CN117521011A - 一种基于语言指导采样的指代表达理解方法 - Google Patents

一种基于语言指导采样的指代表达理解方法 Download PDF

Info

Publication number
CN117521011A
CN117521011A CN202311542251.8A CN202311542251A CN117521011A CN 117521011 A CN117521011 A CN 117521011A CN 202311542251 A CN202311542251 A CN 202311542251A CN 117521011 A CN117521011 A CN 117521011A
Authority
CN
China
Prior art keywords
features
feature
finger
text
sampling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311542251.8A
Other languages
English (en)
Inventor
张格格
宋伟
金天磊
郭方泰
袭向明
姜娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202311542251.8A priority Critical patent/CN117521011A/zh
Publication of CN117521011A publication Critical patent/CN117521011A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种基于语言指导采样的指代表达理解方法，可以获取包括图像、指代表达文本及指代表达文本对应指代目标的真实目标框的训练集，通过视觉特征编码器获取包含语义信息的多尺度视觉特征，通过语言特征编码器提取语言特征，根据语言特征，对多尺度视觉特征进行特征采样，得到采样后特征，将采样后特征与多尺度视觉特征进行融合，得到目标特征，根据语言特征以及目标特征，对指代表达文本所指代的图像中的位置进行预测，得到预测目标框，从而对整体的网络进行训练，本发明基于语言指导采样，在语言特征的指导下，能够自适应地采样与语言特征相关的视觉特征，从而提升指代表达理解网络的性能。

Description

一种基于语言指导采样的指代表达理解方法
技术领域
本说明书涉及指代表达理解技术领域，尤其涉及一种基于语言指导采样的指代表达理解方法。
背景技术
指代表达理解的任务目标是根据指代表达文本的描述信息，在图像中定位到相关目标的位置。该任务涉及视觉图像和语言两种模态，为了避免推理的歧义性，其关键问题在于对齐语言及相关的视觉目标区域，从而为下游任务如视觉问答，图像描述，视觉语言导航等提供帮助。另外，该项技术可用于机器人领域，帮助机器人对复杂指令进行更好的理解，服务于意图理解和自主决策。
现有的指代表达理解的方法主要分为三种：两阶段、一阶段和基于Transformer的指代表达理解方法。其中，两阶段和一阶段方法基于目标检测框架来实现指代表达理解，因此它们的性能依赖事先生成的区域候选框或者提前设计好的锚框，并且其使用的多模态融合方式是非常简单的，如级联，相加等，虽然这种简单的融合方式是有效的，但是对于长而复杂的指代表达文本的理解能力不足。而基于Transformer的指代表达理解方法，借助Transformer强大的表达能力，将视觉和语言特征充分融合，并且抛弃两阶段和一阶段在候选框上做预测的这种间接的方式，直接回归目标的坐标，取得了非常不错的效果。尽管如此，此类方法在进行多模态特征融合的时候，考虑了不相关视觉区域的特征，在获得有利于指代表达理解的代表性特征的同时，也引入了噪声，从而限制了指代表达理解网络的性能。
发明内容
本说明书提供一种基于语言指导采样的指代表达理解方法，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种基于语言指导采样的指代表达理解方法，包括：
获取训练集，训练集中样本包括图像、指代表达文本及所述指代表达文本对应指代目标的真实目标框；
对图像进行预处理，将预处理后的图像输入到指代表达理解网络中的视觉特征编码器获取包含语义信息的多尺度视觉特征；
对指代表达文本进行预处理，将预处理后的文本输入到指代表达理解网络中的语言特征编码器提取语言特征；
根据所述语言特征，对所述多尺度视觉特征进行特征采样，得到采样后特征，将所述采样后特征与所述多尺度视觉特征进行融合，得到目标特征；
