CN116542289A

CN116542289A - 一种数据处理方法及其装置

Info

Publication number: CN116542289A
Application number: CN202310369601.9A
Authority: CN
Inventors: 裴仁静; 管培岩; 邵滨; 李炜棉; 许松岑
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2023-03-31
Filing date: 2023-03-31
Publication date: 2023-08-04

Abstract

一种数据处理方法，应用于人工智能中的视频理解领域，包括：获取视频以及文本，文本包括多个文本单元；根据视频，通过图像编码器，得到视频的第一特征表示；根据文本，通过文本编码器，得到每个文本单元的第二特征表示以及文本对应的第三特征表示；第三特征表示为以文本为整体通过文本编码器进行特征提取得到的；将第三特征表示和每个第二特征表示进行融合，得到多个第四特征表示；通过对第一特征表示和多个第四特征表示之间进行对比学习，更新图像编码器和文本编码器。本申请通过细粒度化文本信息，可以提高网络的处理精度。

Description

一种数据处理方法及其装置

技术领域

本申请涉及人工智能领域，尤其涉及一种数据处理方法及其装置。

背景技术

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

通过预训练条件下大数据结合大模型的方式，图像理解任务的性能显著提升，并从逐步从图像理解转向视频理解发展。由于基于图文预训练的视频多模态理解技术能充分利用更多的图文预训练知识，成为视频多模态理解的主流方向。

大量数据表明，当前网络视频已超越传统的图像、文字等媒介，成为最主流的互联网载体。视频多模态理解技术能为短视频业务提供内容理解的能力，包括视频打标、分类、检索等，具有较多的应用场景。

然而，内容特征表征在不同模态间(尤其是视频和文本之间)差别极大，亟需一种能够兼容多模态输入数据的模型。

发明内容

本申请提供了一种数据处理方法，可以提高网络的处理精度。

第一方面，本申请提供了一种数据处理方法，所述方法包括：获取视频以及文本，所述文本包括多个文本单元；根据所述视频，通过图像编码器，得到所述视频的第一特征表示；根据所述文本，通过文本编码器，得到每个所述文本单元的第二特征表示以及所述文本对应的第三特征表示；所述第三特征表示为以所述文本为整体通过所述文本编码器进行特征提取得到的；将所述第三特征表示和每个第二特征表示进行融合，得到多个第四特征表示；通过对所述第一特征表示和所述多个第四特征表示之间进行对比学习，更新所述图像编码器和所述文本编码器。

现有技术中，在进行对比学习时，文本分支的特征表示仅包括以文本为整体进行特征提取得到的特征表示，然而在视频处理时包括以图像块为粒度处理的分支，相当于图像侧和文本侧的处理粒度不同。本申请实施例中，一方面，在文本处理分支得到的是每个文本单元的特征表示，比现有技术中的文本处理的分支的处理粒度变低，能够更接近于图像处理分支的处理分支，进而可以提高网络的处理精度。此外，每个文本单元的特征表示为基于文本单元自身以及附近的上下文信息得到，仅仅能反映出局部的信息，本申请实施例中将以文本为整体通过所述文本编码器进行特征提取得到的第三特征表示融合至每个文本单元对应的特征表示，可以使得每个文本单元对应的特征表示中也包括全局的文本信息，进而可以提高网络的处理精度。

在一种可能的实现中，所述视频包括多个图像帧，所述根据所述视频，通过图像编码器，得到所述视频的第一特征表示，包括：根据所述视频，以每个所述图像帧为整体，通过所述图像编码器进行特征提取以及注意力运算，得到第一特征表示，所述第一特征表示包括每个图像帧对应的一个第一子特征表示。

在一种可能的实现中，图像编码器可以将每个图像帧作为整体(也就是不切分为图像块输入到图像编码器)输入到图像编码器中，其中，图像编码器可以对每个图像帧进行特征提取以及注意力运算，且图像编码器可以侧重于空间维度上的注意力交互。

从网络结构上来说，图像编码器可以包括多个第一网络层和多个第二网络层，图像编码器在处理多个图像帧时，可以通过所述多个第一网络层，进行特征提取以及在图像帧内进行空间维度上的注意力运算，并通过所述多个第二网络层进行特征提取以及在图像帧间进行时序维度上的注意力运算。在一种可能的实现中，所述多个第一网络层可以连接在所述多个第二网络层之前、或者所述第一网络层的数量大于所述第二网络层，通过连接顺序或者网络层的数量的设计可以使得图像编码器侧重于在空间维度上的注意力交互。

在一种可能的实现中，所述视频包括多个图像帧，所述根据所述视频，通过图像编码器，得到所述视频的第一特征表示，包括：根据所述视频，以每个所述图像帧中的每个图像块为整体，通过所述图像编码器进行特征提取以及注意力运算，得到第二特征表示，所述第二特征表示包括每个图像块对应的一个第二子特征表示。

在一种可能的实现中，图像编码器可以将每个图像帧中的图像块作为整体(也就是将图像帧切分为图像块输入到图像编码器)输入到图像编码器中，其中，图像编码器可以对每个图像块进行特征提取以及注意力运算，且图像编码器可以侧重于时序维度上的注意力交互。

从网络结构上来说，图像编码器可以包括多个第三网络层和多个第四网络层，图像编码器在处理多个图像帧时，可以通过所述多个第三网络层，进行特征提取以及在图像帧间进行时序维度上的注意力运算，并通过所述多个第二网络层进行特征提取以及在图像帧内进行空间维度上的注意力运算。在一种可能的实现中，所述多个第三网络层连接在所述多个第四网络层之前、或者所述第三网络层的数量大于所述第四网络层，通过连接顺序或者网络层的数量的设计可以使得图像编码器侧重于在时序维度上的注意力交互。

在一种可能的实现中，所述图像编码器包括第一编码器和第二编码器；所述第一编码器包括第一中间层，所述第二编码器包括第二中间层；所述根据所述视频，通过图像编码器，得到所述多个图像帧的第一特征表示，包括：根据所述视频，以每个所述图像帧为整体，通过所述第一编码器进行特征提取以及注意力运算，得到第一特征表示，所述第一特征表示包括每个图像帧对应的一个第一子特征表示；根据所述视频和所述第一中间层的输出，以每个所述图像帧中的每个图像块为整体，通过所述第二编码器进行特征提取以及注意力运算，得到第二特征表示，所述第二特征表示包括每个图像块对应的一个第二子特征表示；其中，所述第一中间层的输出融合至所述第二中间层的输出或者输入。

在一种可能的实现中，所述第一编码器包括多个第一网络层和多个第二网络层，所述第一中间层属于所述多个第一网络层或者多个第二网络层，所述通过所述第一编码器进行特征提取以及注意力运算，包括：通过所述多个第一网络层，进行特征提取以及在图像帧内进行空间维度上的注意力运算，通过所述多个第二网络层进行特征提取以及在图像帧间进行时序维度上的注意力运算；其中，所述多个第一网络层连接在所述多个第二网络层之前、或者所述第一网络层的数量大于所述第二网络层。

