KR20200110154A

KR20200110154A - 시각적 질문응답 모델, 전자 기기 및 저장 매체

Info

Publication number: KR20200110154A
Application number: KR1020200000226A
Authority: KR
Inventors: 지안후이 후앙; 민 퀴아오; 핑핑 후앙; 용 주; 라주안 리유; 잉 리
Original assignee: 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Priority date: 2019-03-12
Filing date: 2020-01-02
Publication date: 2020-09-23
Also published as: JP2020149685A; KR102403108B1; CN109902166A; US20200293921A1; EP3709207A1

Abstract

본 발명의 실시예는 시각적 질문응답 모델, 전자 기기 및 저장 매체를 개시하는바, 상기 시각적 질문응답 모델은, 상기 입력된 질문 텍스트의 단어 벡터 시퀀스를 풀링 처리하여 상기 질문 텍스트의 의미 특징화 벡터를 추출하는 텍스트 인코더; 및 상기 의미 특징화 벡터와 결합하여 주어진 이미지의 이미지 특징을 추출하는 이미지 인코더; 를 포함한다. 본 발명의 실시예는 풀링 방식을 사용하여 텍스트 벡터를 처리함으로써 시각적 질문응답 모델의 예측 정확률 손실이 크지 않도록 확보하면서, 모델의 트레이닝 효율을 효과적으로 향상시키는바, 엔지니어링 상으로 사용하기에 더욱 유익하다.

Description

시각적 질문응답 모델, 전자 기기 및 저장 매체{VISUAL QUESTION ANSWERING MODEL, ELECTRONIC DEVICE AND STORAGE MEDIUM}

본 발명의 실시예는 인공 지능 기술 분야에 관한 것으로, 특히 시각적 질문응답 모델, 전자 기기 및 저장 매체에 관한 것이다.

시각적 질문응답 시스템(Visual Question Answering, 하기 VQA로 약칭함)은 멀티 모드 융합에 있어서 전형적인 응용인바, 예를 들면, 하나의 픽처(picture)가 주어지고, 픽처에는 빨간 옷을 입은 타자 한명이 있다면, 관련되는 질문 'what color shirt is the batter wearing?'이 제기되는 경우, VQA 모델은 답안을 'red'로 예측하고자 이미지 정보와 텍스트 질문 정보와 결합하여야 한다. 이러한 과정은 주로 이미지와 텍스트에 대한 의미 특징 추출 및 추출된 이미지와 텍스트 이 2개 모드의 특징에 대한 융합에 관한 것이므로, VQA에 관련되는 모델의 인코딩 부분은 주로 텍스트 인코더와 이미지 인코더로 구성된다.

그러나, 이미지와 텍스트 인코더가 동시에 관련되므로, VQA 모델은 종종 트레이닝이 필요한 대량의 파라미터를 포함하게 되고, 이는 모델 트레이닝 시간을 상당히 길어지게 한다. 따라서 모델의 정확률 손실이 크지 않으면서 엔지니어링 상으로 모델을 간소화하고 모델의 트레이닝 효율을 제고하는 것은, 현재 시급히 해결하여야 할 기술 과제로 되어 있다.

[1] 본 발명의 실시예는 시각적 질문응답 모델, 전자 기기 및 저장 매체를 제공하는바, 시각적 질문응답 모델의 정확률 손실이 크지 않으면서, 엔지니어링 상으로 모델을 간소화하고, 시각적 질문응답 모델의 트레이닝 효율을 향상시키는 목적에 도달하고자 한다.

[2] 제1 측면으로, 본 발명의 실시예는 시각적 질문응답 모델을 제공하는바,

[3] 상기 입력된 질문 텍스트의 단어 벡터 시퀀스를 풀링 처리하여, 상기 질문 텍스트의 의미 특징화 벡터를 추출하는 텍스트 인코더; 및

[4] 상기 의미 특징화 벡터와 결합하여, 주어진 이미지의 이미지 특징을 추출하는 이미지 인코더; 를 포함한다.