根据所述语言特征以及所述目标特征，通过所述指代表达理解网络对所述指代表达文本所指代的图像中的位置进行预测，得到预测目标框，以最小化所述预测目标框与所述真实目标框之间的差异为优化目标，对所述指代表达理解网络进行训练。
可选地，根据所述语言特征，对所述多尺度视觉特征进行特征采样，得到采样后特征，具体包括：
确定所述语言特征与所述多尺度视觉特征之间的特征相似度，并通过所述特征相似度对所述多尺度视觉特征进行增强，得到增强后特征；
从所述增强后特征进行采样得到初始采样点，并将所述增强后特征输入到所述指代表达理解网络中的偏移网络中，生成针对所述初始采样点的偏移结果；
根据所述初始采样点以及所述偏移结果，确定目标采样点，并根据所述目标采样点对所述多尺度视觉特征进行特征采样，得到采样后特征。
可选地，所述视觉特征编码器包含补丁提取层和各视觉特征提取层；
将预处理后的图像输入到指代表达理解网络中的视觉特征编码器获取包含语义信息的多尺度视觉特征，具体包括：
首先将图像输入到所述视觉特征编码器中，得到若干不同尺度的视觉特征，所述若干不同尺度的视觉特征的数量与所述视觉特征提取层的数量相对应；
将高层的低分辨率特征进行最邻近插值，并与低层的高分辨率特征进行相加，得到包含语义信息的多尺度视觉特征。
可选地，所述指代表达理解网络中包括若干采样模块；
根据所述语言特征，对所述多尺度视觉特征进行特征采样，得到采样后特征，将所述采样后特征与所述多尺度视觉特征进行融合，得到目标特征，具体包括：
在第i个采样模块中，确定所述语言特征Fcls与多尺度视觉特征之间的相似度，得到相似度图Si，将所述相似度图Si与原始的多尺度视觉特征/>相乘，得到增强后的视觉特征F′i；在增强后的视觉特征上利用均匀采样，获取初始的参考点r；将增强后的视觉特征输入到由两层卷积层组成的偏移网络φ中，产生对于初始采样点的偏移Δr；将初始参考点与偏移相加，得到最终的采样点r+Δr；基于最终的采样点，将对应位置的视觉特征采样出来，得到特征/>然后将/>与下一层特征/>进行相加，得到特征接着将/>送入第i+1个采样模块进行采样和融合。迭代此过程，得到融合了低层目标位置信息和高层语义信息的特征/>使用最大池化得到/>将/>和的特征进行平铺，并级联起来，得到所述目标特征pv，n为多尺度视觉特征中包含的视觉特征的数量。
可选地，对图像进行预处理，具体包括：
对图像进行数据增强，得到增强后的图像，数据增强的方式包括随机缩放和裁剪，随机改变图像的亮度、对比度和饱和度，随机水平翻转中的至少一种；
对增强后的图像进行归一化，并通过填充像素调整为固定的尺寸大小，得到预处理后的图像。
可选地，对指代表达文本进行预处理，具体包括：
使用分词器对指代表达文本进行序列化；在指代表达文本的开头添加第一信息[CLS]，用来表示整体文本的语义信息，在指代表达文本的结尾添加第二信息[SEP]，标志文本的结束，通过截断或者补全的方式将文本长度设置为固定值，根据分词器中的词典将文本token转换为数字id，进行向量化，设计掩码，对补全的单词进行遮盖，以得到预处理后的文本。
可选地，所述指代表达理解网络中还包括多模态特征编码器以及预测网络；
根据所述语言特征以及所述目标特征，通过所述指代表达理解网络对所述指代表达文本所指代的图像中的位置进行预测，得到预测目标框，具体包括：
将预设的初始多模态特征与所述语言特征和所述目标特征进行拼接，输入到所述多模态特征编码器，以得到更新后的多模态特征；
将所述更新后的多模态特征输入到所述预测网络中，得到预测目标框。
本说明书提供了一种基于语言指导采样的指代表达理解装置，包括：
获取模块，用于获取训练集，训练集中样本包括图像、指代表达文本及所述指代表达文本对应指代目标的真实目标框；
图像预处理模块，用于对图像进行预处理，将预处理后的图像输入到指代表达理解网络中的视觉特征编码器获取包含语义信息的多尺度视觉特征；
文本预处理模块，用于对指代表达文本进行预处理，将预处理后的文本输入到指代表达理解网络中的语言特征编码器提取语言特征；
特征采样模块，用于根据所述语言特征，对所述多尺度视觉特征进行特征采样，得到采样后特征，将所述采样后特征与所述多尺度视觉特征进行融合，得到目标特征；
训练模块，用于根据所述语言特征以及所述目标特征，通过所述指代表达理解网络对所述指代表达文本所指代的图像中的位置进行预测，得到预测目标框，以最小化所述预测目标框与所述真实目标框之间的差异为优化目标，对所述指代表达理解网络进行训练。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于语言指导采样的指代表达理解方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于语言指导采样的指代表达理解方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
