CN116092101A - 训练方法、图像识别方法、装置、设备及可读存储介质 - Google Patents
训练方法、图像识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116092101A CN116092101A CN202310123957.4A CN202310123957A CN116092101A CN 116092101 A CN116092101 A CN 116092101A CN 202310123957 A CN202310123957 A CN 202310123957A CN 116092101 A CN116092101 A CN 116092101A
- Authority
- CN
- China
- Prior art keywords
- image
- text
- encoder
- trained
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000012549 training Methods 0.000 title claims abstract description 101
- 239000011159 matrix material Substances 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 241000282472 Canis lupus familiaris Species 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000001914 filtration 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
- 238000013526 transfer learning Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000286209 Phasianidae Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010420 art technique 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
- 238000011161 development Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V30/19007—Matching; Proximity measures
- G06V30/19093—Proximity measures, i.e. similarity or distance measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了训练方法、图像识别方法、装置、设备及可读存储介质，涉及图像处理技术领域，尤其涉及人工智能、深度学学习技术领域。具体实现方案为：将至少一个待训练图像输入图像编码器，获取所述待训练图像的图像编码特征；将与所述待训练图像配对的待训练文本输入文本编码器，获取所述待训练文本的文本编码特征；根据所述图像编码特征以及所述文本编码特征的相似度对所述图像编码器和所述文本编码器进行训练。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及人工智能、深度学学习技术领域，具体而言，本公开涉及一种训练方法、图像识别方法、装置、设备及可读存储介质。
背景技术
随着移动互联网的发展，内容消费随之升级，内容展现形式由单纯文字展示升级到图文结合展示，再到视频展示。
内容在发布以供用户获取信息之前需要进行风控审核。风控审核的主要目的是过滤风险内容(如低俗等不良内容)，以保证内容质量。
发明内容
本公开为了解决上述缺陷中的至少一项，提供了一种训练方法、图像识别方法、装置、设备及可读存储介质。
根据本公开的第一方面，提供了一种训练方法，该方法包括：
将至少一个待训练图像输入图像编码器，获取所述待训练图像的图像编码特征；
将与所述待训练图像配对的待训练文本输入文本编码器，获取所述待训练文本的文本编码特征；
根据所述图像编码特征以及所述文本编码特征的相似度对所述图像编码器和所述文本编码器进行训练。
根据本公开的第二方面，提供了一种图像识别方法，该方法包括：
将待识别图像输入图像编码器，获取所述待识别图像的图像编码特征；
将多个候选标签文本输入文本编码器，获取多个所述候选标签文本的文本编码特征；
至少根据所述待识别图像的图像编码特征与每个所述候选标签文本的文本编码特征的相似度确定多个所述候选标签文本中的一个候选标签文本为与所述待识别图像配对的标签文本；
其中，所述图像编码器和所述文本编码器为根据上述的训练方法训练得到的图像编码器和文本编码器。
根据本公开的第三方面，提供了一种训练装置，该装置包括：
第一编码单元，用于将至少一个待训练图像输入图像编码器，获取所述待训练图像的图像编码特征；
第二编码单元，用于将与所述待训练图像配对的待训练文本输入文本编码器，获取所述待训练文本的文本编码特征；
预测单元，用于根据所述图像编码特征以及所述文本编码特征的相似度对所述图像编码器和所述文本编码器进行训练。
根据本公开的第四方面，提供了一种图像识别装置，该装置包括：
第一编码模块，用于将待识别图像输入图像编码器，获取所述待识别图像的图像编码特征；
第二编码模块，用于将多个候选标签文本输入文本编码器，获取多个所述候选标签文本的文本编码特征；
预测模块，用于至少根据所述待识别图像的图像编码特征与每个所述候选标签文本的文本编码特征的相似度确定多个所述候选标签文本中的一个候选标签文本为与所述待识别图像配对的标签文本；
其中，所述图像编码器和所述文本编码器为根据上述的训练方法训练得到的图像编码器和文本编码器。
根据本公开的第五方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与上述至少一个处理器通信连接的存储器；其中，
存储器存储有可被上述至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述训练方法和图像识别方法。
