本的获取成本较高，导致获得大量训练样本较为困难，跨模态检索模型的训练样本的获取效率较低，进而导致跨模态检索模型的检索精度不高。
发明内容
本公开提供了一种跨模态检索模型处理方法、装置、设备、产品及介质。
根据本公开的第一方面，提供了一种跨模态检索模型的训练方法，包括：
获取待训练的跨模态检索模型的样本对，样本对包括随机确定的两个原始训练样本；
对样本对中的两个原始训练样本进行样本融合处理，获得融合训练样本；
根据跨模态检索模型的原始训练样本和融合训练样本，对跨模态检索模型进行训练，获得目标检索模型；
其中，目标检索模型用于查询与待查询内容相匹配的目标内容，待查询内容和目标内容的模态不同。
根据本公开的第二方面，提供了一种跨模态检索模型的查询方法，包括：
接收用户终端发送的查询内容，查询内容属于第一模态；
将查询内容输入训练获得的目标检索模型，获得与查询内容相匹配的目标内容，目标检索模型是基于第一方面提供的跨模态检索模型的训练方法训练获得，目标内容属于第二模态；
发送目标内容至用户的用户终端，目标内容由用户终端展示。
根据本公开的第三方面，提供了一种跨模态检索模型的训练装置，包括：
获取单元，用于获取待训练的跨模态检索模型的样本对，样本对包括随机确定的两个原始训练样本；
融合单元，用于对样本对中的两个原始训练样本进行样本融合处理，获得融合训练样本；
训练单元，用于根据跨模态检索模型的原始训练样本和融合训练样本，对跨模态检索模型进行训练，获得目标检索模型；
其中，目标检索模型用于查询与待查询内容相匹配的目标内容，待查询内容和目标内容的模态不同。
根据本公开的第四方面，提供了一种跨模态检索模型的查询装置，包括：
接收单元，用于接收用户终端发送的查询内容，查询内容属于第一模态；
查询单元，用于将查询内容输入训练获得的目标检索模型，获得与查询内容相匹配的目标内容，目标检索模型是基于第一方面提供的跨模态检索模型的训练方法训练获得，目标内容属于第二模态；
发送单元，用于发送目标内容至用户的用户终端，目标内容由用户终端展示。
根据本公开的第五方面，提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行第一方面的方法。
根据本公开的技术，获取待训练的跨模态检索模型的样本对，样本对可以包括随机确定的两个原始训练样本。采用两个样本融合的方式获得新的训练样本，获得的融合训练样本可以包含两个原始训练样本的相关信息，不需要对原始训练样本进行修改，使得融合训练样本的语义一致性保持完整。因而，利用原始训练样本和融合训练样本，对跨模态检索模型进行训练，实现使用更多的训练样本对跨模态检索模型的训练，使得跨模态检索模型能够学习到更多训练样本的特性，提高训练获得的目标检索模型的检索精度。将目标检索模型用于查询与待查询内容相匹配的目标内容时，获得的目标内容准确度更高，与待查询内容更匹配。待查询内容与目标内容的模态可以不同，提高了跨模态检索的效率和准确度。
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是根据本公开实施例提供的跨模态检索模型的检索方法的系统架构示意图；
图2是根据本公开实施例提供的跨模态检索模型的训练方法的流程图；
图3是根据本公开实施例提供的跨模态检索模型的训练方法的流程图；
图4是根据本公开实施例提供的一个视频帧和文本融合的示例图；
图5是根据本公开实施例提供的跨模态检索模型的训练方法的流程图；
图6是根据本公开实施例提供的跨模态检索模型的查询方法的流程图；
图7是根据本公开实施例提供的跨模态检索模型的训练装置的结构示意图；
图8是根据本公开实施例提供的跨模态检索模型的查询装置的结构示意图；
图9是用来实现本公开实施例的跨模态检索模型的训练、查询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。
本公开提供一种跨模态检索模型的训练、查询方法、装置、设备、介质及产品，涉及人工智能技术领域，具体为计算机视觉、图像处理、深度学习等技术领域，可应用于智能安防、短视频等场景下，以达到提高跨模态检索模型的训练精度的目的。
目前，跨模态检索模型可以指检索结果的模态和查询的模态不同的内容查询模型，跨模态检索模型的输入具体可以为待查询内容，输出具体可以为查询结果，待查询内容和查询结果的模态不同。目前，跨模态检索模型一般是通过训练样本训练获得，训练样本一般可以包括视频和视频的文本描述信息，包含的内容较多，获取方式较为复杂。而在实际应用中，跨模态检索模型的获取，需要大量的训练样本，导致训练样本的获取成本较高，效率较低。为了解决跨模态检索模型的训练样本数量较少的问题，可以对跨模态检索模型进行样本增广处理，也即，在原始样本的基础上，对原始样本进行扩展，获得新的样本。具体的扩展方式例如文本替换、随机插入词语到文本描述内容，对视频中的图像增加噪声、抠图等处理，针对单个样本进行的增广处理时，原样本的标签可以使用或重新标定。但是这种对原样本进行增广的方式，使得视频和文本难以保持一致，也即新获得的样本和标签的对应关系并不准确，将不准确的样本和标签参与到跨模态检索模型的训练时，会使跨模态检索模型学习到不准确的检索特性，导致跨模态检索模型的精度下降。
为了实现跨模态检索模型的准确训练，本公开实施例考虑到，对于跨模态检索模型而言，保持视频和视频的文本描述信息的一致性较为重要。因此，为了获得语义一致性较高的视频和视频的文本描述信息，可以将不同的视频进行图像帧融合，并将各视频对应的文本描述信息进行拼接，从而使融合的样本中包含两个图像的信息，而文本描述信息的拼接则可以直观地体现两个用于融合的视频的准确文字描述，进而获得准确的融合视频和融合文本，以将融合后的视频和文本参与到跨模态检索模型的训练过程。使用语义一致性更高的训练样本可以提高跨模态检索模型的训练精度，获得更准确的目标检索模型。
因此，本公开的技术方案，可以获取待训练的跨模态检索模型的样本对，样本对可以包括随机确定的两个原始训练样本。通过对样本对的两个原始训练样本进行融合处理，可以获得融合训练样本。也即，本公开采用两个样本融合的方式获得新的训练样本，获得的融合训练样本可以包含两个原始训练样本的相关信息，不需要对原始训练样本进行修改，使得融合训练样本的语义一致性保持完整。因而，利用原始训练样本和融合训练样本，对跨模态检索模型进行训练，实现使用更多的训练样本对跨模态检索模型的训练，使得跨模态检索模型能够学习到更多训练样本的特性，提高训练获得的目标检索模型的检索精度。将目标检索模型用于查询与待查询内容相匹配的目标内容时，获得的目标内容准确度更高，与待查询内容更匹配。待查询内容与目标内容的模态可以不同，提高了跨模态检索的效率和准确度。