从上述一种基于语言指导采样的指代表达理解方法中可以看出，获取训练集，训练集中样本包括图像、指代表达文本及指代表达文本对应指代目标的真实目标框，对图像进行预处理，将预处理后的图像输入到指代表达理解网络中的视觉特征编码器获取包含语义信息的多尺度视觉特征，对指代表达文本进行预处理，将预处理后的文本输入到指代表达理解网络中的语言特征编码器提取语言特征，根据语言特征，对多尺度视觉特征进行特征采样，得到采样后特征，将采样后特征与多尺度视觉特征进行融合，得到目标特征，根据语言特征以及目标特征，通过指代表达理解网络对指代表达文本所指代的图像中的位置进行预测，得到预测目标框，以最小化预测目标框与真实目标框之间的差异为优化目标，对指代表达理解网络进行训练。
从上述内容中可以看出，本说明书针对现有基于Transformer的指代表达理解方法在进行多模态融合和对齐时，考虑了不相关的视觉特征，导致网络性能不佳的问题，提出了一种基于语言指导采样的指代表达理解方法，该方法在语言特征的指导下，能够自适应地采样与语言特征相关的视觉特征，从而提升指代表达理解网络的性能。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书提供的一种基于语言指导采样的指代表达理解方法的流程示意图；
图2为本说明书提供的一种指代表达理解网络的结构示意图；
图3为本说明书提供的一种特征采样的过程示意图；
图4为本说明书提供的一种基于语言指导采样的指代表达理解装置示意图；
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种基于语言指导采样的指代表达理解方法的示意图，具体包括以下步骤：
S100：获取训练集，训练集中样本包括图像、指代表达文本及所述指代表达文本对应指代目标的真实目标框。
在本说明书中，需要对指代表达理解(visual grounding)网络进行训练，该指代表达理解网络可以通过图像以及用户给出的指代表达文本，定位到图像中该指代表达文本所指代的位置，从而为后续的相关业务进行支持。
基于此，服务器可以获取指代表达理解的训练集，该训练集中样本包括图像、指代表达文本及指代表达文本对应指代目标的真实目标框，其中x为目标框中心点的横坐标，y为目标框中心点的纵坐标，w代表目标框的宽，h代表目标框的高。
图像可以为自然场景下的彩色图像，指代表达文本可以用于描述图像中目标信息(如目标类别，目标的外观属性，目标位置等)b＝(x,y,w,h)。
S102：对图像进行预处理，将预处理后的图像输入到指代表达理解网络中的视觉特征编码器获取包含语义信息的多尺度视觉特征。
S104：对指代表达文本进行预处理，将预处理后的文本输入到指代表达理解网络中的语言特征编码器提取语言特征。
在上述过程中，获取到了用于训练的图像、指代表达文本和对应的真实目标框，而后，可以分别对图像和文本进行预处理。
对图像进行预处理时，可以包括：(1)对图像进行数据增强，增强的方式包括随机缩放和裁剪，随机改变图像的亮度、对比度和饱和度，随机水平翻转等，其中，随机缩放的大小范围为[448，480，512，544，576，608，640]，随机裁剪的概率为0.5，随机改变图像亮度，对比度和饱和度的概率为0.4，随机水平翻转的概率为0.5；(2)对增强后的图像进行归一化，并通过填充像素调整为固定的尺寸大640，其中，归一化的方式为标准差归一化，使用的均值为[0.485,0.456,0.406],标准差为[0.229.0.224,0.225]，填充像素的方式为创建一张黑色的尺寸为640的图像，然后根据增强后的图像大小，随机选择一个能够放下整张图像的位置，对黑色的像素进行填充。
在对指代表达文本进行预处理时，包括使用分词器对指代表达文本进行序列化；在指代表达文本的开头添加[CLS]，用来表示整体文本的语义信息；在指代表达文本的结尾添加[SEP]，标志文本的结束；通过截断或者补全的方式将文本长度设置为固定值；根据分词器中的词典将token转换为数字id，进行向量化；设计掩码，对补全的单词进行遮盖，避免在后续计算中产生影响。
对图像进行预处理，得到预处理后的图像后，可以将预处理后的图像输入到指代表达理解网络中的视觉特征编码器获取包含语义信息的多尺度视觉特征；对指代表达文本进行预处理后，得到预处理后的文本，可以将预处理后的文本输入到指代表达理解网络中的语言特征编码器提取语言特征。