[5] 제2 측면으로, 본 발명의 실시예는 전자 기기를 더 제공하는바,

[6] 하나 또는 복수의 프로세서; 및

[7] 하나 또는 복수의 프로그램을 저장하는 메모리; 를 포함하고

[8] 상기 하나 또는 복수의 프로그램이 상기 하나 또는 복수의 프로세서에 의해 실행될 경우, 상기 하나 또는 복수의 프로세서에 의해 본 발명의 임의의 실시예에 따른 시각적 질문응답 모델이 작동된다.

[9] 제3 측면으로, 본 발명의 실시예는 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독가능 저장 매체를 제공하는바, 당해 프로그램이 프로세서에 의해 실행될 경우, 본 발명의 임의의 실시예에 따른 시각적 질문응답 모델을 작동시킨다.

[10] 본 발명의 실시예는 시각적 질문응답 모델, 전자 기기 및 저장 매체를 제공하는 것으로, 시각적 질문응답 모델에서 풀링 처리 방식을 이용하여 텍스트 벡터를 인코딩함으로써, 시각적 질문응답 모델을 간소화하는 목적에 도달하고, 풀링 처리와 같은 간단한 인코딩 방식으로 시각적 질문응답 모델에서 트레이닝이 필요한 파라미터의 수량을 감소시키며, 시각적 질문응답 모델의 트레이닝 효율을 효과적으로 향상시키는바, 엔지니어링 상으로 사용하기에 더욱 유익하다.

도1은 본 발명의 실시예1에 의하여 제공되는 시각적 질문응답 모델의 개략적인 구조도이다.
도2는 본 발명의 실시예2에 의하여 제공되는 다른 시각적 질문응답 모델의 개략적인 구조도이다.
도3은 본 발명의 실시예3에 의하여 제공되는 전자 기기의 개략적인 구조도이다.

하기 첨부도면과 실시예를 결부하여 본 발명에 대해 나아가 더 상세히 설명하고자 한다. 여기서 설명하는 구체적인 실시예는 단지 본 발명을 해석하기 위한 것일 뿐, 본 발명을 한정하기 위한 것이 아님을 이해할 수 있다. 설명의 편의를 위해, 첨부 도면에는 전체 구조가 아닌 본 발명에 관련되는 부분만을 도시하였음을 또한 설명하고자 한다.

실시예1

도1은 본 발명의 실시예1에 의하여 제공되는 시각적 질문응답 모델이다. 본 실시예는 시각적 질문응답 모델을 간소화함으로써, 시각적 질문응답 모델의 트레이닝 효율을 향상시키며, 당해 모델은 전자 기기에서 실행 가능한바, 예를 들어 컴퓨터 단말 또는 서버에서 실행 가능하다.

도1에 도시한 바와 같이, 본 발명의 실시예에 의하여 제공되는 시각적 질문응답 모델은, 입력된 질문 텍스트의 단어 벡터 시퀀스를 풀링 처리하여, 상기 질문 텍스트의 의미 특징화 벡터를 추출하는 텍스트 인코더를 포함할 수 있다.

여기서, 질문 텍스트를 인코딩하기 전에, 질문 텍스트에 대한 전처리가 필요한바, 예시적으로, word2vec 모델 또는 glove 모델로 질문 텍스트를 처리하여, 당해 질문 텍스트에 대응되는 단어 벡터 시퀀스를 획득한다. 질문 텍스트에 대한 인코딩은, 당해 질문 텍스트에 대응되는 단어 벡터 시퀀스를 텍스트 인코더에 입력하기만 하면 되는 것으로, 텍스트 인코더에 의해 질문 텍스트의 단어 벡터 시퀀스를 풀링 처리하면 질문 텍스트의 의미 특징화 벡터를 추출할 수 있다. 여기서 설명하고자 하는 바는, 종래 기술에서는 장단기 기억 네트워크(Long Short-Term Memory, LSTM) 모델 또는 양방향 LSTM(Bi-directional Long Short-Term Memory, Bi-LSTM) 모델을 텍스트 인코더로 사용하였다. 그러나 본 출원은 풀링 처리를 이용함으로써 LSTM 모델 또는 Bi-LSTM 모델이 텍스트 인코더로 사용되는 것을 대체하였는바, 이는 시각적 질문응답 모델을 간소화시킨다.