第一网络层为所述第一编码器中用于在图像帧内进行空间维度上的注意力运算的全部网络层，第二网络层为所述第一编码器中用于在图像帧间进行时序维度上的注意力运算的全部网络层。

在一种可能的实现中，所述第二编码器包括多个第三网络层和多个第四网络层，所述第二中间层属于所述多个第三网络层或者多个第四网络层，所述通过所述第二编码器进行特征提取以及注意力运算，包括：通过所述多个第三网络层，进行特征提取以及在图像帧间进行时序维度上的注意力运算，通过所述多个第二网络层进行特征提取以及在图像帧内进行空间维度上的注意力运算；其中，所述多个第三网络层连接在所述多个第四网络层之前、或者所述第三网络层的数量大于所述第四网络层。

第三网络层为所述第二编码器中用于在图像帧间进行时序维度上的注意力运算的全部网络层，第四网络层为所述第二编码器中用于在图像帧内进行空间维度上的注意力运算的全部网络层。

第一中间层的输出可以为基于空间建模得到的特征，将空间建模得到的特征融合至进行时序建模的第二中间层，实现了时序建模和空间建模的融合，且并不改变原有原有图-文预训练模型的视觉分支结构(也就是第一编码器的结构)，而仅仅改变了第二编码器的结构，从而提升了模型的处理精度。

在一种可能的实现中，所述第一中间层属于所述多个第一网络层，所述第二中间层属于所述多个第三网络层。

在一种可能的实现中，所述第一中间层的输出融合至所述第二中间层的输出或者输入，包括：对所述第一中间层的输出进行的尺寸调整，调整后的第一中间层的输出与所述第二中间层的输入或者输出尺寸一致，对所述调整后的第一中间层的输出和所述第二中间层的输入或者输出进行对应位置的加和操作。

在一种可能的实现中，所述第一中间层在所述第一编码器中的位置和所述第二中间层在所述第一编码器的位置相匹配。

在一种可能的实现中，所述通过对所述第一特征表示和所述多个第四特征表示之间进行对比学习，包括：通过对所述第一特征表示和所述多个第四特征表示之间进行对比学习，以及通过对所述第一特征表示和所述第三特征表示之间进行对比学习。

第二方面，本申请提供了一种数据处理装置，所述装置包括：

获取模块，用于获取视频以及文本，所述文本包括多个文本单元；

处理模块，用于根据所述视频，通过图像编码器，得到所述视频的第一特征表示；

根据所述文本，通过文本编码器，得到每个所述文本单元的第二特征表示以及所述文本对应的第三特征表示；所述第三特征表示为以所述文本为整体通过所述文本编码器进行特征提取得到的；

将所述第三特征表示和每个第二特征表示进行融合，得到多个第四特征表示；

通过对所述第一特征表示和所述多个第四特征表示之间进行对比学习，更新所述图像编码器和所述文本编码器。

在一种可能的实现中，所述处理模块，具体用于：

根据所述视频，以每个所述图像帧为整体，通过所述图像编码器进行特征提取以及注意力运算，得到第一特征表示，所述第一特征表示包括每个图像帧对应的一个第一子特征表示。

在一种可能的实现中，所述处理模块，具体用于：

根据所述视频，以每个所述图像帧中的每个图像块为整体，通过所述图像编码器进行特征提取以及注意力运算，得到第二特征表示，所述第二特征表示包括每个图像块对应的一个第二子特征表示。

在一种可能的实现中，所述图像编码器包括第一编码器和第二编码器；所述第一编码器包括第一中间层，所述第二编码器包括第二中间层；

所述处理模块，具体用于：

根据所述视频，以每个所述图像帧为整体，通过所述第一编码器进行特征提取以及注意力运算，得到第一特征表示，所述第一特征表示包括每个图像帧对应的一个第一子特征表示；

根据所述视频和所述第一中间层的输出，以每个所述图像帧中的每个图像块为整体，通过所述第二编码器进行特征提取以及注意力运算，得到第二特征表示，所述第二特征表示包括每个图像块对应的一个第二子特征表示；其中，所述第一中间层的输出融合至所述第二中间层的输出或者输入。

在一种可能的实现中，所述第一编码器包括多个第一网络层和多个第二网络层，所述第一中间层属于所述多个第一网络层或者多个第二网络层，所述处理模块，具体用于：

通过所述多个第一网络层，进行特征提取以及在图像帧内进行空间维度上的注意力运算，通过所述多个第二网络层进行特征提取以及在图像帧间进行时序维度上的注意力运算；其中，

所述多个第一网络层连接在所述多个第二网络层之前、或者所述第一网络层的数量大于所述第二网络层。

在一种可能的实现中，所述第二编码器包括多个第三网络层和多个第四网络层，所述第二中间层属于所述多个第三网络层或者多个第四网络层，所述处理模块，具体用于：

通过所述多个第三网络层，进行特征提取以及在图像帧间进行时序维度上的注意力运算，通过所述多个第二网络层进行特征提取以及在图像帧内进行空间维度上的注意力运算；其中，

所述多个第三网络层连接在所述多个第四网络层之前、或者所述第三网络层的数量大于所述第四网络层。

在一种可能的实现中，所述处理模块，具体用于：

对所述第一中间层的输出进行的尺寸调整，调整后的第一中间层的输出与所述第二中间层的输入或者输出尺寸一致，对所述调整后的第一中间层的输出和所述第二中间层的输入或者输出进行对应位置的加和操作。

在一种可能的实现中，所述处理模块，具体用于：

通过对所述第一特征表示和所述多个第四特征表示之间进行对比学习，以及通过对所述第一特征表示和所述第三特征表示之间进行对比学习。

第三方面，本申请提供了一种数据处理方法，所述方法包括：

获取视频以及文本，所述文本包括多个文本单元；

根据所述视频，通过图像编码器，得到所述视频的第一特征表示；

根据所述第一特征表示和所述多个第四特征表示，通过任务网络，得到任务处理结果。

在一种可能的实现中，所述任务网络用于实现如下任务的至少一种：视频检索任务、视频分类任务、视频定位任务、视频生成任务(如视频问答、视频标题生成)。

第四方面，本申请提供了一种数据处理装置，所述装置包括：

第五方面，本申请提供了一种数据处理方法，所述方法包括：

获取视频以及文本，所述文本包括多个文本单元；

根据所述第一特征表示和所述多个第四特征表示，通过任务网络，得到任务处理结果；

根据所述任务处理结果，对所述图像编码器、所述文本编码器和所述任务网络进行更新。

第六方面，本申请提供了一种数据处理装置，所述装置包括：

第七方面，本申请实施例提供了一种训练装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第一方面及其任一可选的方法、以及上述第五方面及其任一可选的方法。

第八方面，本申请实施例提供了一种执行装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第三方面及其任一可选的方法。

第九方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法、以及上述第三方面及其任一可选的方法、以及上述第五方面及其任一可选的方法。