根据本公开的第六方面，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，其中，该计算机指令用于使计算机执行上述训练方法和图像识别方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述训练方法和图像识别方法。
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是本公开实施例提供的一种训练方法的流程示意图；
图2是本公开实施例提供的另一种训练方法的部分步骤的流程示意图；
图3是本公开实施例提供的一种图像识别方法的流程示意图；
图4是本公开实施例提供的另一种图像识别方法的部分步骤的流程示意图；
图5是本公开实施例提供的一种训练装置的结构示意图；
图6是本公开实施例提供的一种图像识别装置的结构示意图；
图7是用来实现本公开实施例的训练方法和图像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。
在一些相关技术中，使用风险样本训练算法模型，通过训练后的算法模型过滤风险内容，但当突发新增管控政策等情况下，风险样本稀疏，数量可能无法满足训练算法模型的样本数量的需求，导致训练得到的算法模型过滤风险内容的能力较差。
在一些相关技术中，可以使用数据增强的方法增加风险样本的数量，即使用旋转、裁剪、复制等样本处理方法增加风险样本的数量，使用增强后的风险样本对算法模型进行有监督训练。
数据增强的方法虽然可以增加风险样本的数量，但由于风险样本的多样性不足，导致算法模型容易过拟合或欠拟合，导致训练得到的算法模型泛化能力较弱。
在一些相关技术中，也可以使用迁移学习提升算法模型的质量。即通过含有丰富标签的大规模数据训练得到一个预训练的基础网络，如ImageNet网络，再使用风险样本对基础网络进行微调。
一般情况下，预训练网络所用大规模数据标签的丰富度，对算法模型过滤风险内容的能力影响较大。在风险样本本身就是很难收集的样本的情况下，大规模的公开数据很难有与风险样本相似的样本，进而导致迁移学习得到的算法模型过滤风险内容的能力较差。
且无论是数据增强的方法还是迁移学习的方法，当出现新的类别需要识别过滤时，需要重新训练模型或者训练一个额外的模型来支持识别新的类别，造成迭代周期长以及算法资源的浪费。
本公开实施例提供的训练方法、图像识别方法、装置、设备及可读存储介质，旨在解决现有技术的如上技术问题中的至少一个。
本公开实施例提供的训练方法、图像识别方法可以由终端设备或服务器等电子设备执行，终端设备可以为车载设备、用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读程序指令的方式来实现。或者，可通过服务器执行所述方法。
图1示出了本公开实施例提供的一种训练方法的流程示意图，如图1中所示，该方法主要可以包括：
在步骤S110中，将至少一个待训练图像输入图像编码器，获取待训练图像的图像编码特征；
在步骤S120中，将与待训练图像配对的待训练文本输入文本编码器，获取待训练文本的文本编码特征；
在步骤S130中，根据图像编码特征以及文本编码特征的相似度对图像编码器和文本编码器进行训练。
举例来说，在步骤S110中，在一些可能的实现方式中，待训练图像的数量是巨大的。其可以是通过互联网获取的大规模公开数据。
在一些可能的实现方式中，在一次训练过程中，可以有N张待训练图像，N可以为训练过程中设置的batch_s ize(批尺寸)的大小。
在一些可能的实现方式中，图像编码器可以是CNN(Convolut ional NeuralNetwork，卷积神经网络)、Vis ion Transformer(视觉自注意力变换)网络等可以提取图像的图像特征的人工智能网络。
在一些可能的实现方式中，将待训练图像输入图像编码器之前，可以对待训练图像进行预处理，去除待训练图像的噪声，并将待训练图像变换至同样的大小以方便图像编码器提取其图像特征。
在一些可能的实现方式中，在步骤S120中，文本编码器可以Transformer(自注意力变换)网络、Bert网络、Ernie网络等可以提取文本的文本特征的网络。
在一些可能的实现方式中，与待训练图像配对的待训练文本可以是描述待训练图像的文本。
在一些可能的实现方式中，待训练图像以及与待训练图像配对的待训练文本可以是通过互联网获取的互联网图像-文本对。
在一些可能的实现方式中，为了保证数据尺度一致性，对图像编码特征和文本编码特征进行归一化。
在一些具体的实现方式中，可以是对图像编码特征和文本编码特征进行l2归一化。
在一些可能的实现方式中，在步骤S130中，对图像编码器和文本编码器进行联合训练。
在一些可能的实现方式中，根据图像编码特征和文本编码特征的相似度对图像编码器和文本编码器进行训练可以包括根据某个待训练图像的图像编码特征以及该待训练图像对应的文本编码特征的相似度对图像编码器和文本编码器进行训练；还可以包括根据某个待训练图像的图像编码特征和与除该待训练图像之外的其他待训练图像对应的文本编码特征的相似度对图像编码器和文本编码器进行训练；还可以包括根据某个待训练图像对应的文本编码特征和与除该待训练图像之外的其他待训练图像的图像编码特征的相似度对图像编码器和文本编码器进行训练。
在一些可能的实现方式中，计算图像编码特征和文本编码特征的相似度可以通过将图像编码特征和文本编码特征相乘来获取。
在本公开实施例提供的训练方法中，使用在互联网中容易获取的图像-文本对，通过图像的图像编码特征和文本的文本编码特征的相似度对图像编码器和文本编码器进行训练，使图像编码器和文本编码器可以学习到更抽象、综合的知识，学习到不同模态间的配对关系，训练得到的图像编码和文本编码器可以拥有更好的特征提取能力，在图像和文本的配对任务上有更好的表现。
同时，由于图像编码器和文本编码器学习的是不同模态之间的配对关系，因此，当出现新类别需要识别，可以直接使用图像编码器和文本编码器提取特征，通过计算图像和新类别的相似度来判定图像是否属于新类别，而不需要重新训练图像编码器和文本编码器，减少了训练模型所造成了资源浪费和时间浪费，提升了图像识别的效率。
下面对本公开实施例提供的训练方法进行具体的描述。