图2为本说明书提供的一种指代表达理解网络的结构示意图。
在获取到预处理的图像之后，可以使用视觉特征编码器即预训练好的SwinTransformer Small模型对图像进行特征提取。该视觉特征编码器中可以包括补丁提取层(Patch Partition)和各视觉特征提取层(Swin Modules)。
如图2所示，Swin Transformer Small模型由1个Patch Partition层以及4个阶段的Swin Modules组成，输入的图像经过4个Swin Modules之后，可以得到4个不同尺度的视觉特征{Fi；i＝1,2,3,4}，尺度分别为/> 其中H＝640,W＝640,Cv＝96；然后我们使用1×1的卷积层，将4张特征图的通道统一为D，此处D＝256，接着利用FPN所提出的自上而下的结构，将高层的低分辨率特征进行最邻近插值(Nearest Neighbor Interpolation，NNI)，并与低层的高分辨率特征进行相加，从而可以得到包含语义信息的多尺度视觉特征
对于预处理后的文本来说，指代表达理解网络中包含有语言特征编码器，包括一个预训练好的BERT模型(由12层Transformer的编码层构成)和一个用来降低维度的全连接层，特征编码器用来提取指代表达文本的语言特征pl,其中[CLS]的特征使用Fcls表示。
S106：根据所述语言特征，对所述多尺度视觉特征进行特征采样，得到采样后特征，将所述采样后特征与所述多尺度视觉特征进行融合，得到目标特征。
在本说明书中，得到上述语言特征和多尺度视觉特征后，需要根据述语言特征，对多尺度视觉特征进行特征采样，得到采样后特征，并将采样后特征与多尺度视觉特征进行融合，得到目标特征。需要说明的是，采样的目的是强调多尺度视觉特征中与指代表达文本相关的特征，从而得到有利于定位目标的视觉特征：上述目标特征。
采样的方式大致可以为：确定出语言特征与多尺度视觉特征之间的特征相似度，并通过该特征相似度对该多尺度视觉特征进行增强，得到增强后特征，从增强后特征进行采样得到初始采样点，并将增强后特征输入到指代表达理解网络中的偏移网络中，生成针对初始采样点的偏移结果；并根据该初始采样点以及偏移结果，确定目标采样点，并根据目标采样点对多尺度视觉特征进行特征采样，得到采样后特征。
需要强调的是，在采样得到初始采样点时，可以是均匀的采样得到多尺度视觉特征的部分patch上，再通过上述偏移网络将初始采样点偏移到目标采样点(目标patch)上，设置偏移网络的目的是特征采样时偏移到与指代表达文本相关的目标采样点上，偏移网络将随着指代表达理解网络整体的损失的训练来调整自身的参数，以达到设置该偏移网络的目的。
需要说明的是，在指代表达理解网络中可以存在有多个不同尺度的视觉特征，因此上述过程结合到实际多个不同尺度的视觉特征上，可以利用语言特征对高分辨率视觉特征图进行自适应采样，并将采样后的特征与低分辨率视觉特征进行融合，从图2可以看出，基于语言指导的采样模块，该模块总共可以有3个，分别对视觉特征进行处理，如图3所示，第i个采样模块包括以下步骤：
图3为本说明书提供的一种特征采样的过程示意图。
(1)计算[CLS]所表示的语言特征Fcls与的余弦相似度，得到相似度图Si,Si每个空间位置(m,n)上的值smn的计算公式为：
其中，为/>在(m,n)位置上的图像特征向量，相似度越高，说明对应位置的图像特征与代表性文本特征Fcls越相关。
(2)将相似度图Si与原始的视觉特征相乘，得到增强后的视觉特征F′i，计算公式为：
其中，S′i是Si在通道维度上复制D次得到的，这样能对中每个通道的特征图进行逐元素相乘，⊙为逐元素相乘符号。
(3)在增强后的视觉特征上利用均匀采样，获取初始的参考点坐标/>其中/>并根据特征图的高度Hi和宽度Wi将采样点的坐标归一化到[-1,1]。
(4)将增强后的视觉特征输入到由两层卷积层组成的偏移网络φ中，产生对于初始采样点的2D偏移Δr：Δr＝φ(F′i)，为了避免生成太大的偏移量，可以将生成的偏移分别限制在/>和/>范围内。
(5)将初始参考点与偏移相加，得到最终的采样点r+Δr。
(6)基于最终的采样点，将对应位置的视觉特征采样出来，得到特征
其中，g(·)表示双线性插值，对于采样点(rx,ry),该位置的值由该位置周围4个点的值计算而来。
如图2所示，可以将与下一层特征/>进行相加，得到特征接着将/>送入第i+1个采样模块进行采样和融合。迭代此过程，最后得到融合了低层目标位置信息和高层语义信息的特征/>另外，为了定位更大的目标，可以使用2×2最大池化得到/>最后，将/>和/>的特征进行平铺和级联，得到有利于定位目标的视觉特征(即，上述提到的目标特征)/>其中Nv＝500。