第十方面，本申请实施例提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法、以及上述第三方面及其任一可选的方法、以及上述第五方面及其任一可选的方法。

第十一方面，本申请提供了一种芯片系统，该芯片系统包括处理器，用于支持执行数据处理装置实现上述方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据；或，信息。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。

附图说明

图1A为人工智能主体框架的一种结构示意图；

图1B和至图1C为本发明的应用系统框架示意；

图1D为终端的一种可选的硬件结构示意图；

图2为一种服务器的结构示意图；

图3为本申请的一种系统架构示意；

图4为一种云服务的流程；

图5为本申请实施例提供的一种数据处理方法的流程示意；

图6至图9为本申请实施例提供的一种数据处理方法的处理示意；

图10为本申请实施例提供的数据处理装置的一种结构示意图；

图11为本申请实施例提供的执行设备的一种结构示意图；

图12为本申请实施例提供的训练设备一种结构示意图；

图13为本申请实施例提供的芯片的一种结构示意图。

具体实施方式

下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释，而非旨在限定本发明。

下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

本文中所用用语“基本(substantially)”、“大约(about)”及类似用语用作近似用语、而并非用作程度用语，且旨在考虑到所属领域中的普通技术人员将知的测量值或计算值的固有偏差。此外，在阐述本发明实施例时使用“可(may)”是指“可能的一个或多个实施例”。本文中所用用语“使用(use)”、“正使用(using)”、及“被使用(used)”可被视为分别与用语“利用(utilize)”、“正利用(utilizing)”、及“被利用(utilized)”同义。另外，用语“示例性(exemplary)”旨在指代实例或例示。

首先对人工智能系统总体工作流程进行描述，请参见图1A，图1A示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。

本申请可以应用于人工智能领域的自然语言处理领域中，下面以自然语言处理为例将对多个落地到产品的多个应用场景进行介绍。

首先介绍本申请的应用场景，本申请可以但不限于应用在具有对视频和文本等具备视频理解功能的应用程序(以下可以简称为视频理解类应用程序)或者云侧服务器提供的云服务等，接下来分别进行介绍：

一、视频理解类应用程序

本申请实施例的产品形态可以为视频理解类应用程序。视频理解类应用程序可以运行在终端设备或者云侧的服务器上。

在一种可能的实现中，视频理解类应用程序可以实现对多模态数据进行处理的任务，得到处理结果。也就是同一个处理模型，可以处理多个模态(包括视频和文本)的输入数据。

例如，视频理解类应用程序可以实现至少包括视频分类任务、视频搜索任务、视频推荐任务、视频定位任务、广告匹配任务等视频理解类任务，但不限于此。

在一种可能的实现中，用户可以打开终端设备上安装的视频理解类应用程序，并输入视频和文本等多模态数据(文本可能是通过指令触发的，不一定是用户主动输入的)，视频理解类应用程序可以通过本申请实施例提供的方法训练得到的模型、或者是通过本申请实施例提供的方法对视频和文本进行处理，并将处理结果呈现给用户(呈现方式可以但不限于是显示、保存、上传到云侧等)。

在一种可能的实现中，用户可以打开终端设备上安装的视频理解类应用程序，并输入视频和文本等多模态数据，视频理解类应用程序可以将视频和文本等多模态数据发送至云侧的服务器，云侧的服务器通过本申请实施例提供的方法训练得到的多模态模型对图像进行处理，并将处理结果回传至终端设备，终端设备可以将处理结果呈现给用户(呈现方式可以但不限于是显示、保存、上传到云侧等)。

接下来分别从功能架构以及实现功能的产品架构介绍本申请实施例中的视频理解类应用程序。

参照图1B，图1B为本申请实施例中视频理解类应用程序的功能架构示意：

在一种可能的实现中，如图1B所示，视频理解类应用程序102可接收输入的参数101(例如包含图像)且产生处理结果103。视频理解类应用程序102可在(举例来说)至少一个计算机系统上执行，且包括计算机代码，所述计算机代码在由一或多个计算机执行时致使所述计算机执行用于执行通过本申请实施例提供的方法训练得到的多模态模型。

参照图1C，图1C为本申请实施例中运行视频理解类应用程序的实体架构示意：

参见图1C，图1C示出了一种系统架构示意图。该系统可以包括终端100、以及服务器200。其中，服务器200可以包括一个或者多个服务器(图1C中以包括一个服务器作为示例进行说明)，服务器200可以为一个或者多个终端提供视频理解功能。

其中，终端100上可以安装有视频理解类应用程序，或者打开与视频理解功能相关的网页，上述应用程序和网页可以提供一个界面，终端100可以接收用户在视频理解功能界面上输入的相关参数，并将上述参数发送至服务器200，服务器200可以基于接收到的参数，得到处理结果，并将处理结果返回至至终端100。

应理解，在一些可选的实现中，终端100也可以由自身完成基于接收到的参数，得到处理结果的动作，而不需要服务器配合实现，本申请实施例并不限定。

接下来描述图1C中终端100的产品形态；

本申请实施例中的终端100可以为手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personaldigital assistant，PDA)等，本申请实施例对此不作任何限制。

图1D示出了终端100的一种可选的硬件结构示意图。

参考图1D所示，终端100可以包括射频单元110、存储器120、输入单元130、显示单元140、摄像头150(可选的)、音频电路160(可选的)、扬声器161(可选的)、麦克风162(可选的)、处理器170、外部接口180、电源190等部件。本领域技术人员可以理解，图1D仅仅是终端或多功能设备的举例，并不构成对终端或多功能设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

输入单元130可用于接收输入的数字或字符信息，以及产生与该便携式多功能装置的用户设置以及功能控制有关的键信号输入。具体地，输入单元130可包括触摸屏131(可选的)和/或其他输入设备132。该触摸屏131可收集用户在其上或附近的触摸操作(比如用户使用手指、关节、触笔等任何适合的物体在触摸屏上或在触摸屏附近的操作)，并根据预先设定的程序驱动相应的连接装置。触摸屏可以检测用户对触摸屏的触摸动作，将该触摸动作转换为触摸信号发送给该处理器170，并能接收该处理器170发来的命令并加以执行；该触摸信号至少包括触点坐标信息。该触摸屏131可以提供该终端100和用户之间的输入界面和输出界面。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触摸屏。除了触摸屏131，输入单元130还可以包括其他输入设备。具体地，其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键132、开关按键133等)、轨迹球、鼠标、操作杆等中的一种或多种。

其中，输入设备132可以接收到输入的视频和文本等多模态数据。

该显示单元140可用于显示由用户输入的信息或提供给用户的信息、终端100的各种菜单、交互界面、文件显示和/或任意一种多媒体文件的播放。在本申请实施例中，显示单元140可用于显示视频理解类应用程序的界面、处理结果等。