본 실시예에서, 상기 풀링 처리는 최대 풀링(MaxPooling) 처리이고, 상기 최대 풀링 처리는 하기 식으로 표시된다.

f(w1, w2, ..., wk)=max([w1, w2, ..., wk],dim=1)

여기서, f는 최대 풀링 처리 함수를 나타내고; k는 상기 질문 텍스트에 포함되는 단어 벡터의 수량이고; wi는 미리 트레이닝된 단어 벡터 모델을 이용하여 상기 질문 텍스트를 처리함으로써 획득된 i번째 단어 벡터이고, i는 [1, k] 중의 자연수이고; max([w1, w2, ..., wk],dim=1)은 단어 벡터 w1, w2, ..., wk에서 각 단어 벡터에 대응되는 차원 수에서 최대치를 가지는 것을 나타내고, 여기서, dim=1은 차원 수를 가리키는바, 즉 주어진 2차원 행렬에 대해 행에 따라 값을 가지는 것을 나타낸다.

예시적으로, 하나의 질문 텍스트의 단어 벡터 시퀀스는

이고, 상술한 식으로 당해 단어 벡터 시퀀스를 최대 풀링 처리한 후

을 획득하는바, 따라서,

가 바로 당해 질문 텍스트의 의미 특징화 벡터이다. 이로써, 최대 풀링 처리를 통하여 시각적 질문응답 모델에서 트레이닝이 필요한 파라미터의 수량을 감소시키고, 나아가 시각적 질문응답 모델의 트레이닝 효율을 향상시킬 수 있다.

또한, 본 발명의 실시예의 시각적 질문응답 모델에서의 이미지 인코더는, 의미 특징화 벡터와 결합하여 주어진 이미지의 이미지 특징을 추출한다.

이미지에는 모두 배경과 풍부한 내용이 포함되므로, 기계(machine)로 하여금 질문에 관련되는 이미지 내용에 더욱 주목하도록 함으로써 나아가 질문에 답하는 정확성을 향상시키기 위해 시각화 어텐션 메커니즘(visual Attention Mechanism)(도1의 Attention)을 적용할 수 있는바, Attention 메커니즘을 통하여 이미지 인코더는 텍스트 인코더에 의해 획득되는 질문 텍스트에 대응되는 의미 특징화 벡터를 결합시킴으로써, 당해 의미 특징화 벡터에 가장 관련되는 이미지 내용을 확정하고, 당해 이미지 내용의 이미지 특징을 추출하여 이미지 특징 벡터를 획득하는 것으로, 여기서, 이미지 인코더는 합성곱 신경망 모델, 예를 들어 Faster R-CNN 모델을 적용할 수 있다.

나아가, 도1에 도시한 바와 같이, 당해 시각적 질문응답 모델은 부동한 모드의 특징을 융합하는 특징 융합 디바이스(fusion)를 더 포함하고, 본 실시예에서, 특징 융합 디바이스는 이미지 인코더에 의해 출력되는 이미지 특징 벡터 및 텍스트 인코더에 의해 출력되는 의미 특징화 벡터를 융합시키는바, 예시적으로, 이미지 특징 벡터와 의미 특징화 벡터를 점곱 연산의 방식으로 융합시킬 수 있다.

당해 시각적 질문응답 모델은 분류기를 더 포함하는바, 상기 분류기는 softmax 함수(정규화 지수 함수라고도 함)로 상술한 특징 융합 디바이스에 의해 출력되는 벡터에 대해 수치 처리를 수행하여, 부동한 답안 사이의 상대적 확률을 획득하고, 상대적 확률 최대치에 대응되는 답안을 출력한다.

상술한 시각적 질문응답 모델에 있어서, 한 구체적인 구현 방식은, 스탠포드 인공지능 연구소(Stanford Artificial Intelligence Laboratory)가 발표한 데이터 세트 Visual Genome을 트레이닝 샘플 데이터와 검증 데이터로 하고, 트레이닝 샘플 데이터와 검증 데이터를 2:1의 비율에 따라 무작위로 나누어, 당해 시각적 질문응답 모델을 트레이닝하고 검증한다. 당해 데이터 세트에 대한 구체적인 데이터 통계는 표1에 도시한 바와 같이, 각 픽처가 일정 수량의 질문을 포함하고, 주어진 답안을 수동으로 레이블링한다.