S108：根据所述语言特征以及所述目标特征，通过所述指代表达理解网络对所述指代表达文本所指代的图像中的位置进行预测，得到预测目标框，以最小化所述预测目标框与所述真实目标框之间的差异为优化目标，对所述指代表达理解网络进行训练。
在通过上述方式确定出语言特征和目标特征后，可以根据语言特征以及目标特征，通过指代表达理解网络对指代表达文本所指代的图像中的位置进行预测，得到预测目标框，以最小化预测目标框与真实目标框之间的差异为优化目标，对指代表达理解网络进行训练。
其中，指代表达理解网络中还包括多模态特征编码器以及预测网络，可以将预设的初始多模态特征(下面提到的[REG])与语言特征和目标特征进行拼接，输入到多模态特征编码器，以得到更新后的多模态特征，而后，可以将更新后的多模态特征输入到预测网络中，得到预测目标框。
具体地，如图2所示，可以添加[REG]作为代表性的多模态特征，并与步骤S106得到的视觉特征pv和S104得到的语言特征pl进行级联，得到输入到多模态特征编码器的输入特征X：
其中pr表示[REG]的特征，在训练开始时随机进行初始化，然后在训练过程中其状态随着网络的更新而更新。多模态特征编码器可以由6层Transformer的编码层组成，为了保留位置信息，在X输入多模态特征编码器之前，为其添加可学习的位置编码PositionEncoding，借助多头注意力机制，通过单模态的自注意力和跨模态注意力来融合视觉特征和语言特征，[REG]特征最后的状态会包含来自视觉和语言的多模态上下文信息，便于后续坐标的回归。
而后，可以将[REG]代表的特征送入预测网络，输出预测的目标框位置，并使用真实的目标框作为监督信号，对整体网络进行训练。
具体地，预测网络可以由3层全连接层组成，前两层为隐藏层，输出维度为256，使用的激活函数为ReLU，最后一层是输出层，输出维度为4，激活函数为Sigmoid。该网络接收[REG]的代表性特征pr作为输入，然后输出预测的目标框其中/>为预测目标框的横坐标，/>为预测目标框的纵坐标，/>为预测目标框的宽，/>为预测目标框的高。在获取预测的目标框后，使用真实的目标框b作为监督信号，对网络进行训练，训练所使用的损失函数为：
其中，为Smooth-L1损失函数，用来衡量预测目标框和真实目标框的数值差异，计算公式如下：
为GIoU损失函数，用来衡量预测目标框和真实目标框的重叠程度，计算公式为：
其中，IoU表示预测目标框和真实目标框的交并比，C表示预测目标框和真实目标框的最小外接矩形的面积，U表示预测目标框和真实目标框的并集的面积。
在训练阶段，使用权重衰减率为10-4的AdamW优化器来对网络进行训练，同时，将视觉特征编码器和语言特征编码器的初始学习率设置为10-5，其他网络模块的学习率设置为10-4，通过逐步衰减学习率来更好的训练网络。
网络总体训练140轮，训练完成后，选择验证集精度最高的轮次对应的权重作为训练好的网络。在测试阶段，将测试图像以及感兴趣目标的指代表达文本输入到训练好的网络中，就能获得视觉指代表达理解的结果，即感兴趣目标的位置。
需要说明的是，指代表达理解网络训练完成后，在多种业务场景中可以采用该指代表达理解网络得到指代表达文本在图像中定位的位置，并基于该位置提供相应的业务。例如在VQA任务中，用户根据图片问问题的时候，可以通过指代表达理解网络将预测出的目标框输出出来，再通过目标框来得出问题的结果。再例如，在视觉语言导航中，机器人需要根据用户发出的指令和感知的视觉图像，找到指令所指定的目标物体，也可以采用本方法中的指代表达理解网络。
本发明基于语言指导采样的方式，在语言特征的指导下，帮助网络自适应地采样与语言特征相关的视觉特征，从而提升指代表达理解网络的性能。
需要说明的是，为了便于描述，将执行本方法的执行主体作为服务器进行描述，本方法的执行主体可以是计算机、控制器等，在此不进行限定。还需说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
另外，还需说明的是，本说明书中所有获取信号、信息或数据的动作都是在遵照所在地相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
以上为本说明书的一个或多个基于语言指导采样的指代表达理解方法，基于同样的思路，本说明书还提供了基于语言指导采样的指代表达理解装置，如图4所示。
图4为本说明书提供的一种基于语言指导采样的指代表达理解装置示意图，包括：
获取模块401，用于获取训练集，训练集中样本包括图像、指代表达文本及所述指代表达文本对应指代目标的真实目标框；