该存储器120可用于存储指令和数据，存储器120可主要包括存储指令区和存储数据区，存储数据区可存储各种数据，如多媒体文件、文本等；存储指令区可存储操作系统、应用、至少一个功能所需的指令等软件单元，或者他们的子集、扩展集。还可以包括非易失性随机存储器；向处理器170提供包括管理计算处理设备中的硬件、软件以及数据资源，支持控制软件和应用。还用于多媒体文件的存储，以及运行程序和应用的存储。

处理器170是终端100的控制中心，利用各种接口和线路连接整个终端100的各个部分，通过运行或执行存储在存储器120内的指令以及调用存储在存储器120内的数据，执行终端100的各种功能和处理数据，从而对终端设备进行整体控制。可选的，处理器170可包括一个或多个处理单元；优选的，处理器170可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器170中。在一些实施例中，处理器、存储器、可以在单一芯片上实现，在一些实施例中，他们也可以在独立的芯片上分别实现。处理器170还可以用于产生相应的操作控制信号，发给计算处理设备相应的部件，读取以及处理软件中的数据，尤其是读取和处理存储器120中的数据和程序，以使其中的各个功能模块执行相应的功能，从而控制相应的部件按指令的要求进行动作。

其中，存储器120可以用于存储数据处理方法相关的软件代码，处理器170可以执行芯片的数据处理方法的步骤，也可以调度其他单元(例如上述输入单元130以及显示单元140)以实现相应的功能。

该射频单元110(可选的)可用于收发信息或通话过程中信号的接收和发送，例如，将基站的下行信息接收后，给处理器170处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，射频单元110还可以通过无线通信与网络设备和其他设备通信。该无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(General PacketRadio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。

其中，在本申请实施例中，该射频单元110可以将视频和文本等多模态数据发送至服务器200，并接收到服务器200发送的处理结果。

应理解，该射频单元110为可选的，其可以被替换为其他通信接口，例如可以是网口。

终端100还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理系统与处理器170逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

终端100还包括外部接口180，该外部接口可以是标准的Micro USB接口，也可以使多针连接器，可以用于连接终端100与其他装置进行通信，也可以用于连接充电器为终端100充电。

尽管未示出，终端100还可以包括闪光灯、无线保真(wireless fidelity，WiFi)模块、蓝牙模块、不同功能的传感器等，在此不再赘述。下文中描述的部分或全部方法均可以应用在如图1D所示的终端100中。

接下来描述图1C中服务器200的产品形态；

图2提供了一种服务器200的结构示意图，如图2所示，服务器200包括总线201、处理器202、通信接口203和存储器204。处理器202、存储器204和通信接口203之间通过总线201通信。

总线201可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

处理器202可以为中央处理器(central processing unit，CPU)、图形处理器(graphics processing unit，GPU)、微处理器(micro processor，MP)或者数字信号处理器(digital signal processor，DSP)等处理器中的任意一种或多种。

存储器204可以包括易失性存储器(volatile memory)，例如随机存取存储器(random access memory，RAM)。存储器204还可以包括非易失性存储器(non-volatilememory)，例如只读存储器(read-only memory，ROM)，快闪存储器，机械硬盘(hard drivedrive，HDD)或固态硬盘(solid state drive，SSD)。

其中，存储器204可以用于存储数据处理方法相关的软件代码，处理器202可以执行芯片的数据处理方法的步骤，也可以调度其他单元以实现相应的功能。

应理解，上述终端100和服务器200可以为集中式或者是分布式的设备，上述终端100和服务器200中的处理器(例如处理器170以及处理器202)可以为硬件电路(如专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、通用处理器、数字信号处理器(digital signalprocessing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，处理器可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。

应理解，本申请实施例中的和模型推理过程相关的步骤涉及AI相关的运算，在执行AI运算时，终端设备和服务器的指令执行架构不仅仅局限在上述介绍的处理器结合存储器的架构。下面结合图3对本申请实施例提供的系统架构进行详细的介绍。

图3为本申请实施例提供的系统架构示意图。如图3所示，系统架构500包括执行设备510、训练设备520、数据库530、客户设备540、数据存储系统550以及数据采集系统560。

执行设备510包括计算模块511、I/O接口512、预处理模块513和预处理模块514。计算模块511中可以包括目标模型/规则501，预处理模块513和预处理模块514是可选的。

其中，执行设备510可以为上述运行视频理解类应用程序的终端设备或者服务器。

数据采集设备560用于采集训练样本。训练样本可以为视频和文本等多模态数据等。在采集到训练样本之后，数据采集设备560将这些训练样本存入数据库530。

训练设备520可以基于数据库530中维护训练样本，对待训练的神经网络(例如本申请实施例中的模型(例如包括图像编码器、文本编码器等))，以得到目标模型/规则501。

应理解，训练设备520可以基于数据库530中维护训练样本，对待训练的神经网络进行预训练过程，或者是在预训练的基础上进行模型的微调。

需要说明的是，在实际应用中，数据库530中维护的训练样本不一定都来自于数据采集设备560的采集，也有可能是从其他设备接收得到的。另外需要说明的是，训练设备520也不一定完全基于数据库530维护的训练样本进行目标模型/规则501的训练，也有可能从云端或其他地方获取训练样本进行模型训练，上述描述不应该作为对本申请实施例的限定。

根据训练设备520训练得到的目标模型/规则501可以应用于不同的系统或设备中，如应用于图3所示的执行设备510，该执行设备510可以是终端，如手机终端，平板电脑，笔记本电脑，增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备，车载终端等，还可以是服务器等。

具体的，训练设备520可以将训练后的模型传递至执行设备510。

在图3中，执行设备510配置输入/输出(input/output，I/O)接口512，用于与外部设备进行数据交互，用户可以通过客户设备540向I/O接口512输入数据(例如本申请实施例中的视频和文本等多模态数据等)。

预处理模块513和预处理模块514用于根据I/O接口512接收到的输入数据进行预处理。应理解，可以没有预处理模块513和预处理模块514或者只有的一个预处理模块。当不存在预处理模块513和预处理模块514时，可以直接采用计算模块511对输入数据进行处理。

在执行设备510对输入数据进行预处理，或者在执行设备510的计算模块511执行计算等相关的处理过程中，执行设备510可以调用数据存储系统550中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统550中。

最后，I/O接口512将处理结果提供给客户设备540，从而提供给用户。

在图3所示情况下，用户可以手动给定输入数据，该“手动给定输入数据”可以通过I/O接口512提供的界面进行操作。另一种情况下，客户设备540可以自动地向I/O接口512发送输入数据，如果要求客户设备540自动发送输入数据需要获得用户的授权，则用户可以在客户设备540中设置相应权限。用户可以在客户设备540查看执行设备510输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备540也可以作为数据采集端，采集如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果作为新的样本数据，并存入数据库530。当然，也可以不经过客户设备540进行采集，而是由I/O接口512直接将如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果，作为新的样本数据存入数据库530。

值得注意的是，图3仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图3中，数据存储系统550相对执行设备510是外部存储器，在其它情况下，也可以将数据存储系统550置于执行设备510中。应理解，上述执行设备510可以部署于客户设备540中。

