CN113343664B - 图像文本之间的匹配度的确定方法及装置 - Google Patents

Abstract

本申请公开了一种图像文本之间的匹配度的确定方法及装置。方法的一具体实施方式包括：确定待匹配图像的图像特征信息和待匹配文本的文本特征信息；确定图像常识特征信息和文本常识特征信息，其中，图像常识特征信息表征与待匹配图像中的目标信息相关的常识信息，文本常识特征信息表征与待匹配文本中的目标信息相关的常识信息；根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。本申请提供了一种结合图像文本自身特征信息和所涉及的常识信息，来确定图像文本之间的匹配度的方法，提高了泛化能力。

Description

图像文本之间的匹配度的确定方法及装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及一种图像文本之间的匹配度的确定方法及装置。

背景技术

多模态内容理解是多媒体和计算机视觉领域的一个重要课题。其中，图像和文本之间的跨模态检索，即图像-文本匹配，是一个具有重要应用价值且很有挑战性的研究目标。随着深度学习技术的快速发展以及多媒体数据体量的不断增加，图像-文本匹配技术取得了很大的进展。目前，图像-文本匹配的主流方法的思路可以归结为：使用深度神经网络将图像和文本两个模态的数据映射到公共隐空间中，进行相似性度量。

发明内容

本申请实施例提出了一种图像文本之间的匹配度的确定方法及装置。

第一方面，本申请实施例提供了一种图像文本之间的匹配度的确定方法，包括：确定待匹配图像的图像特征信息和待匹配文本的文本特征信息；确定图像常识特征信息和文本常识特征信息，其中，图像常识特征信息表征与待匹配图像中的目标信息相关的常识信息，文本常识特征信息表征与待匹配文本中的目标信息相关的常识信息；根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

在一些实施例中，上述在确定图像常识特征信息和文本常识特征信息之前，还包括：通过表征逻辑型常识信息的图卷积网络，生成逻辑型常识特征信息；在逻辑型常识特征信息的基础上，通过表征统计型常识信息的超图卷积网络，生成包括逻辑型常识信息和统计型常识信息的常识特征信息；以及上述确定图像常识特征信息和文本常识特征信息，包括：根据常识特征信息，确定图像常识特征信息和文本常识特征信息。

在一些实施例中，上述根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度，包括：结合常识特征信息和图像常识特征信息，得到结合后图像常识特征信息；结合常识特征信息和文本常识特征信息，得到结合后文本常识特征信息；根据图像特征信息、文本特征信息、结合后图像常识特征信息和结合后文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

在一些实施例中，上述根据图像特征信息、文本特征信息、结合后图像常识特征信息和结合后文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度，包括：确定图像特征信息和文本特征信息之间的第一匹配度，以及结合后图像常识特征信息和结合后文本常识特征信息之间的第二匹配度；根据第一匹配度和第二匹配度，确定待匹配图像和待匹配文本之间的匹配度。

在一些实施例中，上述根据常识特征信息，确定图像常识特征信息和文本常识特征信息，包括：根据图像特征信息，确定待匹配图像中的目标信息；根据文本特征信息，确定待匹配文本中的目标信息；从常识特征信息中确定出对应于待匹配图像中的目标信息的图像常识特征信息，以及对应于待匹配文本中的目标信息的文本常识特征信息。

在一些实施例中，上述通过表征逻辑型常识信息的图卷积网络，生成逻辑型常识特征信息，包括：确定与待匹配图像中的目标信息和待匹配文本中的目标信息对应的数据集；将数据集中的各概念的初始化向量信息输入图卷积网络，生成逻辑型常识特征信息。

在一些实施例中，在超图卷积网络所表征的超图中，通过超边表征超边连接的多个概念之间的语义相关性。

在一些实施例中，上述确定待匹配图像的图像特征信息，包括：通过目标检测网络确定待匹配图像中的目标信息的第一特征信息；基于第一特征信息，通过第一自注意力网络确定待匹配图像的图像特征信息。

在一些实施例中，确定待匹配文本的文本特征信息，包括：通过特征提取网络确定待匹配文本的第二特征信息；基于第二特征信息，通过第二自注意力网络确定待匹配文本的文本特征信息。

在一些实施例中，第一自注意力网络和第二自注意力网络采用多头自注意力机制。

第二方面，本申请实施例提供了一种图像文本之间的匹配度的确定装置，包括：第一确定单元，被配置成确定待匹配图像的图像特征信息和待匹配文本的文本特征信息；第二确定单元，被配置成确定图像常识特征信息和文本常识特征信息，其中，图像常识特征信息表征与待匹配图像中的目标信息相关的常识信息，文本常识特征信息表征与待匹配文本中的目标信息相关的常识信息；第三确定单元，被配置成根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