如上所述，在一些可能的实现方式中，与待训练图像配对的待训练文本可以是描述待训练图像的文本。
不同于一些相关技术中，将待训练图像与确切的单词配对，本公开实施例是将待训练图像与整个文本配对。
由于一张图像中一般都存在多个元素，只使用一个单词很难对一张图像进行准确的描述，而使用文本则可以对一张图像进行全面且准确的描述。
同时，人工智能的模型训练通常需要大量的带标注的训练数据进行模型训练。带标注的训练数据量越大，往往训练出来的模型性能越好，鲁棒性越强。但数据标注需要耗费大量的人力、资金和时间成本。而图像-文本对是在互联网很容易获取的，因此，使用本公开实施例的训练方法可以在少量时间、资金、人力成本投入的情况下获取大量的、种类丰富的训练数据。
在一些可能的实现方式中，在步骤S130中，根据图像编码特征和文本编码特征的相似度对图像编码器和文本编码器进行训练可以包括根据某个待训练图像的图像编码特征以及该待训练图像对应的文本编码特征的相似度对图像编码器和文本编码器进行训练；还可以包括根据某个待训练图像的图像编码特征和与除该待训练图像之外的其他待训练图像对应的文本编码特征的相似度对图像编码器和文本编码器进行训练；还可以包括根据某个待训练图像对应的文本编码特征和与除该待训练图像之外的其他待训练图像的图像编码特征的相似度对图像编码器和文本编码器进行训练。
在一些可能的实现方式中，可以通过构建相似度矩阵的方式来实现对图像编码器和文本编码器的训练。
图2示出了本公开实施例提供的一种训练方法中通过构建相似度矩阵的方式来实现对图像编码器和文本编码器的训练的具体流程的流程示意图，如图2中所示，该步骤主要可以包括：
在步骤S210中，根据图像编码特征以及文本编码特征构建相似度矩阵；
在步骤S220中，将相似度矩阵的第i行第i列元素作为正样本预测值，将相似度矩阵的其他元素作为负样本预测值，确定相似度矩阵每个元素对应的损失值，并根据损失值对图像编码器以及文本编码器进行训练；
其中，i，j为正整数，相似度矩阵的第i行第j列的元素为，第i个待训练图像的图像编码特征以及与第j个待训练图像配对的待训练文本的文本编码特征的相似度。
在一些可能的实现方式中，i，j为介于0到N之间的正整数，N为待训练图像的数量，具体可以是训练过程中设置的batch_s ize的大小。
在一些可能的实现方式中，在步骤S210中，根据图像编码特征和文本编码特征构建相似度矩阵之前为了保证数据尺度一致性，对图像编码特征和文本编码特征进行归一化。
在一些具体的实现方式中，可以对图像编码特征和文本编码特征进行l 1或l2归一化。
在一些可能的实现方式中，通过将图像编码特征和文本编码特征的相似度获取图像编码特征和文本编码特征的相似度。
在一些可能实现方式中，对于每一个待训练图像，计算其图像编码特征与所有待训练图像对应的文本编码特征的相似度以构建相似度矩阵。
在一些可能的实现方式中，相似度矩阵的第i行第j列的元素为，所有待训练图像中的第i个待训练图像的图像编码特征以及与所有待训练图像中的第j个待训练图像配对的待训练文本的文本编码特征的相似度。
也就是说，相似度矩阵的对角线为待处理图像的图像编码特征以及其对应的文本编码特征的相似度，是匹配的图像和文本，是正样本，相似度应该高。
相似度矩阵除对角线元素外的其他元素为待处理图像的图像编码特征以及除该待处理图像外其他待处理图像对应的文本编码特征的相似度，是不匹配的图像和文本，是负样本，相似度应该低。
在一些可能的实现方式中，在步骤S220中，将相似度矩阵的对角线元素(第i行第i列元素)作为正样本预测值，除对角线元素外其他元素作为负样本预测值，分别计算正样本标签和负样本标签和它们之间的距离，确定损失值，并使用损失值进行反向传播对图像编码器和文本编码器的参数进行修改。
在一些可能实现方式中，将相似度矩阵的第i行第i列元素作为第i个待训练图像对应的正样本预测值，将相似度矩阵的第i行的其他元素作为第i个待训练图像对应的负样本预测值，采用交叉熵损失函数确定相似度矩阵第i行元素对应的损失值，并根据损失值对图像编码器进行训练。
在一些可能的实现方式中，将相似度矩阵的第j行第j列元素作为与第j个待训练图像配对的待训练文本对应的正样本预测值，将相似度矩阵的第j列的其他元素作为与第j个待训练图像配对的待训练文本对应的负样本预测值，采用交叉熵损失函数确定相似度矩阵第j列元素对应的损失值，并根据损失值对文本编码器进行训练。
也就是说，将相似度矩阵的每一行视为一个待训练图像的正样本预测值和负样本预测值，采用交叉熵函数确定损失值，根据损失值对图像编码器进行训练。
将相似度矩阵的每一列视为一个待训练图像对应的待训练文本的正样本预测值和负样本预测值，采用交叉熵函数确定损失值，根据损失值对文本编码器进行训练。
通过构建相似度矩阵，可以将计算损失值的过程转变为矩阵运算，方便计算设备执行损失值计算，以及训练图像编码器和文本编码器。同时，通过将匹配的图像-文本对编码的距离拉近，将不匹配的图像-文本对编码的距离拉远，图像编码器和文本编码器可以更好的学习到不同模态之间的配对关系，使训练得到的图像编码和文本编码器可以拥有更好的特征提取能力，在图像和文本的配对任务上有更好的表现。
下面以一个具体实施例来对本公开实施例的训练方法进行说明。
对于输入的一批N个图像-文本样本对，使用XImage∈RN×C×H×W表示N个图像-文本样本对中的N个图像(即待训练图像)输入矩阵，C表示图像通道，H表示图像的高，W表示图像的宽。使用XText∈RN×S表示N个图像-文本对中的N个文本(即与待训练图像配对的待训练文本)输入矩阵，S表示文本的长度。
通过最大化批次中N个正确图像-文本配对(即每个待训练图像与其对应的待训练文本的配对)，同时最小化(NxN-N)不相关的图像-文本配对(即每个待训练图像与除自己对应的待训练文本外其他待训练文本的配对)，来图像编码器和文本编码器进行联合训练。
具体的，将待训练图像输入图像编码器，通过公式(1)获取所有待训练图像的图像编码特征组成的矩阵FImage。
其中，De表示编码后图像特征编码的特征维度，N为待训练图像的数量，fImage为图像编码器对应的函数。
将待训练文本输入文本编码器，通过公式(2)获取所有待训练文本的文本编码特征组成的矩阵FText。
其中，De表示编码后图像特征编码的特征维度，N为待训练图像的数量，fText为文本编码器对应的函数。