명칭	수량
픽처 수	108077
질문 수	1445322

상술한 데이터를 이용하여 본 실시예에 의하여 제공되는 시각적 질문응답 모델을 트레이닝 및 검증하는바, 구체적으로, P40 클러스터에서 당해 시각적 질문응답 모델을 작동 가능하고, 여기서 P40 클러스터 환경의 구성, 모델의 기본 파라미터는 도2에 도시한 바와 같다. 비교를 위해 동시에, 종래 기술의, LSTM 또는 Bi-LSTM을 텍스트 인코더의 시각적 질문응답 모델로 하여 트레이닝 및 검증하는바, 결과는 3과 같다.

표3에 나열된 검증 결과로부터 알수 있는바, 본 발명의 실시예는 최대 풀링 처리를 텍스트 인코더의 시각적 질문응답 모델로 적용하는바, 종래의, LSTM 또는 Bi-LSTM을 텍스트 인코더의 시각적 질문응답 모델로 적용하는 기술에 비하면, 예측 정확률 손실은 약 0.5% 밖에 되지 않으나 모델 실행 시간을 단축함에 있어서는 최대로 3시간을 단축하는 것으로, 트레이닝 효율을 대폭 향상시킨다.

명칭	구성	부가 설명
시스템	Centos6.0
GPU 유형	P40	그래픽 카드 메모리는 24G임
GPU 개수	4개 카드
Batch_size	512
Epochs	12000	Epoch는 mini-batch로 카운트함

텍스트 인코더	실행 시간	예측 정확도
LSTM	7.5h	41.39%
Bi-LSTM	8.2h	41.36%
MaxPooling	5.2h	40.84%

본 발명의 실시예는, 시각적 질문응답 모델에서 풀링 처리 방식을 이용하여 텍스트 벡터를 인코딩함으로써, 시각적 질문응답 모델을 간소화하는 목적에 도달하고, 풀링 처리와 같은 간단한 인코딩 방식으로 시각적 질문응답 모델의 예측 정확률의 손실이 크지 않으면서, 시각적 질문응답 모델의 트레이닝 효율을 효과적으로 향상시키는 것을 구현하는바, 엔지니어링 상으로 사용하기에 더욱 유익하다.

실시예2

도2는 본 실시예에 의하여 제공되는 다른 시각적 질문응답 모델의 개략적인 구조도이다. 도2에 도시한 바와 같이, 시각적 질문응답 모델은, 상기 질문 텍스트의 의미 특징화 벡터를 추출하도록, 입력된 질문 텍스트의 단어 벡터 시퀀스를 풀링 처리하는 텍스트 인코더를 포함한다.

여기서, 상기 풀링 처리는 평균 풀링 처리이고 상기 평균 풀링 처리(AvgPooling)는 하기 식으로 표시할 수 있다.

여기서, p는 평균 풀링 처리 함수를 나타내고; k는 상기 질문 텍스트에 포함되는 단어 벡터의 수량이고; wi는 미리 트레이닝된 단어 벡터 모델을 이용하여 상기 질문 텍스트를 처리함으로써 획득된 i번째 단어 벡터이고, i는 [1, k] 중의 자연수이고;

는 단어 벡터 w1, w2, ..., wk에서 각 단어 벡터에 대응되는 차원 수의 합을 나타낸다.

예시적으로, 하나의 질문 텍스트의 단어 벡터 시퀀스가

이고, 상술한 식으로 당해 단어 벡터 시퀀스를 평균 풀링 처리하여

를 획득하는바, 따라서,

가 바로 당해 질문 텍스트의 의미 특징화 벡터이다. 따라서, 평균 풀링 처리를 통하여 시각적 질문응답 모델에서 트레이닝이 필요한 파라미터의 수량을 감소시키고, 나아가 시각적 질문응답 모델의 트레이닝 효율을 향상시킬 수 있다.

나아가, 시각적 질문응답 모델은 특징 융합 디바이스와 분류기를 더 포함하는바, 상기 특징 융합 디바이스와 분류기에 있어서는 상술한 실시예에서 상세한 내용을 찾아볼 수 있는바, 구체적인 설명은 생략하도록 한다.