图像预处理模块402，用于对图像进行预处理，将预处理后的图像输入到指代表达理解网络中的视觉特征编码器获取包含语义信息的多尺度视觉特征；
文本预处理模块403，用于对指代表达文本进行预处理，将预处理后的文本输入到指代表达理解网络中的语言特征编码器提取语言特征；
特征采样模块404，用于根据所述语言特征，对所述多尺度视觉特征进行特征采样，得到采样后特征，将所述采样后特征与所述多尺度视觉特征进行融合，得到目标特征；
训练模块405，用于根据所述语言特征以及所述目标特征，通过所述指代表达理解网络对所述指代表达文本所指代的图像中的位置进行预测，得到预测目标框，以最小化所述预测目标框与所述真实目标框之间的差异为优化目标，对所述指代表达理解网络进行训练。
可选地，所述特征采样模块404具体用于，确定所述语言特征与所述多尺度视觉特征之间的特征相似度，并通过所述特征相似度对所述多尺度视觉特征进行增强，得到增强后特征；从所述增强后特征进行采样得到初始采样点，并将所述增强后特征输入到所述指代表达理解网络中的偏移网络中，生成针对所述初始采样点的偏移结果；根据所述初始采样点以及所述偏移结果，确定目标采样点，并根据所述目标采样点对所述多尺度视觉特征进行特征采样，得到采样后特征。
可选地，所述视觉特征编码器包含补丁提取层和各视觉特征提取层；
所述图像预处理模块402具体用于，首先将图像输入到所述视觉特征编码器中，得到若干不同尺度的视觉特征，所述若干不同尺度的视觉特征的数量与所述视觉特征提取层的数量相对应；将高层的低分辨率特征进行最邻近插值，并与低层的高分辨率特征进行相加，得到包含语义信息的多尺度视觉特征。
可选地，所述指代表达理解网络中包括若干采样模块；
所述特征采样模块404具体用于，在第i个采样模块中，确定所述语言特征Fcls与多尺度视觉特征之间的相似度，得到相似度图Si，将所述相似度图Si与原始的多尺度视觉特征/>相乘，得到增强后的视觉特征F′i；在增强后的视觉特征上利用均匀采样，获取初始的参考点r；将增强后的视觉特征输入到由两层卷积层组成的偏移网络φ中，产生对于初始采样点的偏移Δr；将初始参考点与偏移相加，得到最终的采样点r+Δr；基于最终的采样点，将对应位置的视觉特征采样出来，得到特征/>然后将/>与下一层特征/>进行相加，得到特征/>接着将/>送入第i+1个采样模块进行采样和融合。迭代此过程，得到融合了低层目标位置信息和高层语义信息的特征/>使用最大池化得到将/>和/>的特征进行平铺，并级联起来，得到所述目标特征pv，n为多尺度视觉特征中包含的视觉特征的数量。
可选地，所述图像预处理模块402具体用于，对图像进行数据增强，得到增强后的图像，数据增强的方式包括随机缩放和裁剪，随机改变图像的亮度、对比度和饱和度，随机水平翻转中的至少一种；对增强后的图像进行归一化，并通过填充像素调整为固定的尺寸大小，得到预处理后的图像。
可选地，所述文本预处理模块403具体用于，使用分词器对指代表达文本进行序列化；在指代表达文本的开头添加第一信息[CLS]，用来表示整体文本的语义信息，在指代表达文本的结尾添加第二信息[SEP]，标志文本的结束，通过截断或者补全的方式将文本长度设置为固定值，根据分词器中的词典将文本token转换为数字id，进行向量化，设计掩码，对补全的单词进行遮盖，以得到预处理后的文本。
可选地，所述指代表达理解网络中还包括多模态特征编码器以及预测网络；
所述训练模块405具体用于，将预设的初始多模态特征与所述语言特征和所述目标特征进行拼接，输入到所述多模态特征编码器，以得到更新后的多模态特征；将所述更新后的多模态特征输入到所述预测网络中，得到预测目标框。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述基于语言指导采样的指代表达理解方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现基于语言指导采样的指代表达理解方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种基于语言指导采样的指代表达理解方法，其特征在于，包括：
获取训练集，训练集中样本包括图像、指代表达文本及所述指代表达文本对应指代目标的真实目标框；
对图像进行预处理，将预处理后的图像输入到指代表达理解网络中的视觉特征编码器获取包含语义信息的多尺度视觉特征；
对指代表达文本进行预处理，将预处理后的文本输入到指代表达理解网络中的语言特征编码器提取语言特征；
根据所述语言特征，对所述多尺度视觉特征进行特征采样，得到采样后特征，将所述采样后特征与所述多尺度视觉特征进行融合，得到目标特征；