为了保证数据尺度一致性，对编码后的特征矩阵进行归一化(可以是l1归一化，也可以是l2归一化)，在本具体实施例中使用l2归一化进行归一化，得到归一化后图像编码特征矩阵
和文本编码特征矩阵
通过公式(3)计算相似度矩阵M。相似度矩阵M对角线上都是配对的正样本对预测值，而矩阵的其他元素，则是由同个批次内的图像和不配对的文本组成的负样本预测值。
对相似度矩阵M每一行i和每一列j求交叉熵损失，将所有交叉熵损失加和起来即形成了总损失了。
其中每一行可以视为是同个图像，通过公式(4)计算与同个批次内所有样本对的文本进行组合构成的样本对形成的损失Lossi-t，而每一列自然就是同个文本，通过公式(5)计算与同个批次内所有样本对的图像进行组合而构成的损失Losst-i。
并根据计算得到的loss，对图像编码器和文本编码器进行联合训练。
图3示出了本公开实施例提供的一种图像识别方法的流程示意图，如图3中所示，该方法主要可以包括：
在步骤S310中，将待识别图像输入图像编码器，获取待识别图像的图像编码特征；
在步骤S320中，将多个候选标签文本输入文本编码器，获取多个候选标签文本的文本编码特征；
在步骤S330中，至少根据待识别图像的图像编码特征与每个候选标签文本的文本编码特征的相似度确定多个候选标签文本中的一个候选标签文本为与待识别图像配对的标签文本；
其中，图像编码器和文本编码器为根据本公开实施例提供的训练方法训练得到的图像编码器和文本编码器。
举例来说，在步骤S310中，待识别图像可以是完整的图像，也可以是完整图像的目标区域。
在一些可能的实现方式中，本公开实施例提供的图像识别方法可以用于目标检测领域。
在一些具体的实现方式中，获取待检测图像，使用目标定位方法确定待检测图像的目标区域，将待检测图像的目标检测区域作为待识别图像使用本公开实施例提供的图像识别方法进行处理。
在一些具体的实现方式中，待检测图像的目标区域可以有多个，则将每个目标区域都作为一个待识别图像。
在一些可能的实现方式中，在将待识别图像输入图像编码器之前，对待识别图像进行预处理，去除待识别图像的噪声，并将待识别图像变换为图像编码器可接受的大小，以方便图像编码器对待识别图像进行处理。
在一些可能的实现方式中，图像编码器和文本编码器为使用本公开实施例提供的训练方法联合训练得到图像编码器和文本编码器。
使用本公开实施例提供的训练方法联合训练得到图像编码器和文本编码器的方法如上所述，在此不再赘述。
在一些可能的实现方式中，在步骤S320中，候选标签文本可以是通过将标签输入预定义模板得到的句子。其中，标签可以是一个具体的单词，如标签可以是“猫”、“狗”、“火鸡”等表示图像类别的单词，预定义模板可以是一张X照片，其中X是标签，则将标签输入预定义模板可以得到“一张猫照片”、“一张狗照片”、“一张火鸡照片”的候选标签文本。
在一些可能的实现方式中，将所有候选标签文本输入文本编码器获取每个候选标签文本对应的文本编码特征。
在一些可能的实现方式中，在步骤S330中，根据待识别图像的图像编码特征与每个候选标签文本的文本编码特征的相似度来确定每个候选标签文本的相似度得分。
在一些可能的实现方式中，将相似度得分高的候选标签文本确定为与待识别图像配对的标签文本，即确定待识别图像对应的标签为该标签文本对应的标签。
在一些可能的实现方式中，根据候选标签文本的相似度得分以及候选标签文本的自编码得分确定多个候选标签文本中的一个候选标签文本为与待识别图像配对的标签文本。
其中，候选标签文本的自编码得分通过待识别图像的图像编码特征和候选标签文本对应的样本图像的图像编码特征获取。
在一些可能的实现方式中，候选标签文本对应的样本图像的图像编码特征也通过图像编码器获取。
在一些可能的实现方式中，候选标签文本对应的样本图像的数量可以很少，即候选标签文本为样本稀疏或者说小样本的情况。
在一些可能的实现方式中，通过待识别图像的图像编码特征和样本图像的图像编码特征的相似度来确定候选标签文本的自编码得分。
在本公开实施例的图像识别方法中，将待识别图像输入图像编码器获取图像编码特征，将候选标签文本输入文本编码器获取文本编码特征，根据图像编码特征和文本编码特征的相似度来判断与待识别图像配对的标签文本，无需使用候选标签文本对应的样本图像对模型进行重新训练，减少了训练模型所造成了资源浪费和时间浪费，提升了图像识别的效率。
而且由于使用的是使用本公开实施例提供的训练方法训练得到的图像编码器和文本编码器提取特征，图像编码器和文本编码器学习到更抽象、综合的知识，学习到不同模态间的配对关系，拥有更好的特征提取能力，在图像和文本的配对任务上有更好的表现，因此，使用本公开实施例提供的图像识别方法确定的标签文本的准确率也更高。
下面对本公开实施例提供的图像识别方法进行展开说明。
如上所述，候选标签文本的自编码得分通过待识别图像的图像编码特征和候选标签文本对应的样本图像的图像编码特征获取。
图4示出了通过待识别图像的图像编码特征和候选标签文本对应的样本图像的图像编码特征获取候选标签文本的自编码得分的一种实施例的具体步骤。参照图4，该步骤可以包括：
在步骤S410中，将样本图像输入图像编码器，获取样本图像的图像编码特征；样本图像与多个候选标签文本中的一个候选标签文本对应；
在步骤S420中，根据待识别图像的图像编码特征和样本图像的图像编码特征计算样本图像对应的相似度得分；
在步骤S430中，根据相似度得分确定与样本图像对应的第一候选标签文本的自编码得分。
在一些可能的实现方式中，在步骤S410中，一个候选标签文本对应的样本数量可以是一个，也可以是多个。
也就是说，在候选标签文本对应的样本图像的数量较少的情况下，依然可以使用本公开实施例提供的图像识别方法获取待识别图像对应的标签文本。
在一些可能的实现方式中，可以一次性将所有候选标签文本对应的样本图像输入图像编码器，获取所有样本图像对应的图像编码特征。
在一些可能的实现方式中，在步骤S420中，计算待识别图像的图像编码特征和样本图像的图像编码特征的相似度；根据待识别图像的图像编码特征和样本图像的图像编码特征的相似度确定样本图像对应的相似度得分。
在一些可能的实现方式中，通过公式
来确定样本图像对应的相似度得分。
其中，A为样本图像对应的相似度得分，exp是以自然常数e为底的指数函数，α为超参数，可根据实际情况设置，
为待识别图像经过l 2归一化后的图像编码特征，