下面将结合附图对本公开的技术方案进行详细描述。
如图1所示，为本公开实施例提供的一种跨模态检索模型的检索方法的系统架构示意图。该系统架构可以包括用户终端1和电子设备2。其中，用户终端1可以和电子设备2建立通信连接。
其中，电子设备2可以配置有本公开的跨模态检索模型的训练方法。在跨模态检索模型训练时，电子设备2可以从跨模态检索模型的样本数据库3中，获取样本对。样本对可以包括随机确定的两个原始训练样本。通过对样本对中的两个原始训练样本进行样本融合处理，可以获得融合训练样本。实现对样本的增广，进而根据跨模态检索模型的原始训练样本和融合训练样本，对跨模态检索模型的原始训练样本和融合训练样本，对跨模态检索模型进行训练，获得目标检索模型。目标检索模型可以学习到更多样本的特征，精度更高。
用户终端1可以向电子设备2发送查询内容，查询内容属于第一模态。电子设备2可以接收用户终端1发送的查询内容，并通过目标检索模型查询与待查询内容相匹配的目标内容，可以令获得的目标内容准确度更高。之后，电子设备2可以将目标内容反馈给用户终端2。用户终端2接收到目标内容之后，可以展示目标内容。
图2为本公开实施例提供的一种跨模态检索模型的训练方法的一个实施例的流程图，该方法可以包括以下几个步骤：
步骤201：获取待训练的跨模态检索模型的样本对，样本对包括随机确定的两个原始训练样本。
可选地，原始训练样本可以为样本数据库中已存在的样本。原始训练样本可以包括视频以及视频的文本描述信息。
跨模态检索模型可以为通过机器学习模型、神经网络等搭建的用于跨模态场景下的内容检索模型。样本对可以从样本数据库中随机抽取获得。在实际应用中样本对可以包括多个，每个样本对均可以执行步骤202，以实现各样本对中两个原始训练样本的融合，获得各个样本分别对应的融合训练样本。
步骤202：对样本对中的两个原始训练样本进行样本融合处理，获得融合训练样本。
融合训练样本可以为对两个原始训练样本的直接融合，融合过程中未对原始训练样本进行样本变换，例如裁剪、增加噪声、删除或者增加文字等样本变换操作。
步骤203：根据跨模态检索模型的原始训练样本和融合训练样本，对跨模态检索模型进行训练，获得目标检索模型。
其中，目标检索模型用于查询与待查询内容相匹配的目标内容，待查询内容和目标内容的模态不同。
本公开的技术方案，可以获取待训练的跨模态检索模型的样本对，样本对可以包括随机确定的两个原始训练样本。通过对样本对的两个原始训练样本进行融合处理，可以获得融合训练样本。也即，本公开采用两个样本融合的方式获得新的训练样本，获得的融合训练样本可以包含两个原始训练样本的相关信息，不需要对原始训练样本进行修改，使得融合训练样本的语义一致性保持完整。因而，利用原始训练样本和融合训练样本，对跨模态检索模型进行训练，实现使用更多的训练样本对跨模态检索模型的训练，使得跨模态检索模型能够学习到更多训练样本的特性，提高训练获得的目标检索模型的检索精度。将目标检索模型用于查询与待查询内容相匹配的目标内容时，获得的目标内容准确度更高，与待查询内容更匹配。待查询内容与目标内容的模态可以不同，提高了跨模态检索的效率和准确度。
为使读者更深刻地理解本公开的实现原理，现结合以下图3-图5对图2所示的实施例进行进一步细化。
进一步，可选地，在上述实施例的基础上，训练样本包括视频和视频的文本描述信息。如图3所示，为本公开实施例提供的一种跨模态检索模型的训练方法的又一个实施例的流程图，与前述实施例的不同之处在于，步骤202：对样本对中的两个原始训练样本进行样本融合处理，获得融合训练样本，包括：
步骤301：对样本对中的两个原始训练样本分别对应的视频进行视频融合处理，获得融合视频。
步骤302：对样本对中的两个原始训练样本分别对应的文本描述信息进行文本融合处理，获得融合文本。
可选地，两个原始训练样本可以表示为{Vi，Ti}以及{Vj，Tj}，其中，V和Vj为视频，Ti和Tj为对应视频的文本描述信息，i和j分别为原始训练样样本的样本序号或标识。
视频融合可以指将两个视频的同时间戳的视频帧相加计算，也即将各坐标点的坐标值进行相加，得到融合后的目标图像。
步骤303：根据融合视频和融合文本，确定融合训练样本。
其中，融合训练样本即可以由融合视频和融合文本构成。
本公开实施例中，采用样本融合的方式对样本进行增广，具体可以对两个原始训练样本分别对应的视频进行视频融合处理，获得融合视频。融合后的视频可以保留两个原始训练样本分别对应的视频，视频内容未丢失。还可以对两个原始样本对分别对应的文本描述信息进行文本融合处理，获得融合文本，融合文本可以保留两个原始训练样本分别对应的文本描述信息，文本描述信息也未丢失。因此，可以将融合视频和融合文本作为融合训练样本，实现融合训练样本在视频和文本两个方面的融合，获得更准确更全面的融合训练样本。
进一步地，在任一实施例的基础上，对样本对中的两个原始训练样本分别对应的视频进行视频融合处理，获得融合视频，包括：
按照预设的视频帧采样频率，确定目标采样时刻。
从样本对的两个原始训练样本分别对应的视频中提取目标采样时刻分别对应的视频帧，获得两个原始训练样本分别在目标采样时刻对应的视频帧。
将在目标采样时刻采集的两个原始训练样本分别对应的视频帧进行图像融合，得到目标采样时刻对应的目标图像；
根据目标采样时刻对应的目标图像，生成融合视频。
可选地，可以确定两个原始训练样本分别对应的权重，其中，两个训练样本分别对应的权重之和为1。假设其中一个原始训练样本的权重为α，另一个原始训练样本的权重为(1-α)，α例如可以设置为0.5。
两个原始训练样本分别对应的视频帧的图像融合步骤可以包括：
将两个原始训练样本分别对应的视频帧，在相同坐标位置的像素值按照各自的权重进行加权，得到各坐标位置对应的目标元素值，以确定各坐标位置对应的目标元素值构成的目标图像。
具体地，融合视频Vq可以通过下列融合公式计算获得：
其中，