从模型的推理侧来说：

本申请实施例中，上述执行设备520的计算模块511可以获取到数据存储系统550中存储的代码来实现本申请实施例中的和模型推理过程相关的步骤。

本申请实施例中，执行设备520的计算模块511可以包括硬件电路(如专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、通用处理器、数字信号处理器(digital signalprocessing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，训练设备520可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。

具体的，执行设备520的计算模块511可以为具有执行指令功能的硬件系统，本申请实施例提供的和模型推理过程相关的步骤可以为存储在存储器中的软件代码，执行设备520的计算模块511可以从存储器中获取到软件代码，并执行获取到的软件代码来实现本申请实施例提供的和模型推理过程相关的步骤。

应理解，执行设备520的计算模块511可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合，本申请实施例提供的和模型推理过程相关的步骤的部分步骤还可以通过执行设备520的计算模块511中不具有执行指令功能的硬件系统来实现，这里并不限定。

从模型的训练侧来说：

本申请实施例中，上述训练设备520可以获取到存储器(图3中未示出，可以集成于训练设备520或者与训练设备520分离部署)中存储的代码来实现本申请实施例中和模型训练相关的步骤。

本申请实施例中，训练设备520可以包括硬件电路(如专用集成电路(applicationspecific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gatearray，FPGA)、通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，训练设备520可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。

应理解，训练设备520可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合，本申请实施例提供的中和模型训练相关的部分步骤还可以通过训练设备520中不具有执行指令功能的硬件系统来实现，这里并不限定。

二、服务器提供的视频理解功能类云服务：

在一种可能的实现中，服务器可以通过应用程序编程接口(applicationprogramming interface，API)为端侧提供视频理解功能的服务。

其中，终端设备可以通过云端提供的API，将相关参数(例如图像、文本等数据)发送至服务器，服务器可以基于接收到的参数，得到处理结果等)，并将处理结果返回至至终端。

关于终端以及服务器的描述可以上述实施例的描述，这里不再赘述。

如图4示出了使用一项云平台提供的视频理解功能类云服务的流程。

1.开通并购买内容审核服务。

2.用户可以下载内容审核服务对应的软件开发工具包(software developmentkit，SDK)，通常云平台提供多个开发版本的SDK，供用户根据开发环境的需求选择，例如JAVA版本的SDK、python版本的SDK、PHP版本的SDK、Android版本的SDK等。

3.用户根据需求下载对应版本的SDK到本地后，将SDK工程导入至本地开发环境，在本地开发环境中进行配置和调试，本地开发环境还可以进行其他功能的开发，使得形成一个集合了视频理解功能类能力的应用。

4.视频理解功能类应用在被使用的过程中，当需要进行视频理解功能时，可以触发视频理解功能的API调用。当应用触发视频理解功能功能时，发起API请求至云环境中的视频理解功能类服务的运行实例，其中，API请求中携带图像，由云环境中的运行实例对图像进行处理，获得处理结果。

5.云环境将处理结果返回至应用，由此完成一次的视频理解功能调用。

由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。

(1)神经网络

神经网络可以是由神经单元组成的，神经单元可以是指以xs(即输入数据)和截距1为输入的运算单元，该运算单元的输出可以为：

其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入，激活函数可以是sigmoid函数。神经网络是将多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。

(2)transformer层

神经网络包括嵌入层和至少一个transformer层，至少一个transformer层可以为N个transformer层(N大于0的整数)，其中，每个transformer层包括依次相邻的注意力层、加和与归一化(add&norm)层、前馈(feed forward)层和加和与归一化层。在嵌入层，对当前输入进行嵌入处理，得到多个嵌入向量；在所述注意力层，从所述第一transformer层的上一层获取P个输入向量，以P个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出P个输入向量对应的P个中间向量；在所述池化层，将所述P个中间向量合并为Q个输出向量，其中transformer层中最后一个transformer层得到的多个输出向量用作所述当前输入的特征表示。

(3)注意力机制(attention mechanism)

注意力机制模仿了生物观察行为的内部过程，即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制，能够利用有限的注意力资源从大量信息中快速筛选出高价值信息。注意力机制可以快速提取稀疏数据的重要特征，因而被广泛用于自然语言处理任务，特别是机器翻译。而自注意力机制(self-attention mechanism)是注意力机制的改进，其减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性。注意力机制的本质思想可以改写为如下公式：

其中，Lx＝||Source||代表Source的长度，公式含义即将Source中的构成元素想象成是由一系列的数据对构成，此时给定目标Target中的某个元素Query，通过计算Query和各个Key的相似性或者相关性，得到每个Key对应Value的权重系数，然后对Value进行加权求和，即得到了最终的Attention数值。所以本质上Attention机制是对Source中元素的Value值进行加权求和，而Query和Key用来计算对应Value的权重系数。从概念上理解，把Attention可以理解为从大量信息中有选择地筛选出少量重要信息并聚焦到这些重要信息上，忽略大多不重要的信息。聚焦的过程体现在权重系数的计算上，权重越大越聚焦于其对应的Value值上，即权重代表了信息的重要性，而Value是其对应的信息。自注意力机制可以理解为内部Attention(intra attention)，Attention机制发生在Target的元素Query和Source中的所有元素之间，自注意力机制指的是在Source内部元素之间或者Target内部元素之间发生的Attention机制，也可以理解为Target＝Source这种特殊情况下的注意力计算机制，其具体计算过程是一样的，只是计算对象发生了变化而已。

(4)自然语言处理(natural language processing，NLP)

自然语言(natural language)即人类语言，自然语言处理(NLP)就是对人类语言的处理。自然语言处理是以一种智能与高效的方式，对文本数据进行系统化分析、理解与信息提取的过程。通过使用NLP及其组件，我们可以管理非常大块的文本数据，或者执行大量的自动化任务，并且解决各式各样的问题，如自动摘要(automatic summarization)，机器翻译(machine translation，MT)，命名实体识别(named entity recognition，NER)，关系提取(relation extraction，RE)，信息抽取(information extraction，IE)，情感分析，语音识别(speech recognition)，问答系统(question answering)以及主题分割等等。

(5)反向传播算法

卷积神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的超分辨率模型中参数的大小，使得超分辨率模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的超分辨率模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的超分辨率模型的参数，例如权重矩阵。

(6)损失函数

在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断地调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。

(7)编码器/解码器

编码器和解码器一般成对存在，像序列模型(sequence2sequence model)即由至少一个encoder和至少一个decoder组成。其工作核心是，encoder将输入的原始数据编码成某种中间特征，而decoder便将该中间特征继而解码成目标结果。

(8)多层感知器(multilayer perceptron，MLP)：是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元(或称处理单元)。

现在的实现中，在原有视觉分支(以图像帧为粒度进行的建模)内部间隔插入时序建模(以图像帧中的图像块为粒度进行的建模)，实现有交互的以图像帧中的图像块为粒度的时空信息理解。然而，上述实现破坏了原有图-文预训练模型的视觉分支结构，使得图-文预训练信息大量丢失。另外，通常情况下预训练模型构建的是图像和文本整体之间的对比学习，当其直接用于细粒度建模(以图像帧中的图像块为粒度进行的建模)时会存在文本信息和图像信息的细粒度化程度不同的问题，从而导致网络的处理精度较差。