为样本图像经过l2归一化后的图像编码特征。
在一些可能的实现方式中，在步骤S430中，根据与第一候选标签文本对应的所有样本图像的相似度得分确定第一候选标签文本的自编码得分。
在一些可能的实现方式中，可以通过将与第一候选标签文本对应的所有样本图像的相似度得分相加确定第一候选标签文本的自编码得分。
在一些可能的实现方式中，可以通过确定第一候选标签文本的独热编码，并通过矩阵运算来实现将与第一候选标签文本对应的所有样本图像的相似度得分相加。
在一些具体的实现方式中，确定第一候选标签文本对应的独热编码；将与第一候选标签文本对应的所有样本图像的相似度得分组成相似度得分向量，将相似度得分向量与第一候选标签文本对应的独热编码相乘确定第一候选标签文本的自编码得分。
通过独热编码将计算候选标签文本的自编码得分的计算过程转换为矩阵运算过程，方便计算设备实现计算候选标签文本的自编码得分。
在一些可能的实现方式中，根据待识别图像的图像编码特征与每个候选标签文本的文本编码特征的相似度来确定每个候选标签文本的相似度得分；根据候选标签文本的相似度得分以及候选标签文本的自编码得分确定多个候选标签文本中的一个候选标签文本为与待识别图像配对的标签文本。
在一些可能的实现方式中，可以将相似度得分和自编码得分通过线性组合的方式进行融合来确定候选标签文本的最终得分，并通过候选标签文本的最终得分确定多个候选标签文本中的一个候选标签文本为与待识别图像配对的标签文本。
在一些可能的实现方式中，可以通过将相似度得分和自编码得分相加的方式来将相似度得分和自编码得分进行融合。
下面以一个具体实施例来对本公开实施例提供的图像识别方法进行说明。
将待识别图像输入图像编码器获取待识别图像的图像编码特征FTest_Image，
其中，De表示编码后图像特征编码的特征维度。
候选标签文本是通过将标签输入预定义模板得到的句子。其中，标签可以是一个具体的单词，如标签可以是“猫”、“狗”、“火鸡”等表示图像类别的单词，预定义模板可以是一张X照片，其中X是标签，则将标签输入预定义模板可以得到“一张猫照片”、“一张狗照片”、“一张火鸡照片”的候选标签文本。
将候选标签文本输入文本编码器，获取所有候选标签文本对应的文本编码特征组成的矩阵FTest_Text，
其中，De表示编码后图像特征编码的特征维度，C为候选标签文本的数量，在本具体实施例中，C为3。
为了保证数据尺度一致性，对编码后的特征进行归一化(可以是l1归一化，也可以是l2归一化)，在本具体实施例中使用l2归一化进行归一化，得到归一化后图像编码特征
和文本编码特征
对于已收集到的样本图像集合，即包含猫、狗、以及新增类别火鸡对应的的样本图像共C*K张图像,C表示类别数，K表示每个类别收集到的图像数(对于不同类别，K的值可以不同)，将所有样本图像输入图像编码器，提取并归一化所有样本图像的图像编码特征，获取所有样本图像的图像编码特征组成的矩阵
表示样本图像对应的候选标签文本的独热编码集，
独热编码以候选标签文本的数量为向量长度，每个样本图像对应的标签所代表的位置至为1，其他位置至为0。如猫、狗、新增类别火鸡共3类，类别标签依次是1、2、3，则这三个标签对应的独热编码分别为(1,0,0),(0,1,0),(0,0,1)，每个样本图像对应的独热编码及其对应的标签所对应的独热编码。
通过待识别图像编码特征
和所有样本图像编码特征组成的矩阵
计算得到所有样本图像的相似度得分组成的相似度得分向量Ascore，Ascore∈R1 ×CK，计算流程如公式(6)所示。
其中，exp是以自然常数e为底的指数函数，α为超参数，可根据实际情况设置，本公开实施例中设置为5。
相似度得分向量Ascore和候选标签文本的独热编码集
结合进行自适应编码，得到所有候选标签文本的自编码得分组成的向量FAdapter，FAdapter∈R1×C，计算流程如公式(7)所示。
其中，β为超参数，可根据实际情况设置，本公开实施例中设置为0.95。
通过待识别图像的图像编码特征待识别图像编码特征
和所有候选标签文本对应的文本编码特征组成的矩阵
的相似度得到所有候选标签文本的相似度得分组成的向量Rscore，Rscore∈R1×C，计算流程如公式(8)所示。
通过线性组合的方式将FAdapter和Rscore进行融合，本具体实施例采用加和方式进行融合，得到融合结果Pprob，Pprob∈R1×C，取融合结果中最大的值为预测得分，该最大的值对应的位置序号为预测类别，计算流程如公式(9)所示。
Pprob＝Rscore+FAdapter (9)
在一些具体实施例中，一些类别没有对应的样本图像，则直接通过待识别图像的图像编码特征待识别图像编码特征
和所有候选标签文本对应的文本编码特征组成的矩阵
的相似度得到所有候选标签文本的相似度得分组成的向量Rscore，并将Rscore中最大的值确认为预测得分，该最大的值对应的位置序号为预测类别。
基于与图1中所示的方法相同的原理，图5示出了本公开实施例提供的一种训练装置的结构示意图，如图5所示，该训练装置50可以包括：
第一编码单元510，用于将至少一个待训练图像输入图像编码器，获取待训练图像的图像编码特征；
第二编码单元520，用于将与待训练图像配对的待训练文本输入文本编码器，获取待训练文本的文本编码特征；
预测单元530，用于根据图像编码特征以及文本编码特征的相似度对图像编码器和文本编码器进行训练。
在本公开实施例提供的训练装置中，使用在互联网中容易获取的图像-文本对，通过图像的图像编码特征和文本的文本编码特征的相似度对图像编码器和文本编码器进行训练，使图像编码器和文本编码器可以学习到更抽象、综合的知识，学习到不同模态间的配对关系，训练得到的图像编码和文本编码器可以拥有更好的特征提取能力，在图像和文本的配对任务上有更好的表现。
同时，由于图像编码器和文本编码器学习的是不同模态之间的配对关系，因此，当出现新类别需要识别，可以直接使用图像编码器和文本编码器提取特征，通过计算图像和新类别的相似度来判定图像是否属于新类别，而不需要重新训练图像编码器和文本编码器，减少了训练模型所造成了资源浪费和时间浪费，提升了图像识别的效率。
可以理解的是，本公开实施例中的训练装置的上述各模块具有实现图1中所示的实施例中的训练方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述训练装置的各模块的功能描述具体可以参见图1中所示实施例中的训练方法的对应描述，在此不再赘述。