为从样本对一个原始训练样本的视频Vi提取获得的第k个图像帧。
为从样本对的另一个原始训练样本的视频Vj提取获得的第k个图像帧。
目标采样时刻可以包括多个，每个目标采样时刻均可以进行视频帧的提取，以获得各原始训练样本的视频对应的K个视频帧。从样本对的一个原始训练样本的视频Vi提取获得的图像帧可以表示为：
从样本对的另一个原始训练样本的视频Vj提取获得的图像帧可以表示为：
本公开实施例中，可以根据预设的视频帧采样频率，确定目标采样时刻。目标采样时刻可以为对样本对的采样时刻，进而可以从样本对的两个原始训练样本分别对应的视频中提取目标采样时刻分别对应的视频帧，实现同步提取两个原始训练样本各自的视频的提取，确保两个原始训练样本的提取时间的一致性。通过将在目标采样时刻采集的两个原始训练样本分别对应的视频帧进行图像融合，可以得到目标采样时刻的目标图像，实现对目标采样时刻的图像的融合采样。通过目标采样时刻对应的目标图像，可以生成融合视频，也即利用目标采样时刻融合后的目标图像实现融合视频的准确提取，使得融合视频中的目标图像与目标采样时刻相对应，确保融合视频的时间一致性，实现有效融合，获得更准确的融合视频。
进一步地，在上述任一述实施例的基础上，对样本对中的两个原始训练样本分别对应的文本描述信息进行文本融合处理，获得融合文本，包括：
将样本对中的两个原始训练样本分别对应的文本描述信息进行文本拼接，获得融合文本。
可选地，可以采用文本拼接函数，将样本对中的两个原始样本分别对应的文本描述信息进行文本拼接，得到融合文本。
其中，文本拼接函数可以表示为：
Tk＝concat(Ti，Tj)
其中，Ti、Tj分别为两个原始训练样本分别对应的文本描述信息。
本公开实施例中，可以采用文本拼接的方式对样本对中两个原始训练样本分别对应的文本描述信息进行融合，使得融合文本是基于原始训练样本各自的文本描述信息构成，并未对两个原始训练样本各自的文本描述信息进行修改，保障了融合文本与融合视频的内容关联性，提高融合文本的获取效率和准确性。
为了便于理解，图4示出了视频帧和文本融合的示例图。参考图4，假设存在目标采样时刻在两个原始训练样本分别采集的视频帧为401和402，以及在目标采样时刻在两个原始训练样本分别采集的文本描述信息为403和404。其中，可以将视频帧401和视频帧402进行图像融合，得到目标图像405。可以将文本描述信息403和文本描述信息404进行文本拼接，得到融合文本406。当然，图4中示出的目标采样时刻为一个，仅是为了说明图像帧和文本描述信息的具体融合示例，并不应构成对采样次数的限制。在实际应用中，目标采样时刻可以为多个，也即，各目标采样时刻分别采集的两个原始训练样本各自的视频帧均可以进行融合，可以得到多个目标图像，以基于多个目标图像生成融合视频。
如图5所示，为本公开实施例提供的一种跨模态检索模型的训练方法的又一个实施例的流程图，与上述实施例的不同之处在于，根据跨模态检索模型的原始训练样本和融合训练样本，对跨模态检索模型进行训练，获得目标检索模型，包括：
步骤501：根据跨模态检索模型的原始训练样本和融合训练样本，确定参与跨模态检索模型训练的目标训练样本，以获得目标训练样本中的目标视频和目标视频的文本描述信息。
可选地，步骤501可以包括：将跨模态检索模型的原始训练样本和融合训练样本直接作为目标训练样本，参与到跨模态检索模型的训练。当然，在实际应用中，可以对原始训练样本和/或融合训练样本进行样本筛选，将满足样本使用条件的原始训练样本和/或融合训练样本作为目标训练样本，以确保目标训练样本的有效性。训练样本满足样本使用条件例如可以包括：不缺少视频或视频对应的文本描述信息、视频时长满足时长要求或者文本描述信息的字符数量满足字数要求等。视频时长满足时长要求例如是视频时长不能过长或过短。文本描述信息的字符数量满足字数要求例如可以是文本描述信息的字符数量不能过大或过小。
步骤502：确定跨模态检索模型的模型参数。
步骤503：根据模型参数对应的跨模态检索模型，提取目标训练样本中目标视频对应的视频语义特征和目标视频的文本描述信息对应的文本语义特征。
步骤504：根据视频语义特征和文本语义特征之间的语义差异，确定模型参数对应的跨模态检索模型的目标损失值。
步骤505：若确定目标损失值满足损失条件，则确定满足损失条件时的模型参数对应的跨模态检索模型为目标检索模型。
可选地，步骤502可以包括：初始化跨模态检索模型的模型参数，具体可以参考机器学习模型、神经网络模型的参数初始化过程。
可选地，目标损失值满足损失条件，可以指目标损失值小于损失阈值。目标损失值不满足损失条件可以指目标损失值大于或等于损失阈值。
本公开实施例中，利用原始训练样本和融合训练样本确定跨模态检索模型的目标训练样本，目标训练样本的数量更多，样本更充足。因此，在跨模态检索模型训练过程中，可以实现视频语义特征和文本语义特征的准确提取。进而利用视频语义特征和文本语义特征进行语义差异分析，获得跨模态检索模型的目标损失值。并通过损失条件对目标损失值进行约束，可以实现对损失条件的满足检测，使得获得的目标检索模型对应的目标损失值能够满足损失条件，精度更高。
进一步地，在任一实施例的基础上，根据视频语义特征和文本语义特征之间的语义差异，确定模型参数对应的跨模态检索模型的目标损失值，包括：
根据语义约束公式，计算视频语义特征和文本语义特征之间的语义相关信息；
根据语义相关信息，确定模型参数对应的跨模态检索模型的目标损失值。
可选地，语义约束公式可以为InfoNCE loss(info Noise ContrastiveEstimation loss，基于对比度的损失函数)等损失约束函数。
语义相关信息可以使用下列公式表示：
参考上述公式，s(vi，tj)为语义相关信息。Wj为文本语义特征。
为视频语义特征。也即，语义相关信息可以为文本语义特征的转置和视频语义特征的乘积，与文本语义特征的范数和视频语义范数的乘积的商，得到语义相关信息。
本公开实施例中，通过语义约束公式计算视频语义特征和文本语义特征之间的语义相关信息，通过语义相关信息对视频语义特征和文本语义特征进行差异表达。进而根据语义相关信息，确定模型参数对应的跨模态检索模型的目标损失值。将视频语义特征和文本语义特征的语义相关信息作为跨模态检索模型的目标损失值的计算基础，可以使得目标损失值能够更好地表征视频和文本之间的差异，提高跨模态检索模型的训练约束程度，训练获得的跨模态检索模型准确度更高。