본 실시예의 시각적 질문응답 모델에 있어서, 상술한 실시예의 Visual Genome 데이터 세트에 의해 상술한 실시예에 따른 P40 클러스터를 트레이닝 및 검증하고, 동시에, 종래 기술의, LSTM 또는 Bi-LSTM을 텍스트 인코더로 하는 시각적 질문응답 모델을 트레이닝 및 검증하는바, 그 결과는 표4와 같다.

텍스트 인코터	실행 시간	예측 정확도
LSTM	7.5h	41.39%
Bi-LSTM	8.2h	41.36%
AvgPooling	5.8h	40.96%

표4로부터 알수 있는바, 본 발명의 실시예는 평균 풀링 처리를 텍스트 인코더의 시각적 질문응답 모델로 적용하는바, 종래의, LSTM 또는 Bi-LSTM을 텍스트 인코더로 적용하는 시각적 질문응답 모델에 비하면, 예측 정확률 손실은 약 0.4%이지만 모델 실행 시간을 단축함에 있어서는 최대로 2.4시간을 단축하는 것으로, 트레이닝 효율을 향상시킨다.

본 발명의 실시예는, 시각적 질문응답 모델에서 평균 풀링 처리 방식을 이용하여 텍스트 벡터를 인코딩함으로써, 시각적 질문응답 모델을 간소화하는 목적에 도달하고 평균 풀링 처리와 같은 간단한 인코딩 방식으로 시각적 질문응답 모델의 예측 정확률의 손실이 크지 않으면서 시각적 질문응답 모델의 트레이닝 효율을 효과적으로 향상시키는 것을 구현하는바, 엔지니어링 상으로 사용하기에 더욱 유익하다.

실시예3

도3은 본 발명의 실시예3에 의하여 제공되는 전자 기기의 개략적인 구조도이다. 도3은 본 발명의 구현 방식을 구현하기에 적합한 예시적인 전자 기기(12)의 블록도를 도시한다. 도3에 표시되는 전자 기기(12)는 하나의 예시일 뿐, 본 발명의 실시예의 기능과 사용 범위에 대하여 어떠한 한정이 되어서도 안된다.

도3에 도시한 바와 같이, 전자기기(12)는 범용 컴퓨팅 기기의 형식으로 표현된다. 전자기기(12)의 컴포넌트는 하나 또는 복수의 프로세서(16), 메모리(28), 서로 다른 시스템 컴포넌트(메모리(28) 및 프로세서(16) 포함)를 연결하는 버스(18)를 포함할 수 있으나, 이에 한정되지 않는다.

버스(18)는 여러 유형의 버스 구조 중의 한 가지 또는 복수 가지를 표시하는바, 메모리 버스 또는 메모리 제어기, 주변 버스, 가속 그래픽 포트, 프로세서 또는 복수 가지 버스 구조에서의 임의의 버스 구조를 사용하는 로컬 버스를 포함한다. 예를 들면, 이러한 아키텍처는 산업 표준 아키텍처(ISA) 버스, 마이크로채널 아키텍처 버스(MAC) 버스, 확장 ISA버스, 비디오 전자공학 표준위원회(VESA) 로컬 버스 및 주변 컴포넌트 상호 연결(PCI) 버스를 포함하나, 이에 한정되지 않는다.

전자기기(12)는 전형적으로 복수 가지 컴퓨터 시스템 판독 가능 매체를 포함한다. 이러한 매체는 임의의 전자기기(12)에 의하여 액세스될 수 있는 사용 가능 매체일 수 있는바, 휘발성 및 비휘발성 매체, 제거 가능한 및 제거 불가능한 매체를 포함할 수 있다.

메모리(28)는 휘발성 메모리 형식의 컴퓨터 시스템 판독 가능 매체, 예를 들어 랜덤 액세스 메모리(RAM)(30) 및/또는 고속 캐시 메모리를 포함할 수 있다. 전자기기(12)는 기타 제거 가능한/제거 불가능한, 휘발성/비휘발성 컴퓨터 시스템 저장 매체를 더 포함할 수 있다. 예를 들면, 저장 시스템(34)은 제거 불가능한 비휘발성 자기 매체(도3에 미도시, 통상적으로는 '하드 디스크 드라이브'임)에 대해 판독 및 기록하기 위한 것일 수 있다. 비록 도3에는 미도시하였지만, 제거 가능한 비휘발성 자기 디스크(예를 들어 '플로피 디스크')에 대해 판독 및 기록하기 위한 자기 디스크 드라이브, 그리고 제거 가능한 비휘발성 광디스크(예를 들어 CD-ROM, DVD-ROM 또는 기타 광 매체)에 대해 판독 및 기록하기 위한 광디스크 드라이브가 제공될 수 있다. 이러한 상황에서, 각 드라이브는 하나 또는 복수의 데이터 매체 인터페이스를 통해 버스(18)에 연결될 수 있다. 메모리(28)는 프로그램 제품을 적어도 하나 포함할 수 있는바, 당해 프로그램 제품은 한 그룹(예를 들어 적어도 하나)의 프로그램 컴포넌트를 구비하고 이러한 프로그램 컴포넌트는 본 발명의 각 실시예의 기능을 수행하도록 구성된다.