在一些实施例中，上述装置还包括：生成单元，被配置成通过表征逻辑型常识信息的图卷积网络，生成逻辑型常识特征信息；在逻辑型常识特征信息的基础上，通过表征统计型常识信息的超图卷积网络，生成包括逻辑型常识信息和统计型常识信息的常识特征信息；以及第二确定单元，进一步被配置成：根据常识特征信息，确定图像常识特征信息和文本常识特征信息。

在一些实施例中，第三确定单元，进一步被配置成：结合常识特征信息和图像常识特征信息，得到结合后图像常识特征信息；结合常识特征信息和文本常识特征信息，得到结合后文本常识特征信息；根据图像特征信息、文本特征信息、结合后图像常识特征信息和结合后文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

在一些实施例中，第三确定单元，进一步被配置成：确定图像特征信息和文本特征信息之间的第一匹配度，以及结合后图像常识特征信息和结合后文本常识特征信息之间的第二匹配度；根据第一匹配度和第二匹配度，确定待匹配图像和待匹配文本之间的匹配度。

在一些实施例中，第二确定单元，进一步被配置成：根据图像特征信息，确定待匹配图像中的目标信息；根据文本特征信息，确定待匹配文本中的目标信息；从常识特征信息中确定出对应于待匹配图像中的目标信息的图像常识特征信息，以及对应于待匹配文本中的目标信息的文本常识特征信息。

在一些实施例中，生成单元，进一步被配置成：确定与待匹配图像中的目标信息和待匹配文本中的目标信息对应的数据集；将数据集中的各概念的初始化向量信息输入图卷积网络，生成逻辑型常识特征信息。

在一些实施例中，在超图卷积网络所表征的超图中，通过超边表征超边连接的多个概念之间的语义相关性。

在一些实施例中，第一确定单元，进一步被配置成：通过目标检测网络确定待匹配图像中的目标信息的第一特征信息；基于第一特征信息，通过第一自注意力网络确定待匹配图像的图像特征信息。

在一些实施例中，第一确定单元，进一步被配置成：通过特征提取网络确定待匹配文本的第二特征信息；基于第二特征信息，通过第二自注意力网络确定待匹配文本的文本特征信息。

在一些实施例中，第一自注意力网络和第二自注意力网络采用多头自注意力机制。

第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面任一实现方式描述的方法。

第四方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面任一实现方式描述的方法。

本申请实施例提供的图像文本之间的匹配度的确定方法及装置，通过确定待匹配图像的图像特征信息和待匹配文本的文本特征信息；确定图像常识特征信息和文本常识特征信息，其中，图像常识特征信息表征与待匹配图像中的目标信息相关的常识信息，文本常识特征信息表征与待匹配文本中的目标信息相关的常识信息；根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度，从而提供了一种结合图像文本自身特征信息和所涉及的常识信息，来确定图像文本之间的匹配度的方法，提高了泛化能力。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性***架构图；

图2是根据本申请图像文本之间的匹配度的确定方法的一个实施例的流程图；

图3是根据本实施例的图像文本之间的匹配度的确定方法的应用场景的示意图；

图4是根据本申请的图像文本之间的匹配度的确定方法的又一个实施例的流程图；

图5是根据本申请的实施例的具体示意图；

图6是根据本申请的图像文本之间的匹配度的确定装置的一个实施例的结构图；

图7是适于用来实现本申请实施例的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的图像文本之间的匹配度的确定方法及装置的示例性架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如获取用户通过终端设备101、102、103发送的待匹配图像和待匹配文本，确定待匹配图像和待匹配文本之间是否匹配的后台处理服务器。可选的，服务器可以将匹配度结果反馈至终端设备。作为示例，服务器105可以是云端服务器。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本申请的实施例所提供的图像文本之间的匹配度的确定方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，图像文本之间的匹配度的确定装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当图像文本之间的匹配度的确定方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该***架构可以仅包括图像文本之间的匹配度的确定方法运行于其上的电子设备(例如服务器或终端设备)。