进一步地，在任意实施例的基础上，根据语义相关信息，确定跨模态检索模型的目标损失值，包括：
将语义相关信息输入第一损失函数，计算第一损失值，第一损失函数为基于视频检索文本时的损失函数；
将语义相关信息输入第二损失函数，计算第二损失值，第二损失函数为基于文本检索视频时的损失函数；
计算第一损失值和第二损失值之和，获得模型参数对应的跨模态检索模型的目标损失值。
可选地，第一损失函数和第二损失函数可以通过指数函数exp和对数函数log构成。
可选地，第一损失函数可以使用下列公式表示：
第二损失函数可以使用下列公式表示：
其中，s(vi，ti)可以为一种语义相关信息。tj为文本语义特征，vi为视频语义特征。B为文本语义特征和视频语义特征的数量，也即目标训练样本的数量。
具体地，第一损失函数的计算过程可以为：将语义相关信息的指数函数的指数取值和各视频到文本的语义相关信息在指数函数的取值加和，获得指数和。计算指数取值和指数和的商，获得指数误差，计算各指数误差的对数值，并将对数值相加获得第一对数和，再计算第一对数和和与
的商，获得第一损失值。视频到文本的语义相关信息可以表示为s(vi，tj)。
同样地，第二损失函数的计算过程可以为：将语义相关信息的指数函数的指数取值和各文本到视频的语义相关信息在指数函数的取值加和，获得指数和。计算指数取值和指数和的商，获得指数误差，计算各指数误差的对数值，并将对数值相加获得第二对数和，再计算第二对数和与
的商，获得第二损失值。视频到文本的语义相关信息可以表示为s(vj，ti)。
本公开实施例中，可以通过第一损失函数和第二损失函数分别计算语义相关信息对应的第一损失值和第二损失值。第一损失函数为基于视频检索文本时的损失函数，第二损失函数为基于文本检索视频时的损失函数，为跨模态检索模型对文本和视频的损失进行跨模态的损失计算，使得通过第一损失值和第二损失值之和对应的目标损失值能够受到文本到视频以及视频文本的两个方面的损失约束，使得目标损失值的构成含义更广泛，对跨模态检索模型的损失表征更准确。
进一步地，在任一实施例的基础上，根据模型参数对应的跨模态检索模型，提取目标训练样本中目标视频对应的视频语义特征和目标视频的文本描述信息对应的文本语义特征，包括：
确定跨模态检索模型在模型参数对应的视频语义提取子模型和文本语义提取子模型；
利用视频语义提取子模型，提取目标训练样本中目标视频的视频语义特征；
利用文本语义提取子模型，提取目标训练样本中目标视频的文本描述信息的文本语义特征。
可选地，视频语义提取子模型可以包括ViT(Vision Transformer，视觉变换器)模型和Transformer(转换)模型，通过Vit模型可以作为图像特征提取器提取目标视频的特征序列，再将特征序列输入到Transformer模型进行处理，获得Transformer模型输出的CSI(classification，分类)位置的向量作为视频语义特征。
可选地，文本语义提取子模型可以包括BERT(Bidirectional EncoderRepresentations fromTransformer,来自变换器的双向编码器表征量)模型等神经网络模型，通过文本语义提取子模型可对文本的词级别的局部特征，将局部特征进行全局平均池化处理后可以获得文本语义特征。
本公开实施例中，通过确定跨模态检索模型在模型参数对应的视频语义提取子模型和文本语义提取子模型，实现文本语义和视频语义的分开处理。进而利用视频语义提取子模型提取目标视频的视频语义特征，利用文本语义提取子模型提取目标视频的文本描述信息的文本语义特征，实现视频语义特征和文本语义特征的准确而高效的提取。
进一步地，在上述任一实施例的基础上，该方法还可以包括：
若确定目标损失值不满足损失条件，则更新跨模态检索模型的模型参数，返回至根据模型参数对应的跨模态检索模型，提取目标训练样本中目标视频对应的视频语义特征和目标视频的文本描述信息对应的文本语义特征的步骤继续执行。
可选地，目标损失值为模型参数对应的跨模态检索模型的训练误差，通过目标损失值可以对模型参数对应的跨模态检索模型的检索效果进行评价，可以通过目标损失值对跨模态检索模型进行更新控制，提高跨模态检索模型的更新准确性和效率。
可选地，更新跨模态检索模型的模型参数可以包括：通过目标损失值结合梯度下降算法，更新跨模态检索模型的模型参数。
本公开实施例中，在跨模态检索模型的训练过程中，在目标损失值不满足损失条件时，可以更新跨模态检索模型，实现对跨模态检索模型的更新，实现跨模态检索模型的迭代训练，提高跨模态检索模型的训练效率。
如图6所示，为本公开实施例提供的一种跨模态检索模型的查询方法的一个实施例的流程图，该方法可以包括以下几个步骤：
步骤601：接收用户终端发送的查询内容，查询内容属于第一模态。
步骤602：将查询内容输入训练获得的目标检索模型，获得与查询内容相匹配的目标内容，目标检索模型是基于上述任一实施例所示的跨模态检索模型的训练方法训练获得，目标内容属于第二模态。
步骤603：发送目标内容至用户的用户终端，目标内容由用户终端展示。
可选地，查询内容可以包括视频、图像或文字。目标内容可以为与查询内容模态不同的内容，例如查询内容为图像或文字时，可以目标内容可以为视频，查询内容为文字或图像。当然，在实际应用中，查询内容和目标内容的模态不同即可。
本公开实施例中，电子设备可以接收用户终端发送的查询内容，并将查询内容输入到训练获得的目标检索模型。通过目标检索模型检索获得与查询内容相匹配的目标内容，以将目标内容发送至用户的用户终端，实现内容查询和内容反馈，而查询内容属于第一模态，目标内容属于第二模态，实现跨模态的内容查询。目标检索模型是基于上述的跨模态检索模型的训练方法训练获得，训练过程中使用到融合训练样本，训练样本数量更充足，训练获得的目标检索模型精度更高。因此，通过精度更高的目标检索模型的内容查询准确度更高，提高了内容查询的准确度。
如图7所示，为本公开实施例提供的一种跨模态检索模型的训练装置的一个实施例的结构示意图，该跨模态检索模型的训练装置700可以包括以下几个单元：
获取单元701：用于获取待训练的跨模态检索模型的样本对，样本对包括随机确定的两个原始训练样本。