한 그룹(적어도 하나)의 프로그램 모듈(42)을 구비하는 프로그램/유틸리티 도구(40)는, 예를 들어 메모리(28)에 저장될 수 있는바, 이러한 프로그램 모듈(42)은 운영 체제, 하나 또는 복수의 응용 프로그램, 기타 프로그램 컴포넌트 및 프로그램 데이터를 포함하나, 이에 한정되지 않고, 이러한 예시에서의 각각의 또는 일종의 조합에는 네트워크 환경의 구현이 포함될 수 있다. 프로그램 모듈(42)은 통상적으로 본 발명에서 설명된 실시예 중의 기능 및/또는 방법을 수행한다.

전자기기(12)는 하나 또는 복수의 주변 기기(14)(예를 들어 키보드, 위치 지정 도구, 디스플레이(24) 등)와 통신할 수도 있고, 또한 하나 또는 복수의 사용자가 당해 전자기기(12)와 인터렉션이 가능하도록 하는 기기와 통신할 수도 있고, 및/또는 당해 전자기기(12)가 하나 또는 복수의 기타 컴퓨팅 기기와 통신할 수 있도록 하는 임의 기기(예를 들어 네트워크 카드, 모뎀 등)와 통신할 수도 있다. 이러한 통신은 입력/출력(I/O) 인터페이스(22)를 통해 진행할 수 있다. 그리고, 전자기기(12)는 또한 네트워크 어댑터(20)를 통해 하나 또는 복수의 네트워크(예를 들어 근거리 통신망(LAN), 광역 통신망(WAN) 및/또는 공용 네트워크, 예를 들어 인터넷)와 통신할 수 있다. 도시한 바와 같이, 네트워크 어댑터(20)는 버스(18)를 통해 전자기기(12)의 기타 모듈과 통신한다. 알아야 할 것은, 비록 도시하지 않았지만, 전자기기(12)에 결합하여 기타 하드웨어 및/또는 소프트웨어 모듈을 사용할 수 있는바, 여기에는 마이크로코드, 기기 드라이버, 리던던트 처리 유닛, 외장 자기 디스크 드라이브 어레이, RAID 시스템, 자기 테이프 드라이브 및 데이터 백업 저장 시스템 등이 포함되나, 이에 한정되지 않는다.

프로세서(16)는 메모리(28)에 저장되어 있는 프로그램을 작동시키는 것을 통해 각 종 기능 애플리케이션 및 데이터 처리를 수행하는바, 예를 들면 본 발명의 실시예에 의하여 제공되는 시각적 질문응답 모델을 작동하고, 당해 시각적 질문응답 모델은, 이미지 인코더와 텍스트 인코더를 포함한다.

상기 텍스트 인코더는 상기 입력된 질문 텍스트의 단어 벡터 시퀀스를 풀링 처리하여 상기 질문 텍스트의 의미 특징화 벡터를 추출하고; 상기 이미지 인코더는 상기 의미 특징화 벡터와 결합하여 주어진 이미지의 이미지 특징을 추출한다.

실시예4

본 발명의 실시예4는 컴퓨터 판독가능 저장 매체를 제공하는 것으로, 본 발명의 실시예에 의하여 제공되는 시각적 질문응답 모델이 저장되어 있으며, 컴퓨터 프로세서에 의해 실행된다. 상기 시각적 질문응답 모델은,

이미지 인코더와 텍스트 인코더를 포함하고;

상기 텍스트 인코더는 상기 입력된 질문 텍스트의 단어 벡터 시퀀스를 풀링 처리하여 상기 질문 텍스트의 의미 특징화 벡터를 추출하고;

상기 이미지 인코더는 상기 의미 특징화 벡터와 결합하여 주어진 이미지의 이미지 특징을 추출한다.