继续参考图2，示出了图像文本之间的匹配度的确定方法的一个实施例的流程200，包括以下步骤：

步骤201，确定待匹配图像的图像特征信息和待匹配文本的文本特征信息。

本实施例中，图像文本之间的匹配度的确定方法的执行主体(例如图1中的服务器)可以通过有有线网络连接方式或无线网络连接方式从远程，或从本地获取待匹配图像和待匹配文本，并确定待匹配图像的图像特征信息和待匹配文本的文本特征信息。

其中，待处理图像和待匹配文本为待确定两者之间匹配度的任意图像、文本。当待处理图像的视觉语义信息和待匹配文本的文本语义信息一致时，可以认为两者之间匹配。

作为示例，上述执行主体可以通过对应于待匹配图像的图像特征提取网络，对待匹配图像进行特征提取，得到待匹配图像的图像特征信息；通过对应于待匹配文本的文本特征提取网络，对待匹配文本进行特征提取，得到待匹配文本的文本特征信息。其中，特征提取网络可以是具有特征提取功能的任意网络模型。例如，卷积神经网络模型、残差神经网络、循环神经网络。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式提取待匹配图像的图像特征信息：

首先，通过目标检测网络确定待匹配图像中的目标信息的第一特征信息。

目标检测网络用于确定待匹配图像中的目标信息的目标框，以及各目标框内的目标信息的特征信息。其中，目标信息可以是待匹配图像中涉及的所有概念信息，包括目标对象(例如是人、物等概念)、目标对象的状态信息(以目标对象是人为例，状态信息可以是睡觉这一概念)、目标对象之间的相关性信息(例如，目标对象人与帽子之间的相关性为人戴着帽子这一动作概念)。

然后，基于第一特征信息，通过第一自注意力网络确定待匹配图像的图像特征信息。

通过自注意力网络，可以强调待匹配图像中对于图像文本匹配操作中关注度高的信息，以提高图像文本匹配的准确度。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式提取待匹配文本的文本特征信息：

首先，通过特征提取网络确定待匹配文本的第二特征信息。

本实现方式中，上述执行主体可以将待匹配文本输入特征提取网络，上述执行主体以待匹配文本中的每个单词为一个基本输入单元，通过特征提取网络对待匹配文本进行建模，得到待匹配文本的第二特征信息。

然后，基于第二特征信息，通过第二自注意力网络确定待匹配文本的文本特征信息。

本实现方式中，类比于待匹配图像的特征提取过程，通过自注意力网络，可以强调待匹配文本中对于图像文本匹配操作中关注度高的信息，以提高图像文本匹配的准确度。

在本实施例的一些可选的实现方式中，第一自注意力网络和第二自注意力网络采用多头自注意力机制。

步骤202，确定图像常识特征信息和文本常识特征信息。

本实施例中，上述执行主体可以确定图像常识特征信息和文本常识特征信息。其中，图像常识特征信息表征与待匹配图像中的目标信息相关的常识信息，文本常识特征信息表征与待匹配文本中的目标信息相关的常识信息。

其中，常识信息可以是与待匹配图像、待匹配文本中的目标信息相关的任意常识信息。以座椅为例，其对应的常识信息包括座椅属于家具。

作为示例，首先，上述执行主体初始化与目标信息相关的各概念，确定各概念的向量化表示；然后，通过表征常识信息的图卷积网络更新各概念的向量化表示，得到融合常识信息后的各概念的常识特征信息。最后，通过概念预测模型确定图像特征信息中的概念(也即，待匹配图像所涉及的目标信息)，从各概念的常识特征信息中确定出图像特征信息中的概念对应的常识特征信息。其中，各概念之间的关联性可以通过知识图谱表征。知识图谱中以概念作为节点，以概念之间的关联性作为边而形成。

本实现方式中，在确定好各概念的常识特征信息后，上述执行主体可以常识特征信息中确定出表征与待匹配图像所涉及的目标信息相关的常识信息的图像常识特征信息，以及表征与待匹配文本所涉及的目标信息相关的常识信息的文本常识特征信息。

在本实施例的一些可选的实现方式中，在执行上述步骤202之前，上述执行主体可以执行如下操作：

第一，通过表征逻辑型常识信息的图卷积网络，生成逻辑型常识特征信息。

第二，在逻辑型常识特征信息的基础上，通过表征统计型常识信息的超图卷积网络，生成包括逻辑型常识信息和统计型常识信息的常识特征信息。本实现方式中，常识信息包括逻辑型常识信息和统计型常识信息。逻辑型常识信息为日常生活学习中可以直接确定的常识信息，例如，人类包括男人、女人。统计型常识信息为在逻辑型常识信息的基础上，对概念之间的语义相关性进行统计、分析，进一步确定概念间的相关性信息而得到的常识信息。作为示例，上述执行主体可以统计“男人”这一概念和“女人”这一概念同时出现在各种信息中的概率，进一步将概率值作为两者之间的边的权重，得到对应的统计型常识信息。