融合单元702：用于对样本对中的两个原始训练样本进行样本融合处理，获得融合训练样本。
训练单元703：用于根据跨模态检索模型的原始训练样本和融合训练样本，对跨模态检索模型进行训练，获得目标检索模型。
其中，目标检索模型用于查询与待查询内容相匹配的目标内容，待查询内容和目标内容的模态不同。
进一步地，在上述任一实施例的基础上，训练样本包括视频和视频的文本描述信息，融合单元，包括：
视频融合模块，用于对样本对中的两个原始训练样本分别对应的视频进行视频融合处理，获得融合视频；
文本融合模块，用于对样本对中的两个原始训练样本分别对应的文本描述信息进行文本融合处理，获得融合文本；
样本确定模块，用于根据融合视频和融合文本，确定融合训练样本。
进一步地，在上述任一实施例的基础上，视频融合模块，包括：
时刻确定子模块，用于按照预设的视频帧采样频率，确定目标采样时刻；
图像采样子模块，用于从样本对的两个原始训练样本分别对应的视频中提取目标采样时刻分别对应的视频帧，获得两个原始训练样本分别在目标采样时刻对应的视频帧；
图像融合子模块，用于将在目标采样时刻采集的两个原始训练样本分别对应的视频帧进行图像融合，得到目标采样时刻对应的目标图像；
视频生成子模块，用于根据目标采样时刻对应的目标图像，生成融合视频。
进一步地，在上述任一实施例的基础上，文本融合模块，包括：
文本拼接子模块，用于将样本对中的两个原始训练样本分别对应的文本描述信息进行文本拼接，获得融合文本。
进一步地，在上述任一实施例的基础上，训练单元，包括：
样本确定模块，用于根据跨模态检索模型的原始训练样本和融合训练样本，确定参与跨模态检索模型训练的目标训练样本，以获得目标训练样本中的目标视频和目标视频的文本描述信息；
参数确定模块，用于确定跨模态检索模型的模型参数；
语义提取模块，用于根据模型参数对应的跨模态检索模型，提取目标训练样本中目标视频对应的视频语义特征和目标视频的文本描述信息对应的文本语义特征；
损失计算模块，用于根据视频语义特征和文本语义特征之间的语义差异，确定模型参数对应的跨模态检索模型的目标损失值；
目标确定模块，用于若确定目标损失值满足损失条件，则确定模型参数对应的跨模态检索模型为目标检索模型。
进一步地，在上述任一实施例的基础上，损失计算模块，包括：
语义相关子模块，用于根据语义约束公式，计算视频语义特征和文本语义特征之间的语义相关信息；
损失计算子模块，用于根据语义相关信息，确定模型参数对应的跨模态检索模型的目标损失值。
进一步地，在上述任一实施例的基础上，损失计算子模块具体用于：
将语义相关信息输入第一损失函数，计算第一损失值，第一损失函数为基于视频检索文本时的损失函数；
将语义相关信息输入第二损失函数，计算第二损失值，第二损失值为基于文本检索视频时的损失函数；
将第一损失值和第二损失值相加，获得模型参数对应的跨模态检索模型的目标损失值。
进一步地，在上述任一实施例的基础上，语义提取模块，包括：
模型确定子模块，用于确定跨模态检索模型在模型参数对应的视频语义提取子模型和文本语义提取子模型；
视频提取子模块，用于利用视频语义提取子模型，提取目标训练样本中目标视频的视频语义特征；
文本提取子模块，用于利用文本语义提取子模型，提取目标训练样本中目标视频的文本描述信息的文本语义特征。
进一步地，在上述任一实施例的基础上，训练单元，还包括：
参数更新模块，用于若确定目标损失值不满足损失条件，则更新跨模态检索模型的模型参数，返回至根据模型参数对应的跨模态检索模型，提取目标训练样本中目标视频对应的视频语义特征和目标视频的文本描述信息对应的文本语义特征的步骤继续执行。
如图8所示，为本公开实施例提供的一种跨模态检索模型的查询装置的一个实施例的结构示意图，该装置可以包括以下几个单元：
接收单元801：用于接收用户终端发送的查询内容，查询内容属于第一模态。
查询单元802：用于将查询内容输入训练获得的目标检索模型，获得与查询内容相匹配的目标内容，目标检索模型是基:上述任一实施例所示的跨模态检索模型的训练方法训练获得，目标内容属于第二模态。
发送单元803：用于发送目标内容至用户的用户终端，目标内容由用户终端展示。
本公开的装置可以用于执行上述方法，关于各装置的具体执行内容可以参考相关方法的描述，在此不再赘述。
需要说明的是，本实施例中的跨模态检索模型并不是针对某一特定用户的人头模型，并不能反映出某一特定用户的个人信息。需要说明的是，本实施例中的训练样本来自于公开数据集。
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。
其中，电子设备可以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上述任一实施例所提供的方法。
其中，存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令可以用于使计算机执行上述任一实施例所提供的方法。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
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、ROM902以及RAM903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，例如跨模态检索模型的训练方法或查询方法。例如，在一些实施例中，跨模态检索模型的训练方法或查询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跨模态检索模型的训练方法或查询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)而被配置为执行跨模态检索模型的训练方法或查询方法。
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)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)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。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 (23)