根据所述语言特征以及所述目标特征，通过所述指代表达理解网络对所述指代表达文本所指代的图像中的位置进行预测，得到预测目标框，以最小化所述预测目标框与所述真实目标框之间的差异为优化目标，对所述指代表达理解网络进行训练。
2.如权利要求1所述的方法，其特征在于，根据所述语言特征，对所述多尺度视觉特征进行特征采样，得到采样后特征，具体包括：
确定所述语言特征与所述多尺度视觉特征之间的特征相似度，并通过所述特征相似度对所述多尺度视觉特征进行增强，得到增强后特征；
从所述增强后特征进行采样得到初始采样点，并将所述增强后特征输入到所述指代表达理解网络中的偏移网络中，生成针对所述初始采样点的偏移结果；
根据所述初始采样点以及所述偏移结果，确定目标采样点，并根据所述目标采样点对所述多尺度视觉特征进行特征采样，得到采样后特征。
3.如权利要求1所述的方法，其特征在于，所述视觉特征编码器包含补丁提取层和各视觉特征提取层；
将预处理后的图像输入到指代表达理解网络中的视觉特征编码器获取包含语义信息的多尺度视觉特征，具体包括：
首先将图像输入到所述视觉特征编码器中，得到若干不同尺度的视觉特征，所述若干不同尺度的视觉特征的数量与所述视觉特征提取层的数量相对应；
将高层的低分辨率特征进行最邻近插值，并与低层的高分辨率特征进行相加，得到包含语义信息的多尺度视觉特征。
4.如权利要求3所述的方法，其特征在于，所述指代表达理解网络中包括若干采样模块；
根据所述语言特征，对所述多尺度视觉特征进行特征采样，得到采样后特征，将所述采样后特征与所述多尺度视觉特征进行融合，得到目标特征，具体包括：
在第i个采样模块中，确定所述语言特征Fcls与多尺度视觉特征之间的相似度，得到相似度图Si，将所述相似度图Si与原始的多尺度视觉特征/>相乘，得到增强后的视觉特征Fi ′；在增强后的视觉特征上利用均匀采样，获取初始的参考点r；将增强后的视觉特征输入到由两层卷积层组成的偏移网络φ中，产生对于初始采样点的偏移Δr；将初始参考点与偏移相加，得到最终的采样点r+Δr；基于最终的采样点，将对应位置的视觉特征采样出来，得到特征/>然后将/>与下一层特征/>进行相加，得到特征/>接着将/>送入第i+1个采样模块进行采样和融合，迭代此过程，得到融合了低层目标位置信息和高层语义信息的特征/>使用最大池化得到/>将/>和/>的特征进行平铺，并级联起来，得到所述目标特征pv，n为多尺度视觉特征中包含的视觉特征的数量。
5.如权利要求1所述的方法，其特征在于，对图像进行预处理，具体包括：
对图像进行数据增强，得到增强后的图像，数据增强的方式包括随机缩放和裁剪，随机改变图像的亮度、对比度和饱和度，随机水平翻转中的至少一种；
对增强后的图像进行归一化，并通过填充像素调整为固定的尺寸大小，得到预处理后的图像。
6.如权利要求1所述的方法，其特征在于，对指代表达文本进行预处理，具体包括：
使用分词器对指代表达文本进行序列化；在指代表达文本的开头添加第一信息[CLS]，用来表示整体文本的语义信息，在指代表达文本的结尾添加第二信息[SEP]，标志文本的结束，通过截断或者补全的方式将文本长度设置为固定值，根据分词器中的词典将文本token转换为数字id，进行向量化，设计掩码，对补全的单词进行遮盖，以得到预处理后的文本。
7.如权利要求2所述的方法，其特征在于，所述指代表达理解网络中还包括多模态特征编码器以及预测网络；
根据所述语言特征以及所述目标特征，通过所述指代表达理解网络对所述指代表达文本所指代的图像中的位置进行预测，得到预测目标框，具体包括：
将预设的初始多模态特征与所述语言特征和所述目标特征进行拼接，输入到所述多模态特征编码器，以得到更新后的多模态特征；
将所述更新后的多模态特征输入到所述预测网络中，得到预测目标框。
8.一种基于语言指导采样的指代表达理解装置，其特征在于，包括：
获取模块，用于获取训练集，训练集中样本包括图像、指代表达文本及所述指代表达文本对应指代目标的真实目标框；
图像预处理模块，用于对图像进行预处理，将预处理后的图像输入到指代表达理解网络中的视觉特征编码器获取包含语义信息的多尺度视觉特征；
文本预处理模块，用于对指代表达文本进行预处理，将预处理后的文本输入到指代表达理解网络中的语言特征编码器提取语言特征；
特征采样模块，用于根据所述语言特征，对所述多尺度视觉特征进行特征采样，得到采样后特征，将所述采样后特征与所述多尺度视觉特征进行融合，得到目标特征；