基于与图3中所示的方法相同的原理，图6示出了本公开实施例提供的一种图像识别装置的结构示意图，如图6所示，该图像识别装置60可以包括：
第一编码模块610，用于将待识别图像输入图像编码器，获取待识别图像的图像编码特征；
第二编码模块620，用于将多个候选标签文本输入文本编码器，获取多个候选标签文本的文本编码特征；
预测模块630，用于至少根据待识别图像的图像编码特征与每个候选标签文本的文本编码特征的相似度确定多个候选标签文本中的一个候选标签文本为与待识别图像配对的标签文本；
其中，图像编码器和文本编码器为根据本公开实施例提供的训练方法训练得到的图像编码器和文本编码器。
在本公开实施例提供的图像识别装置中，将待识别图像输入图像编码器获取图像编码特征，将候选标签文本输入文本编码器获取文本编码特征，根据图像编码特征和文本编码特征的相似度来判断与待识别图像配对的标签文本，无需使用候选标签文本对应的样本图像对模型进行重新训练，减少了训练模型所造成了资源浪费和时间浪费，提升了图像识别的效率。
可以理解的是，本公开实施例中的图像识别装置的上述各模块具有实现图3中所示的实施例中的图像识别方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述图像识别装置的各模块的功能描述具体可以参见图3中所示实施例中的图像识别方法的对应描述，在此不再赘述。
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。
该电子设备包括：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如本公开实施例提供的训练方法和图像识别方法。
该电子设备与现有技术相比，使用在互联网中容易获取的图像-文本对，通过图像的图像编码特征和文本的文本编码特征的相似度对图像编码器和文本编码器进行训练，使图像编码器和文本编码器可以学习到更抽象、综合的知识，学习到不同模态间的配对关系，训练得到的图像编码和文本编码器可以拥有更好的特征提取能力，在图像和文本的配对任务上有更好的表现。
同时，由于图像编码器和文本编码器学习的是不同模态之间的配对关系，因此，当出现新类别需要识别，可以直接使用图像编码器和文本编码器提取特征，通过计算图像和新类别的相似度来判定图像是否属于新类别，而不需要重新训练图像编码器和文本编码器，减少了训练模型所造成了资源浪费和时间浪费，提升了图像识别的效率。
该可读存储介质为存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如本公开实施例提供的训练方法和图像识别方法。
该可读存储介质与现有技术相比，使用在互联网中容易获取的图像-文本对，通过图像的图像编码特征和文本的文本编码特征的相似度对图像编码器和文本编码器进行训练，使图像编码器和文本编码器可以学习到更抽象、综合的知识，学习到不同模态间的配对关系，训练得到的图像编码和文本编码器可以拥有更好的特征提取能力，在图像和文本的配对任务上有更好的表现。
同时，由于图像编码器和文本编码器学习的是不同模态之间的配对关系，因此，当出现新类别需要识别，可以直接使用图像编码器和文本编码器提取特征，通过计算图像和新类别的相似度来判定图像是否属于新类别，而不需要重新训练图像编码器和文本编码器，减少了训练模型所造成了资源浪费和时间浪费，提升了图像识别的效率。
该计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例提供的训练方法和图像识别方法。
该计算机程序产品与现有技术相比，使用在互联网中容易获取的图像-文本对，通过图像的图像编码特征和文本的文本编码特征的相似度对图像编码器和文本编码器进行训练，使图像编码器和文本编码器可以学习到更抽象、综合的知识，学习到不同模态间的配对关系，训练得到的图像编码和文本编码器可以拥有更好的特征提取能力，在图像和文本的配对任务上有更好的表现。
同时，由于图像编码器和文本编码器学习的是不同模态之间的配对关系，因此，当出现新类别需要识别，可以直接使用图像编码器和文本编码器提取特征，通过计算图像和新类别的相似度来判定图像是否属于新类别，而不需要重新训练图像编码器和文本编码器，减少了训练模型所造成了资源浪费和时间浪费，提升了图像识别的效率。
图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，电子设备700包括计算单元710，其可以根据存储在只读存储器(ROM)720中的计算机程序或者从存储单元780加载到随机访问存储器(RAM)730中的计算机程序，来执行各种适当的动作和处理。在RAM 730中，还可存储设备700操作所需的各种程序和数据。计算单元710、ROM 720以及RAM 730通过总线740彼此相连。输入/输出(I/O)接口750也连接至总线740。
设备700中的多个部件连接至I/O接口750，包括：输入单元760，例如键盘、鼠标等；输出单元770，例如各种类型的显示器、扬声器等；存储单元780，例如磁盘、光盘等；以及通信单元790，例如网卡、调制解调器、无线通信收发机等。通信单元790允许设备700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710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710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710执行本公开实施例中所提供的训练方法和图像识别方法。例如，在一些实施例中，执行本公开实施例中所提供的训练方法和图像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780。在一些实施例中，计算机程序的部分或者全部可以经由ROM 720和/或通信单元790而被载入和/或安装到设备700上。当计算机程序加载到RAM 730并由计算单元710执行时，可以执行本公开实施例中所提供的训练方法和图像识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元710可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开实施例中所提供的训练方法和图像识别方法。