물론, 본 발명의 실시예에 의하여 제공되는 컴퓨터 판독가능 저장 매체는 또한 본 발명의 임의의 실시예에 의하여 제공되는 시각적 질문응답 모델을 작동할 수 있다.

본 발명의 실시예의 컴퓨터 저장 매체는 하나 또는 복수의 컴퓨터 판독 가능한 매체의 임의의 조합을 적용할 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터 판독 가능 신호 매체 또는 컴퓨터 판독 가능 저장 매체일 수 있다. 컴퓨터 판독 가능 저장 매체는 예를 들어 전기, 자기, 광, 전자기, 적외선, 또는 반도체의 시스템, 장치 또는 디바이스, 또는 이들의 임의의 조합일수 있으나, 이에 한정되지 않는다. 컴퓨터 판독 가능 저장 매체의 더 구체적인 예(불완전 리스트)는, 하나 또는 복수의 도선을 구비하는 전기적 연결, 휴대용 컴퓨터 자기 디스크, 하드 디스크, 랜덤 액세스 메모리(RAM), 읽기 전용 메모리(ROM), 소거 및 프로그램 가능 읽기 전용 메모리(EPROM 또는 플래시 메모리), 광섬유, 휴대용 콤팩트 디스크 읽기 전용 메모리(CD-ROM), 광 저장 디바이스, 자기 저장 디바이스, 또는 상술한 것의 임의의 적합한 조합을 포함한다. 본 문서에서, 컴퓨터 판독 가능 저장 매체는 프로그램을 포함하거나 저장하는, 임의의 유형(tangible) 매체일 수 있고, 당해 프로그램은 명령어 실행 시스템, 장치 또는 디바이스에 의해 사용되거나 또는 이들과 결합되어 사용될 수 있다.

컴퓨터 판독 가능 신호 매체는 기저대역에서 또는 반송파의 일부분으로 전파되는 데이터 신호를 포함할 수 있고, 컴퓨터 판독 가능 프로그램 코드가 그 중에 탑재되어 있다. 이렇게 전파되는 데이터 신호에는 복수의 형식이 적용 가능한바, 이는 전자기 신호, 광 신호 또는 이들의 임의의 적합한 조합을 포함하나, 이에 한정되지 않는다. 컴퓨터 판독가능 신호 매체는 또한 컴퓨터 판독가능 저장 매체 이외의 임의의 컴퓨터 판독가능 매체일 수 있고, 당해 컴퓨터 판독가능 매체는 명령어 실행 시스템, 장치 또는 디바이스에 의해 사용되거나 또는 이들과 결합되어 사용되는 프로그램을 송신, 전파, 또는 전송할 수 있다.

컴퓨터 판독가능 매체에 포함되는 프로그램 코드는 임의의 적당한 매체를 사용하여 전송할 수 있는바, 이는 무선, 전선, 광케이블, RF 등, 또는 이들의 임의의 적합한 조합을 포함하나, 이에 한정되지 않는다.

하나의 또는 복수의 프로그램 설계 언어 또는 그 조합으로 본 발명의 실시예의 조작을 실행하기 위한 컴퓨터 프로그램 코드를 작성할 수 있고, 상기 프로그램 설계 언어는 Java, Smalltalk, C++와 같은 객체 지향 프로그램 설계 언어를 포함하고, 또한 'C' 언어 또는 이와 유사한 프로그램 설계 언어와 같은 종래의 절차 지향 프로그램 설계 언어도 포함한다. 프로그램 코드는 사용자 컴퓨터에서 전부 실행되거나, 사용자 컴퓨터에서 일부 실행되거나, 하나의 독립적인 소프트웨어 패키지로서 실행되어 일부는 사용자 컴퓨터에서, 일부는 원격 컴퓨터에서 실행되거나, 혹은 원격 컴퓨터에서 또는 서버에서 전부 실행될 수 있다. 원격 컴퓨터와 관련되는 상황에서, 원격 컴퓨터는 근거리 통신망(LAN) 및 광역 통신망(WAN)을 포함하는 임의의 유형(tangible) 네트워크를 통해 사용자 컴퓨터에 연결되거나 외부 컴퓨터에 연결될 수 있다(예를 들어, 인터넷 서비스 제공자를 이용하고 인터넷을 통하여 연결된다).