为了解决上述问题，本申请实施例提供了一种数据处理方法。下面结合附图对本申请实施例的数据处理方法进行详细的介绍。

参照图5，图5为本申请实施例提供的一种数据处理方法的流程示意，如图5所示，本申请实施例提供的一种数据处理方法，可以包括步骤501至505，下面分别对这些步骤进行详细的描述。

501、获取视频以及文本，所述文本包括多个文本单元；

在一种可能的实现中，视频可以是预先存储于终端本地的，也可以是终端从外界(如互联网)中获取到的，还可以是终端实时采集的，例如通过终端的摄像头实时采集到的。

在一种可能的实现中，文本可以是用于描述视频的文本，或者是其他和执行的任务相关的文本，例如，视频定位的相关文本等。

502、根据所述视频，通过图像编码器，得到所述视频的第一特征表示。

在一种可能的实现中，可以通过图像编码器对视频进行特征提取，得到第一特征表示。

在一种可能的实现中，所述视频可以包括多个图像帧，可以根据所述视频，以每个所述图像帧为整体，通过所述图像编码器进行特征提取以及注意力运算，得到第一特征表示，所述第一特征表示包括每个图像帧对应的一个第一子特征表示。

从网络结构上来说，图像编码器可以包括多个第一网络层和多个第二网络层，图像编码器在处理多个图像帧时，可以通过所述多个第一网络层，进行特征提取以及在图像帧内进行空间维度上的注意力运算，并通过所述多个第二网络层进行特征提取以及在图像帧间进行时序维度上的注意力运算。在一种可能的实现中，所述多个第一网络层可以连接在所述多个第二网络层之前、或者所述第一网络层的数量大于所述第二网络层，通过连接顺序或者网络层的数量的设计可以使得图像编码器侧重于在空间维度上的注意力交互。示例性的，可以参照图6，其中，视频分支的左侧分支的spatial trans可以包括多个第一网络层，视频分支的左侧分支的temporal trans可以包括多个第二网络层。

也就是说，可以提取frame特征，将其输入frame-level时序建模模块获取整体视频特征，该分支没有破坏图文预训练信息，但由于时序建模上仅使用简单的frame-level信息，缺失细粒度理解能力。

在一种可能的实现中，所述视频包括多个图像帧，可以根据所述视频，以每个所述图像帧中的每个图像块为整体，通过所述图像编码器进行特征提取以及注意力运算，得到第二特征表示，所述第二特征表示包括每个图像块对应的一个第二子特征表示。

从网络结构上来说，图像编码器可以包括多个第三网络层和多个第四网络层，图像编码器在处理多个图像帧时，可以通过所述多个第三网络层，进行特征提取以及在图像帧间进行时序维度上的注意力运算，并通过所述多个第二网络层进行特征提取以及在图像帧内进行空间维度上的注意力运算。在一种可能的实现中，所述多个第三网络层连接在所述多个第四网络层之前、或者所述第三网络层的数量大于所述第四网络层，通过连接顺序或者网络层的数量的设计可以使得图像编码器侧重于在时序维度上的注意力交互。示例性的，可以参照图6，其中，视频分支的右侧分支的temporal trans可以包括多个第三网络层，视频分支的右侧分支的spatial trans可以包括多个第四网络层。

也就是说，可以通过图像编码器提取frame的patch特征，将其输入patch-level时序建模模块获取细粒度视频特征。

在原有视觉分支内部间隔插入时序建模，实现有交互的patch-level的时空信息理解，但破坏了原有图-文预训练模型的视觉分支结构，导致图-文预训练信息大量丢失。本申请实施例中，可以在不破坏原有图-文预训练模型的视觉分支结构的前提下，实现有交互的以图像块为粒度的时空信息。

在一种可能的实现中，所述图像编码器可以包括第一编码器和第二编码器；所述第一编码器包括第一中间层，所述第二编码器包括第二中间层；第一中间层可以为第一编码器中的一个网络层，第二中间层可以为第二编码器中的一个网络层，例如可以为一个transformer层。

对于第一编码器来说，第一编码器可以对每个图像帧进行特征提取以及注意力运算，且第一编码器可以侧重于空间维度上的注意力交互。

对于第二编码器来说，第二编码器可以对每个图像块进行特征提取以及注意力运算，且第二编码器可以侧重于时序维度上的注意力交互。

在一种可能的实现中，所述第一编码器包括多个第一网络层和多个第二网络层，所述第一中间层属于所述多个第一网络层或者多个第二网络层，可以通过所述多个第一网络层，进行特征提取以及在图像帧内进行空间维度上的注意力运算，通过所述多个第二网络层进行特征提取以及在图像帧间进行时序维度上的注意力运算；其中，所述多个第一网络层连接在所述多个第二网络层之前、或者所述第一网络层的数量大于所述第二网络层。

在一种可能的实现中，所述第二编码器包括多个第三网络层和多个第四网络层，所述第二中间层属于所述多个第三网络层或者多个第四网络层，可以通过所述多个第三网络层，进行特征提取以及在图像帧间进行时序维度上的注意力运算，通过所述多个第二网络层进行特征提取以及在图像帧内进行空间维度上的注意力运算；其中，所述多个第三网络层连接在所述多个第四网络层之前、或者所述第三网络层的数量大于所述第四网络层。

在一种可能的实现中，所述第一中间层属于所述多个第二网络层，所述第二中间层属于所述多个第四网络层。

其中，第一网络层可以为所述第一编码器中用于在图像帧内进行空间维度上的注意力运算的全部网络层，第二网络层为所述第一编码器中用于在图像帧间进行时序维度上的注意力运算的全部网络层。

其中，第三网络层可以为所述第二编码器中用于在图像帧间进行时序维度上的注意力运算的全部网络层，第四网络层为所述第二编码器中用于在图像帧内进行空间维度上的注意力运算的全部网络层。

在一种可能的实现中，可以根据所述视频，以每个所述图像帧为整体，通过所述第一编码器进行特征提取以及注意力运算，得到第一特征表示，所述第一特征表示包括每个图像帧对应的一个第一子特征表示。可以根据所述视频和所述第一中间层的输出，以每个所述图像帧中的每个图像块为整体，通过所述第二编码器进行特征提取以及注意力运算，得到第二特征表示，所述第二特征表示包括每个图像块对应的一个第二子特征表示。

其中，所述第一中间层的输出可以融合至所述第二中间层的输出或者输入。

在一种可能的实现中，可以对所述第一中间层的输出进行的尺寸调整(reshape)，调整后的第一中间层的输出与所述第二中间层的输入或者输出尺寸一致，对所述调整后的第一中间层的输出和所述第二中间层的输入或者输出进行对应位置的加和操作。