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、现场可编程门阵列(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)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，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 (15)
1.一种训练方法，包括：
将至少一个待训练图像输入图像编码器，获取所述待训练图像的图像编码特征；
将与所述待训练图像配对的待训练文本输入文本编码器，获取所述待训练文本的文本编码特征；
根据所述图像编码特征以及所述文本编码特征的相似度对所述图像编码器和所述文本编码器进行训练。
2.根据权利要求1所述的方法，其中，所述根据所述图像编码特征以及所述文本编码特征的相似度对所述图像编码器和所述文本编码器进行训练，包括：
根据所述图像编码特征以及所述文本编码特征构建相似度矩阵；所述相似度矩阵的第i行第j列的元素为，第i个待训练图像的图像编码特征以及与第j个待训练图像配对的待训练文本的文本编码特征的相似度；
将所述相似度矩阵的第i行第i列元素作为正样本预测值，将所述相似度矩阵的其他元素作为负样本预测值，确定所述相似度矩阵每个元素对应的损失值，并根据所述损失值对所述图像编码器以及所述文本编码器进行训练；
其中，i，j为正整数。
3.根据权利要求2所述的方法，其中，所述将所述相似度矩阵的第i行第i列元素作为正样本预测值，将所述相似度矩阵的其他元素作为负样本预测值，确定所述相似度矩阵每个元素对应的损失值，并根据所述损失值对所述图像编码器以及所述文本编码器进行训练，包括：
将所述相似度矩阵的第i行第i列元素作为第i个待训练图像对应的正样本预测值，将所述相似度矩阵的第i行的其他元素作为第i个待训练图像对应的负样本预测值，采用交叉熵损失函数确定所述相似度矩阵第i行元素对应的损失值，并根据所述损失值对所述图像编码器进行训练；
将所述相似度矩阵的第j行第j列元素作为与第j个待训练图像配对的待训练文本对应的正样本预测值，将所述相似度矩阵的第j列的其他元素作为与第j个待训练图像配对的待训练文本对应的负样本预测值，采用交叉熵损失函数确定所述相似度矩阵第j列元素对应的损失值，并根据所述损失值对所述文本编码器进行训练。
4.一种图像识别方法，包括：
将待识别图像输入图像编码器，获取所述待识别图像的图像编码特征；
将多个候选标签文本输入文本编码器，获取多个所述候选标签文本的文本编码特征；
至少根据所述待识别图像的图像编码特征与每个所述候选标签文本的文本编码特征的相似度确定多个所述候选标签文本中的一个候选标签文本为与所述待识别图像配对的标签文本；
其中，所述图像编码器和所述文本编码器为根据权利要求1-3任一项所述的训练方法训练得到的图像编码器和文本编码器。
5.根据权利要求4所述的方法，其中，所述将待识别图像输入图像编码器，获取所述待识别图像的图像编码特征之后，还包括：
将样本图像输入所述图像编码器，获取所述样本图像的图像编码特征；所述样本图像与所述多个候选标签文本中的一个候选标签文本对应；
根据所述待识别图像的图像编码特征和所述样本图像的图像编码特征计算所述样本图像对应的相似度得分；
根据所述相似度得分确定与所述样本图像对应的第一候选标签文本的自编码得分。
6.根据权利要求5所述的方法，其中，所述根据所述待识别图像的图像编码特征和所述样本图像的图像编码特征计算所述样本图像对应的相似度得分，包括：
计算所述待识别图像的图像编码特征和所述样本图像的图像编码特征的相似度；
根据所述待识别图像的图像编码特征和所述样本图像的图像编码特征的相似度确定所述样本图像对应的相似度得分。
7.根据权利要求5所述的方法，其中，所述根据所述相似度得分确定与所述样本图像对应的第一候选标签文本的自编码得分，包括：
根据与所述第一候选标签文本对应的所有样本图像的相似度得分确定所述第一候选标签文本的自编码得分。
8.根据权利要求7所述的方法，其中，根据与所述第一候选标签文本对应的所有样本图像的相似度得分确定所述第一候选标签文本的自编码得分，包括：
确定所述第一候选标签文本对应的独热编码；
将与所述第一候选标签文本对应的所有样本图像的相似度得分组成相似度得分向量，将所述相似度得分向量与所述所述第一候选标签文本对应的独热编码相乘确定所述第一候选标签文本的自编码得分。
9.根据权利要求5所述的方法，其中，所述至少根据所述待识别图像的图像编码特征与每个所述候选标签文本的文本编码特征的相似度确定多个所述候选标签文本中的一个候选标签文本为与所述待识别图像配对的标签文本，包括：
根据所述待识别图像的图像编码特征与每个所述候选标签文本的文本编码特征的相似度确定每个所述候选标签文本的相似度得分；
根据所述候选标签文本的相似度得分以及所述候选标签文本的自编码得分确定多个所述候选标签文本中的一个候选标签文本为与所述待识别图像配对的标签文本。
10.根据权利要求4所述的方法，其中，所述将待识别图像输入图像编码器，获取所述待识别图像的图像编码特征之前还包括：
获取待检测图像，确定所述待检测图像的目标区域；
将所述待检测图像的目标区域作为待识别图像。
11.一种训练装置，包括：
第一编码单元，用于将至少一个待训练图像输入图像编码器，获取所述待训练图像的图像编码特征；
第二编码单元，用于将与所述待训练图像配对的待训练文本输入文本编码器，获取所述待训练文本的文本编码特征；
预测单元，用于根据所述图像编码特征以及所述文本编码特征的相似度对所述图像编码器和所述文本编码器进行训练。
12.一种图像识别装置，包括：
第一编码模块，用于将待识别图像输入图像编码器，获取所述待识别图像的图像编码特征；
第二编码模块，用于将多个候选标签文本输入文本编码器，获取多个所述候选标签文本的文本编码特征；
预测模块，用于至少根据所述待识别图像的图像编码特征与每个所述候选标签文本的文本编码特征的相似度确定多个所述候选标签文本中的一个候选标签文本为与所述待识别图像配对的标签文本；