1.一种跨模态检索模型的训练方法，包括：
获取待训练的跨模态检索模型的样本对，所述样本对包括随机确定的两个原始训练样本；
对所述样本对中的两个原始训练样本进行样本融合处理，获得融合训练样本；
根据所述跨模态检索模型的原始训练样本和所述融合训练样本，对所述跨模态检索模型进行训练，获得目标检索模型；
其中，所述目标检索模型用于查询与待查询内容相匹配的目标内容，所述待查询内容和所述目标内容的模态不同。
2.根据权利要求1所述的方法，其中，所述训练样本包括视频和所述视频的文本描述信息；所述对所述样本对中的两个原始训练样本进行样本融合处理，获得融合训练样本，包括：
对所述样本对中的两个原始训练样本分别对应的视频进行视频融合处理，获得融合视频；
对所述样本对中的两个原始训练样本分别对应的文本描述信息进行文本融合处理，获得融合文本；
根据所述融合视频和所述融合文本，确定所述融合训练样本。
3.根据权利要求2所述的方法，其中，所述对所述样本对中的两个原始训练样本分别对应的视频进行视频融合处理，获得融合视频，包括：
按照预设的视频帧采样频率，确定目标采样时刻；
从所述样本对的两个原始训练样本分别对应的视频中提取所述目标采样时刻分别对应的视频帧，获得两个原始训练样本分别在所述目标采样时刻对应的视频帧；
将在所述目标采样时刻采集的两个原始训练样本分别对应的视频帧进行图像融合，得到所述目标采样时刻对应的目标图像；
根据所述目标采样时刻对应的目标图像，生成所述融合视频。
4.根据权利要求2或3所述的方法，其中，所述对所述样本对中的两个原始训练样本分别对应的文本描述信息进行文本融合处理，获得融合文本，包括：
将所述样本对中的两个原始训练样本分别对应的文本描述信息进行文本拼接，获得所述融合文本。
5.根据权利要求1-4任一项所述的方法，其中，所述根据所述跨模态检索模型的原始训练样本和所述融合训练样本，对所述跨模态检索模型进行训练，获得目标检索模型，包括：
根据所述跨模态检索模型的原始训练样本和所述融合训练样本，确定参与所述跨模态检索模型训练的目标训练样本，以获得所述目标训练样本中的目标视频和目标视频的文本描述信息；
确定所述跨模态检索模型的模型参数；
根据所述模型参数对应的所述跨模态检索模型，提取所述目标训练样本中所述目标视频对应的视频语义特征和所述目标视频的文本描述信息对应的文本语义特征；
根据所述视频语义特征和所述文本语义特征之间的语义差异，确定所述模型参数对应的跨模态检索模型的目标损失值；
若确定所述目标损失值满足损失条件，则确定满足损失条件时的模型参数对应的跨模态检索模型为所述目标检索模型。
6.根据权利要求5所述的方法，其中，所述根据所述视频语义特征和所述文本语义特征之间的语义差异，确定所述模型参数对应的跨模态检索模型的目标损失值，包括：
根据语义约束公式，计算所述视频语义特征和所述文本语义特征之间的语义相关信息；
根据所述语义相关信息，确定所述模型参数对应的跨模态检索模型的目标损失值。
7.根据权利要求6所述的方法，其中，所述根据所述语义相关信息，确定所述跨模态检索模型的目标损失值，包括：
将所述语义相关信息输入第一损失函数，计算第一损失值，所述第一损失函数为基于视频检索文本时的损失函数；
将所述语义相关信息输入第二损失函数，计算第二损失值，所述第二损失函数为基于文本检索视频时的损失函数；
计算所述第一损失值和所述第二损失值之和，获得所述模型参数对应的跨模态检索模型的目标损失值。
8.根据权利要求5-7任一项所述的方法，其中，所述根据所述模型参数对应的所述跨模态检索模型，提取所述目标训练样本中所述目标视频对应的视频语义特征和所述目标视频的文本描述信息对应的文本语义特征，包括：
确定所述跨模态检索模型在所述模型参数对应的视频语义提取子模型和文本语义提取子模型；
利用视频语义提取子模型，提取所述目标训练样本中目标视频的视频语义特征；
利用文本语义提取子模型，提取所述目标训练样本中目标视频的文本描述信息的文本语义特征。
9.根据权利要求5-8任一项所述的方法，还包括：
若确定所述目标损失值不满足损失条件，则更新所述跨模态检索模型的模型参数，返回至所述根据所述模型参数对应的所述跨模态检索模型，提取所述目标训练样本中所述目标视频对应的视频语义特征和所述目标视频的文本描述信息对应的文本语义特征的步骤继续执行。
10.一种跨模态检索模型的查询方法，包括：
接收用户终端发送的查询内容，所述查询内容属于第一模态；
将所述查询内容输入训练获得的目标检索模型，获得与所述查询内容相匹配的目标内容，所述目标检索模型是基于权利要求1-9的跨模态检索模型的训练方法训练获得，所述目标内容属于第二模态；
发送所述目标内容至所述用户的所述用户终端，所述目标内容由所述用户终端展示。
11.一种跨模态检索模型的训练装置，包括：
获取单元，用于获取待训练的跨模态检索模型的样本对，所述样本对包括随机确定的两个原始训练样本；
融合单元，用于对所述样本对中的两个原始训练样本进行样本融合处理，获得融合训练样本；
训练单元，用于根据所述跨模态检索模型的原始训练样本和所述融合训练样本，对所述跨模态检索模型进行训练，获得目标检索模型；
其中，所述目标检索模型用于查询与待查询内容相匹配的目标内容，所述待查询内容和所述目标内容的模态不同。
12.根据权利要求11所述的装置，其中，所述训练样本包括视频和所述视频的文本描述信息，所述融合单元，包括：
视频融合模块，用于对所述样本对中的两个原始训练样本分别对应的视频进行视频融合处理，获得融合视频；
文本融合模块，用于对所述样本对中的两个原始训练样本分别对应的文本描述信息进行文本融合处理，获得融合文本；
样本确定模块，用于根据所述融合视频和所述融合文本，确定所述融合训练样本。
13.根据权利要求12所述的装置，其中，所述视频融合模块，包括：
时刻确定子模块，用于按照预设的视频帧采样频率，确定目标采样时刻；
图像采样子模块，用于从所述样本对的两个原始训练样本分别对应的视频中提取所述目标采样时刻分别对应的视频帧，获得两个原始训练样本分别在所述目标采样时刻对应的视频帧；
图像融合子模块，用于将在所述目标采样时刻采集的两个原始训练样本分别对应的视频帧进行图像融合，得到所述目标采样时刻对应的目标图像；
视频生成子模块，用于根据所述目标采样时刻对应的目标图像，生成所述融合视频。