在一种可能的实现中，所述第一中间层在所述第一编码器中的位置和所述第二中间层在所述第一编码器的位置相匹配。例如，第一编码器包括的网络层的数量和第二编码器包括的网络层的数量，在所述第一编码器中的位置可以和所述第二中间层在所述第一编码器的位置相同。

应理解，第一中间层可以为第一编码器的一个网络层，第二中间层可以为第二编码器的一个网络层，可以将第一编码器的多个网络层中的每个网络层的输出融合至第二编码器中对应的网络层。

以图6为例，视频的处理部分可以称之为平行同素异构式视觉注意力：构建一种视觉双塔注意力机制，其中一支为Frame-Level的注意力分支(S-T Frame Branch)，另外一支为Patch-Level的注意力分支(T-S Patch Branch)，并且两者时空注意力顺序相反(一个分支先在空间维度进行注意力交互，再在时序维度进行注意力交互，另一个分支先在时序维度进行注意力交互，再在空间维度进行注意力交互)；S-T Frame Branch分支将每一层的视频特征通过特征维度的permute传替给T-S Patch Branch的相应层进行加和；形成有效Frame-level(全局信息)和patch-level(细粒度信息)时空信息融合。

本申请实施例提出了一种图-文预训练模型迁移至视频多模态理解的方法：与图-文预训练模型的视觉分支平行建立时序理解模块进行时序建模，不破坏原有图-文预训练模型的视觉分支结构；

503、根据所述文本，通过文本编码器，得到每个所述文本单元的第二特征表示以及所述文本对应的第三特征表示；所述第三特征表示为以所述文本为整体通过所述文本编码器进行特征提取得到的。

应理解，本申请实施例中的图像编码器和文本编码器可以包括编码器-解码器。

在一种可能的实现中，编码器可以为如下模型的一种：LSTM、GRU、SRU、bert、roberta、spanbert、xlnet、GPT、nezha、mass、bart、mbart、albert、structbert、ernie、knowbert、k-bert、tinybert。

在一种可能的实现中，编码器可以理解为一个深度学习网络模型，编码器的网络结构有多种，本申请实施例对此不做具体限定；具体地，编码器的网络结构可以采用Transformer网络的编码器部分的网络结构，或采用由Transformer网络的编码器部分得到的一系列其他网络的网络结构。

504、将所述第三特征表示和每个第二特征表示进行融合，得到多个第四特征表示。

在一种可能的实现中，可以根据所述文本，通过文本编码器，得到每个所述文本单元的第二特征表示(也就是每个文本单元的token)。

在一种可能的实现中，文本可以为英文文本，文本单元可以为一个单词或者多个单词，文本可以为中文文本，文本单元可以为字单元或者词单元。

在一种可能的实现中，可以根据所述文本，通过文本编码器，得到文本对应的第三特征表示，所述第三特征表示为以所述文本为整体通过所述文本编码器进行特征提取得到的。

在一种可能的实现中，可以将所述第三特征表示和每个第二特征表示通过MLP网络进行融合，得到多个第四特征表示(例如，每个第三特征表示可以通过第三特征表示的融合得到对应的一个第四特征表示)。

参照图6，本申请提出了一种文本动态路由机制，在图-文预训练模型的基础上将文本特征进行分流：空间相关的抽象性描述分流到S-T Frame Branch；时序相关的细粒度描述分流到T-S Patch Branch。实现细粒度的视觉-文本对齐。在文本分支后增加文本动态路由机制，有效细粒度化文本信息。

505、通过对所述第一特征表示和所述多个第四特征表示之间进行对比学习，更新所述图像编码器和所述文本编码器。通过对比学习可以拉近语义(或者其他维度的信息)相似的图像特征和文本特征之间的距离。

在一种可能的实现中，可以通过对所述第一特征表示和所述多个第四特征表示之间进行对比学习，以及通过对所述第一特征表示和所述第三特征表示之间进行对比学习。

参照图7，图7为本申请实施例提供的一种流程示意的架构。

参照图8，图8为本申请实施例应用的系统架构和应用场景，本方案可以作为一种通用的图-文预训练高效迁移至视频多模态理解的方案用于各类视频理解任务，如：多模态视频检索、分类、定位、生成(如视频问答、视频标题生成，视频生成)等。

和baseline模型相比，本申请实施例可以显著地增强动词或细粒度的理解能力，如：正确地将细粒度动词extinguishes(熄灭)、wresting(摔跤)关联到正确的视频帧上。参照图9，图9为多模态注意力(attention)可视化的示意。

参照表1，表1为在MSR-VTT公开数据集上的处理效果示意，表2为在LMSDC公开数据集上的处理效果示意，表3为在ActivityNet公开数据集上的处理效果示意，表4为在DiDeMo公开数据集上的处理效果示意。

表1

表2

表3

表4

此外，本申请实施例还提供了一种数据处理方法，所述方法包括：获取视频以及文本，所述文本包括多个文本单元；根据所述视频，通过图像编码器，得到所述视频的第一特征表示；根据所述文本，通过文本编码器，得到每个所述文本单元的第二特征表示以及所述文本对应的第三特征表示；所述第三特征表示为以所述文本为整体通过所述文本编码器进行特征提取得到的；将所述第三特征表示和每个第二特征表示进行融合，得到多个第四特征表示；根据所述第一特征表示和所述多个第四特征表示，通过任务网络，得到任务处理结果。

此外，本申请实施例还提供了一种数据处理方法，所述方法包括：获取视频以及文本，所述文本包括多个文本单元；根据所述视频，通过图像编码器，得到所述视频的第一特征表示；根据所述文本，通过文本编码器，得到每个所述文本单元的第二特征表示以及所述文本对应的第三特征表示；所述第三特征表示为以所述文本为整体通过所述文本编码器进行特征提取得到的；将所述第三特征表示和每个第二特征表示进行融合，得到多个第四特征表示；根据所述第一特征表示和所述多个第四特征表示，通过任务网络，得到任务处理结果；根据所述任务处理结果，对所述图像编码器、所述文本编码器和所述任务网络进行更新。

参照图10，图10为本申请实施例提供的一种数据处理装置的结构示意，如图10所示，本申请实施例提供的一种数据处理装置，所述装置1000包括：

获取模块1001，用于获取视频以及文本，所述文本包括多个文本单元；

关于获取模块1001的具体描述可以参照上述实施例中步骤501的描述，这里不再赘述。

处理模块1002，用于根据所述视频，通过图像编码器，得到所述视频的第一特征表示；

关于处理模块1002的具体描述可以参照上述实施例中步骤502至步骤505的描述，这里不再赘述。

在一种可能的实现中，所述处理模块，具体用于：

所述处理模块，具体用于：

在一种可能的实现中，所述处理模块，具体用于：

此外，本申请实施例还提供了一种数据处理装置，所述装置包括：

接下来介绍本申请实施例提供的一种执行设备，请参阅图11，图11为本申请实施例提供的执行设备的一种结构示意图，执行设备1100具体可以表现为虚拟现实VR设备、手机、平板、笔记本电脑、智能穿戴设备、监控数据处理设备或服务器等，此处不做限定。具体的，执行设备1100包括：接收器1101、发射器1102、处理器1103和存储器1104(其中执行设备1100中的处理器1103的数量可以一个或多个，图11中以一个处理器为例)，其中，处理器1103可以包括应用处理器11031和通信处理器11032。在本申请的一些实施例中，接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接。