其中，所述图像编码器和所述文本编码器为根据权利要求1-3任一项所述的训练方法训练得到的图像编码器和文本编码器。
13.一种电子设备，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1-3中任一项所述的训练方法以及权利要求4-10中任一项所述的图像识别方法。
14.一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1-3中任一项所述的训练方法以及权利要求4-10中任一项所述的图像识别方法。
15.一种计算机程序产品，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1-3中任一项所述的训练方法以及权利要求4-10中任一项所述的图像识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310123957.4A CN116092101A (zh) | 2023-02-14 | 2023-02-14 | 训练方法、图像识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310123957.4A CN116092101A (zh) | 2023-02-14 | 2023-02-14 | 训练方法、图像识别方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116092101A true CN116092101A (zh) | 2023-05-09 |
Family
ID=86206355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310123957.4A Pending CN116092101A (zh) | 2023-02-14 | 2023-02-14 | 训练方法、图像识别方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116092101A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116844168A (zh) * | 2023-06-30 | 2023-10-03 | 北京百度网讯科技有限公司 | 确定文本的方法、深度学习模型的训练方法和装置 |
-
2023
- 2023-02-14 CN CN202310123957.4A patent/CN116092101A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116844168A (zh) * | 2023-06-30 | 2023-10-03 | 北京百度网讯科技有限公司 | 确定文本的方法、深度学习模型的训练方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705301B (zh) | 实体关系抽取方法及装置、存储介质、电子设备 | |
| CN113553412B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
| CN115063875B (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
| CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
| CN112560993A (zh) | 数据筛选方法、装置、电子设备及存储介质 | |
| CN111382248A (zh) | 一种问题回复方法、装置、存储介质及终端设备 | |
| CN115310443A (zh) | 模型训练方法、信息分类方法、装置、设备及存储介质 | |
| CN112632227A (zh) | 简历匹配方法、装置、电子设备、存储介质和程序产品 | |
| WO2023159756A1 (zh) | 价格数据的处理方法和装置、电子设备、存储介质 | |
| CN110457478B (zh) | 文本合规性检查方法及装置、电子设备和计算机可读介质 | |
| CN116152833A (zh) | 基于图像的表格还原模型的训练方法及表格还原方法 | |
| CN116092101A (zh) | 训练方法、图像识别方法、装置、设备及可读存储介质 | |
| CN114861758A (zh) | 多模态数据处理方法、装置、电子设备及可读存储介质 | |
| CN114692778A (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
| CN114547301A (zh) | 文档处理、识别模型训练方法、装置、设备及存储介质 | |
| CN117746125A (zh) | 图像处理模型的训练方法、装置及电子设备 | |
| CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
| CN110705279A (zh) | 一种词汇表的选择方法、装置及计算机可读存储介质 | |
| CN117038099A (zh) | 医疗类术语标准化方法以及装置 | |
| CN109657710B (zh) | 数据筛选方法、装置、服务器及存储介质 | |
| CN115482436B (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
| CN116992880A (zh) | 建筑物名称的识别方法、装置、电子设备和存储介质 | |
| CN115761770A (zh) | 实体识别模型的训练方法、图像识别方法、装置及设备 | |
| CN115359468A (zh) | 一种目标网站识别方法、装置、设备及介质 | |
| CN115359323A (zh) | 图像的文本信息生成方法和深度学习模型的训练方法 |
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 |