유의하여야 할 것은, 상술한 것은 단지 본 발명의 보다 바람직한 실시예와 운용된 기술 원리일뿐이다. 당업자라면, 본 발명은 여기 기술된 특정 실시예에 한정되는 것이 아니고, 당업자에게 있어서 본 발명의 보호 범위를 이탈하지 않으면서 복수의 분명한 변화, 재조정 및 치환이 가능하다는 것을 이해하게 될 것이다. 따라서 비록 상술한 실시예를 통해 본 발명에 대하여 보다 상세히 설명하였으나 본 발명은 상술한 실시예에만 한정되는 것이 아니며 본 발명의 구상을 이탈하지 않은 상황에서 기타의 등가 실시예를 더 포함할 수 있고, 본 발명의 범위는 첨부된 특허청구범위의 범위에 의해 결정된다.

Claims

시각적 질문응답 모델에 있어서,
입력된 질문 텍스트의 단어 벡터 시퀀스를 풀링 처리하여, 상기 질문 텍스트의 의미 특징화 벡터를 추출하는 텍스트 인코더; 및
상기 의미 특징화 벡터와 결합하여, 주어진 이미지의 이미지 특징을 추출하는 이미지 인코더; 를 포함하는 것,
을 특징으로 하는 시각적 질문응답 모델.
제1항에 있어서,
상기 텍스트 인코더는, 구체적으로,
입력된 질문 텍스트의 단어 벡터 시퀀스를 최대 풀링 처리하거나 평균 풀링 처리함으로써, 상기 질문 텍스트의 의미 특징화 벡터를 추출하는 것,
을 특징으로 하는 시각적 질문응답 모델.
제2항에 있어서,
상기 최대 풀링 처리는, 하기 식

로 표시하고,
f는 최대 풀링 처리 함수를 나타내고; k는 상기 질문 텍스트에 포함되는 단어 벡터의 수량이고; wi

는 미리 트레이닝된 단어 벡터 모델을 이용하여 상기 질문 텍스트를 처리함으로써 획득된 i번째 단어 벡터이고, i는 [1, k] 중의 자연수이고; max([w1, w2, ..., wk], dim=1)은 단어 벡터 w1, w2, ..., wk에서 각 단어 벡터에 대응되는 차원 수의 최대치를 가지는 것을 나타내고, dim=1은 차원 수를 가리키며, 주어진 2차원 행렬에 대해 행에 따라 값을 가지는 것을 나타내는 것,
을 특징으로 하는 시각적 질문응답 모델.
제2항에 있어서,
상기 평균 풀링 처리는 하기 식

로 표시하고,
p는 평균 풀링 처리 함수를 나타내고; k는 상기 질문 텍스트에 포함되는 단어 벡터의 수량이고; wi는 미리 트레이닝된 단어 벡터 모델을 이용하여 상기 질문 텍스트를 처리함으로써 획득된 i번째 단어 벡터이고, i는 [1, k] 중의 자연수이고;

는 단어 벡터 w1, w2, ..., wk에서 각 단어 벡터에 대응되는 차원 수의 합을 나타내는 것,
을 특징으로 하는 시각적 질문응답 모델.
전자 기기에 있어서,
하나 또는 복수의 프로세서; 및
하나 또는 복수의 프로그램을 저장하는 메모리; 를 포함하고,
상기 하나 또는 복수의 프로그램이 상기 하나 또는 복수의 프로세서에 의해 실행될 경우, 상기 하나 또는 복수의 프로세서가 제1항 내지 제4항 중 어느 한 항의 시각적 질문응답 모델을 작동시키는 것,
을 특징으로 하는 전자 기기.
컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독가능 저장 매체에 있어서,
당해 프로그램이 프로세서에 의해 실행될 경우, 제1항 내지 제4항 중 어느 한 항의 시각적 질문응답 모델을 작동시키는 것,
을 특징으로 하는 컴퓨터 판독가능 저장 매체.