14.根据权利要求12或13所述的装置，其中，所述文本融合模块，包括：
文本拼接子模块，用于将所述样本对中的两个原始训练样本分别对应的文本描述信息进行文本拼接，获得所述融合文本。
15.根据权利要求11-14任一项所述的装置，其中，所述训练单元，包括：
样本确定模块，用于根据所述跨模态检索模型的原始训练样本和所述融合训练样本，确定参与所述跨模态检索模型训练的目标训练样本，以获得所述目标训练样本中的目标视频和目标视频的文本描述信息；
参数确定模块，用于确定所述跨模态检索模型的模型参数；
语义提取模块，用于根据所述模型参数对应的所述跨模态检索模型，提取所述目标训练样本中所述目标视频对应的视频语义特征和所述目标视频的文本描述信息对应的文本语义特征；
损失计算模块，用于根据所述视频语义特征和所述文本语义特征之间的语义差异，确定所述模型参数对应的跨模态检索模型的目标损失值；
目标确定模块，用于若确定所述目标损失值满足损失条件，则确定所述模型参数对应的跨模态检索模型为所述目标检索模型。
16.根据权利要求15所述的装置，其中，所述损失计算模块，包括：
语义相关子模块，用于根据语义约束公式，计算所述视频语义特征和所述文本语义特征之间的语义相关信息；
损失计算子模块，用于根据所述语义相关信息，确定所述模型参数对应的跨模态检索模型的目标损失值。
17.根据权利要求16所述的装置，其中，所述损失计算子模块具体用于：
将语义相关信息输入第一损失函数，计算第一损失值，所述第一损失函数为基于视频检索文本时的损失函数；
将所述语义相关信息输入第二损失函数，计算第二损失值，所述第二损失值为基于文本检索视频时的损失函数；
将所述第一损失值和所述第二损失值相加，获得所述模型参数对应的跨模态检索模型的目标损失值。
18.根据权利要求15-17任一项所述的装置，其中，所述语义提取模块，包括：
模型确定子模块，用于确定所述跨模态检索模型在所述模型参数对应的视频语义提取子模型和文本语义提取子模型；
视频提取子模块，用于利用视频语义提取子模型，提取所述目标训练样本中目标视频的视频语义特征；
文本提取子模块，用于利用文本语义提取子模型，提取所述目标训练样本中目标视频的文本描述信息的文本语义特征。
19.根据权利要求15-18任一项所述的装置，其中，所述训练单元，还包括：
参数更新模块，用于若确定所述目标损失值不满足损失条件，则更新所述跨模态检索模型的模型参数，返回至所述根据所述模型参数对应的所述跨模态检索模型，提取所述目标训练样本中所述目标视频对应的视频语义特征和所述目标视频的文本描述信息对应的文本语义特征的步骤继续执行。
20.一种跨模态检索模型的查询装置，包括：
接收单元，用于接收用户终端发送的查询内容，所述查询内容属于第一模态；
查询单元，用于将所述查询内容输入训练获得的目标检索模型，获得与所述查询内容相匹配的目标内容，所述目标检索模型是基于权利要求1-9的跨模态检索模型的训练方法训练获得，所述目标内容属于第二模态；
发送单元，用于发送所述目标内容至所述用户的所述用户终端，所述目标内容由所述用户终端展示。
21.一种电子设备，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1-9或10中任一项所述的方法。
22.一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1-9或10中任一项所述的方法。
23.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-9或10中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310074339.5A CN115994243A (zh) | 2023-01-13 | 2023-01-13 | 跨模态检索模型处理方法、装置、设备、产品及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310074339.5A CN115994243A (zh) | 2023-01-13 | 2023-01-13 | 跨模态检索模型处理方法、装置、设备、产品及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115994243A true CN115994243A (zh) | 2023-04-21 |
Family
ID=85991786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310074339.5A Pending CN115994243A (zh) | 2023-01-13 | 2023-01-13 | 跨模态检索模型处理方法、装置、设备、产品及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115994243A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116778376A (zh) * | 2023-05-11 | 2023-09-19 | 中国科学院自动化研究所 | 内容安全检测模型训练方法、检测方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464993A (zh) * | 2020-11-05 | 2021-03-09 | 苏州浪潮智能科技有限公司 | 一种多模态模型训练方法、装置、设备及存储介质 |
| WO2021177628A1 (en) * | 2020-03-04 | 2021-09-10 | Samsung Electronics Co., Ltd. | Method and apparatus for action recognition |
| CN113806482A (zh) * | 2021-09-17 | 2021-12-17 | 中国电信集团系统集成有限责任公司 | 视频文本跨模态检索方法、装置、存储介质和设备 |
| CN114511082A (zh) * | 2022-02-16 | 2022-05-17 | 腾讯科技（深圳）有限公司 | 特征提取模型的训练方法、图像处理方法、装置及设备 |