训练模块，用于根据所述语言特征以及所述目标特征，通过所述指代表达理解网络对所述指代表达文本所指代的图像中的位置进行预测，得到预测目标框，以最小化所述预测目标框与所述真实目标框之间的差异为优化目标，对所述指代表达理解网络进行训练。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。
CN202311542251.8A 2023-11-16 2023-11-16 一种基于语言指导采样的指代表达理解方法 Pending CN117521011A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311542251.8A CN117521011A (zh) 2023-11-16 2023-11-16 一种基于语言指导采样的指代表达理解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311542251.8A CN117521011A (zh) 2023-11-16 2023-11-16 一种基于语言指导采样的指代表达理解方法

Publications (1)

Publication Number Publication Date
CN117521011A true CN117521011A (zh) 2024-02-06

Family

ID=89758284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311542251.8A Pending CN117521011A (zh) 2023-11-16 2023-11-16 一种基于语言指导采样的指代表达理解方法

Country Status (1)

Country Link
CN (1) CN117521011A (zh)

Similar Documents

Publication Publication Date Title
CN117372631B (zh) 一种多视角图像生成模型的训练方法、应用方法
CN115600157B (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN117635822A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN118096924B (zh) 图像处理方法、装置、设备及存储介质
CN116805393A (zh) 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和系统
CN117011156A (zh) 图像处理方法、装置、设备及存储介质
CN117409466B (zh) 一种基于多标签控制的三维动态表情生成方法及装置
CN116091895B (zh) 一种面向多任务知识融合的模型训练方法及装置
CN116342888B (zh) 一种基于稀疏标注训练分割模型的方法及装置
CN117173002A (zh) 模型训练、图像生成、信息提取方法、装置及电子设备
CN117521011A (zh) 一种基于语言指导采样的指代表达理解方法
CN116451808B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN116935055B (zh) 一种基于注意力掩码的弱监督语义分割方法及装置
CN114972909B (zh) 一种模型训练的方法、构建地图的方法及装置
CN118470752B (zh) 基于注意力机制和特征融合策略的行人重识别方法和装置
CN116340852B (zh) 一种模型训练、业务风控的方法及装置
CN117893692B (zh) 一种基于对称视图的三维重建方法、装置及存储介质
CN117830564B (zh) 一种姿态分布指导的三维虚拟人模型重建方法
CN117953515A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN117765389A (zh) 基于足式机器人的地形感知模型的训练方法及装置
CN116721316A (zh) 一种模型训练和地磁图优化方法、装置、介质及设备
CN117496529A (zh) 文本检测模型的训练方法、文本检测方法及装置
CN118644697A (zh) 模型训练的方法、图像识别的方法、装置及电子设备
CN117952229A (zh) 一种模型训练方法、业务风控方法、装置以及存储介质
CN118015441A (zh) 一种篡改检测方法、装置、存储介质及电子设备

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