存储器1104可以包括只读存储器和随机存取存储器，并向处理器1103提供指令和数据。存储器1104的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1104存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。

处理器1103控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。

上述本申请实施例揭示的方法可以应用于处理器1103中，或者由处理器1103实现。处理器1103可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1103可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104，处理器1103读取存储器1104中的信息，结合其硬件完成上述方法中涉及模型推理过程的步骤。

接收器1101可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1102可用于通过第一接口输出数字或字符信息；发射器1102还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1102还可以包括显示屏等显示设备。

本申请实施例还提供了一种训练设备，请参阅图12，图12是本申请实施例提供的训练设备一种结构示意图，具体的，训练设备1200由一个或多个服务器实现，训练设备1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)1212(例如，一个或一个以上处理器)和存储器1232，一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中，存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1212可以设置为与存储介质1230通信，在训练设备1200上执行存储介质1230中的一系列指令操作。

训练设备1200还可以包括一个或一个以上电源1226，一个或一个以上有线或无线网络接口1250，一个或一个以上输入输出接口1258；或，一个或一个以上操作系统1241，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

本申请实施例中，中央处理器1212，用于执行上述实施例中和模型训练相关的动作。

本申请实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体的，请参阅图13，图13为本申请实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器NPU 1300，NPU 1300作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路1303，通过控制器1304控制运算电路1303提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路1303内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1303是二维脉动阵列。运算电路1303还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1303是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1302中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1301中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1308中。

统一存储器1306用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1305，DMAC被搬运到权重存储器1302中。输入数据也通过DMAC被搬运到统一存储器1306中。

BIU为Bus Interface Unit即，总线接口单元1310，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1309的交互。

总线接口单元1310(Bus Interface Unit，简称BIU)，用于取指存储器1309从外部存储器获取指令，还用于存储单元访问控制器1305从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1306或将权重数据搬运到权重存储器1302中或将输入数据数据搬运到输入存储器1301中。

向量计算单元1307包括多个运算处理单元，在需要的情况下，对运算电路1303的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对特征平面进行上采样等。

在一些实现中，向量计算单元1307能将经处理的输出的向量存储到统一存储器1306。例如，向量计算单元1307可以将线性函数；或，非线性函数应用到运算电路1303的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1307生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1303的激活输入，例如用于在神经网络中的后续层中的使用。

控制器1304连接的取指存储器(instruction fetch buffer)1309，用于存储控制器1304使用的指令；

统一存储器1306，输入存储器1301，权重存储器1302以及取指存储器1309均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims

1.一种数据处理方法，其特征在于，所述方法包括：

获取视频以及文本，所述文本包括多个文本单元；

通过对所述第一特征表示和所述多个第四特征表示之间进行对比学习，更新所述图像编码器和所述文本编码器；或者，根据所述第一特征表示和所述多个第四特征表示，通过任务网络，得到任务处理结果。

2.根据权利要求1所述的方法，其特征在于，所述视频包括多个图像帧，所述根据所述视频，通过图像编码器，得到所述视频的第一特征表示，包括：

3.根据权利要求1所述的方法，其特征在于，所述视频包括多个图像帧，所述根据所述视频，通过图像编码器，得到所述视频的第一特征表示，包括：

4.根据权利要求1至3任一所述的方法，其特征在于，所述图像编码器包括第一编码器和第二编码器；所述第一编码器包括第一中间层，所述第二编码器包括第二中间层；

所述根据所述视频，通过图像编码器，得到所述多个图像帧的第一特征表示，包括：

5.根据权利要求4所述的方法，其特征在于，所述第一编码器包括多个第一网络层和多个第二网络层，所述第一中间层属于所述多个第一网络层或者多个第二网络层，所述通过所述第一编码器进行特征提取以及注意力运算，包括：

6.根据权利要求4或5所述的方法，其特征在于，所述第二编码器包括多个第三网络层和多个第四网络层，所述第二中间层属于所述多个第三网络层或者多个第四网络层，所述通过所述第二编码器进行特征提取以及注意力运算，包括：

7.根据权利要求6所述的方法，其特征在于，所述第一中间层属于所述多个第一网络层，所述第二中间层属于所述多个第三网络层。

8.根据权利要求4至7任一所述的方法，其特征在于，所述第一中间层的输出融合至所述第二中间层的输出或者输入，包括：

9.根据权利要求4至8任一所述的方法，其特征在于，所述第一中间层在所述第一编码器中的位置和所述第二中间层在所述第一编码器的位置相匹配。

10.根据权利要求1至9任一所述的方法，其特征在于，所述通过对所述第一特征表示和所述多个第四特征表示之间进行对比学习，包括：

11.一种数据处理装置，其特征在于，所述装置包括：

12.根据权利要求11所述的装置，其特征在于，所述处理模块，具体用于：

13.根据权利要求11所述的装置，其特征在于，所述处理模块，具体用于：

14.根据权利要求11至13任一所述的装置，其特征在于，所述图像编码器包括第一编码器和第二编码器；所述第一编码器包括第一中间层，所述第二编码器包括第二中间层；

所述处理模块，具体用于：

15.根据权利要求14所述的装置，其特征在于，所述第一编码器包括多个第一网络层和多个第二网络层，所述第一中间层属于所述多个第一网络层或者多个第二网络层，所述处理模块，具体用于：

16.根据权利要求14或15所述的装置，其特征在于，所述第二编码器包括多个第三网络层和多个第四网络层，所述第二中间层属于所述多个第三网络层或者多个第四网络层，所述处理模块，具体用于：

17.根据权利要求11至16任一所述的装置，其特征在于，所述第一中间层属于所述多个第一网络层，所述第二中间层属于所述多个第三网络层。

18.根据权利要求11至17任一所述的装置，其特征在于，所述处理模块，具体用于：

19.根据权利要求14至18任一所述的装置，其特征在于，所述第一中间层在所述第一编码器中的位置和所述第二中间层在所述第一编码器的位置相匹配。

20.根据权利要求11至19任一所述的装置，其特征在于，所述处理模块，具体用于：

21.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机执行权利要求1至10中任一项所述方法的操作。

22.一种计算机程序产品，其特征在于，包括计算机可读指令，当所述计算机可读指令在计算机设备上运行时，使得所述计算机设备执行如权利要求1至10任一所述的方法。

23.一种系统，包括至少一个处理器，至少一个存储器；所述处理器、所述存储器通过通信总线连接并完成相互间的通信；

所述至少一个存储器用于存储代码；

所述至少一个处理器用于执行所述代码，以执行如权利要求1至10任一所述的方法。