| CN114969439A (zh) * | 2022-06-27 | 2022-08-30 | 北京爱奇艺科技有限公司 | 一种模型训练、信息检索方法及装置 |
| CN115168638A (zh) * | 2022-06-22 | 2022-10-11 | 网易（杭州）网络有限公司 | 一种跨模态检索模型的训练方法、装置、设备及存储介质 |
-
2023
- 2023-01-13 CN CN202310074339.5A patent/CN115994243A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021177628A1 (en) * | 2020-03-04 | 2021-09-10 | Samsung Electronics Co., Ltd. | Method and apparatus for action recognition |
| CN112464993A (zh) * | 2020-11-05 | 2021-03-09 | 苏州浪潮智能科技有限公司 | 一种多模态模型训练方法、装置、设备及存储介质 |
| CN113806482A (zh) * | 2021-09-17 | 2021-12-17 | 中国电信集团系统集成有限责任公司 | 视频文本跨模态检索方法、装置、存储介质和设备 |
| CN114511082A (zh) * | 2022-02-16 | 2022-05-17 | 腾讯科技（深圳）有限公司 | 特征提取模型的训练方法、图像处理方法、装置及设备 |
| CN115168638A (zh) * | 2022-06-22 | 2022-10-11 | 网易（杭州）网络有限公司 | 一种跨模态检索模型的训练方法、装置、设备及存储介质 |
| CN114969439A (zh) * | 2022-06-27 | 2022-08-30 | 北京爱奇艺科技有限公司 | 一种模型训练、信息检索方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 杨曦等: "《多模态数据融合与检索技术》", 30 June 2021, 西安：西安电子科学技术大学出版社, pages: 26 - 28 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116778376A (zh) * | 2023-05-11 | 2023-09-19 | 中国科学院自动化研究所 | 内容安全检测模型训练方法、检测方法和装置 |
| CN116778376B (zh) * | 2023-05-11 | 2024-03-22 | 中国科学院自动化研究所 | 内容安全检测模型训练方法、检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102576344B1 (ko) | 비디오를 처리하기 위한 방법, 장치, 전자기기, 매체 및 컴퓨터 프로그램 | |
| CN113343803B (zh) | 模型训练方法、装置、设备和存储介质 | |
| JP2023017910A (ja) | セマンティック表現モデルの事前トレーニング方法、装置及び電子機器 | |
| CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
| CN115359308B (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
| CN115994243A (zh) | 跨模态检索模型处理方法、装置、设备、产品及介质 | |
| CN115248890B (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
| CN113033194B (zh) | 语义表示图模型的训练方法、装置、设备和存储介质 | |
| CN112784102B (zh) | 视频检索方法、装置和电子设备 | |
| CN112528146B (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
| CN114972910B (zh) | 图文识别模型的训练方法、装置、电子设备及存储介质 | |
| CN116662495A (zh) | 问答处理方法、训练问答处理模型的方法及装置 | |
| CN114863450B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112784600B (zh) | 信息排序方法、装置、电子设备和存储介质 | |
| CN116090438A (zh) | 主题处理方法、装置、电子设备及存储介质 | |
| CN115098729A (zh) | 视频处理方法、样本生成方法、模型训练方法及装置 | |
| CN114882334A (zh) | 用于生成预训练模型的方法、模型训练方法及装置 | |
| CN113821687A (zh) | 一种内容检索方法、装置和计算机可读存储介质 | |
| CN113642495B (zh) | 用于评价时序提名的模型的训练方法、设备、程序产品 | |
| CN115952852B (zh) | 模型训练方法、文本检索方法、装置、电子设备和介质 | |
| CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
| CN113360712B (zh) | 视频表示的生成方法、装置和电子设备 | |
| CN115168537B (zh) | 语义检索模型的训练方法、装置、电子设备及存储介质 | |
| CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
| CN117435686A (zh) | 负例样本构建方法、商品搜索方法、装置及电子设备 |
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 |