为了提高统计型常识信息的丰富度，上述执行主体可以以超图的形式表征统计型常识信息。超图中，每一个概念为一个节点，可以与其他的多个概念存在超边，超边基于统计型常识信息所表征的概念之间的相似性度量而确定。

统计型常识信息所表征的高阶语义信息对图像-文本之间的跨模态语义推断起到非常重要的作用。

在本实现方式中，上述执行主体可以根据常识特征信息，确定图像常识特征信息和文本常识特征信息。

具体的，上述执行主体可以根据图像特征信息，确定待匹配图像中的目标信息；根据文本特征信息，确定待匹配文本中的目标信息；从常识特征信息中确定出对应于待匹配图像中的目标信息的图像常识特征信息，以及对应于待匹配文本中的目标信息的文本常识特征信息。其中，图像特征信息中的目标信息可以是图像特征信息所涉及的各种概念，文本特征信息中的目标信息可以是文本特征信息所涉及的各种概念。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第一步骤：首先，确定与待匹配图像中的目标信息和待匹配文本中的目标信息对应的数据集；然后，将数据集中的各概念的初始化向量信息输入图卷积网络，生成逻辑型常识特征信息。

作为示例，上述执行主体可以将语料库中的各种概念进行划分，得到各分类的数据集，并将包括待匹配图像中的目标信息对应的概念、待匹配文本中的目标信息对应的概念的数据集确定为本实现方式中对应的数据集。

可以理解，本实现方式中，在逻辑型常识特征信息的基础上，通过超图卷积网络生成的常识特征信息是对应于所确定的数据集中的概念所涉及的常识特征信息。步骤203，根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

本实施例中，上述执行主体可以根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

作为示例，上述执行主体可以将待匹配图像对应的图像特征信息和图像常识特征信息进行融合，得到融合了待匹配图像中的目标信息所相关的常识信息的融合后图像特征；将待匹配文本对应的文本特征信息和文本常识特征信息进行融合，得到融合了待匹配文本中的目标信息所相关的常识信息的融合后文本特征；进而，根据融合后图像特征和融合后文本特征，确定两者之间的相似度，将所确定的相似度确定为待匹配图像和待匹配文本之间的匹配度。其中，向量之间的相似度可以通过确定两者之间的距离(例如，欧氏距离、曼哈顿距离)的方式来确定。

如上所述的步骤201-步骤203所示的匹配度确定过程可以通过匹配模型执行。其中，匹配模型通过如下方式训练得到：首先，获取训练样本集，其中，训练样本集中的训练样本包括样本图像、样本文本和表征样本图像、样本文本是否匹配的标签；然后，从训练样本集中选取训练样本，并通过初始匹配模型确定所选取的训练样本中的样本图像对应的图像特征信息、图像常识特征信息，以及所选取的训练样本中的样本文本对应的文本特征信息、文本常识特征信息；然后，根据图像特征信息、图像常识特征信息、文本特征信息和文本常识特征信息，确定所选取的训练样本中的样本图像与样本文本的样本匹配度；基于样本匹配度与标签之间的目标损失，更新初始图像文本模型，直至得到训练后的匹配模型。

在待处理图像、待匹配文本的自身特征信息的基础上，结合待处理图像、待匹配文本对应的常识信息，解决了现有的匹配度确定方法只关注了图像文本对自身的信息，忽略了常识知识，导致匹配度确定模型对训练集中较为常见的数据的拟合能力好，但在少数稀缺样本上的泛化能力较差的问题，提高了匹配度确定模型的泛化能力。

在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤203：

第一，结合常识特征信息和图像常识特征信息，得到结合后图像常识特征信息。

第二，结合常识特征信息和文本常识特征信息，得到结合后文本常识特征信息。

作为示例，上述执行主体可以对常识特征信息和图像常识特征信息作哈达玛积，对常识特征信息和文本常识特征信息作哈达玛积，分别得到结合后图像常识特征信息和结合后文本常识特征信息。

第三，根据图像特征信息、文本特征信息、结合后图像常识特征信息和结合后文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第三步骤：首先，确定图像特征信息和文本特征信息之间的第一匹配度，以及结合后图像常识特征信息和结合后文本常识特征信息之间的第二匹配度；然后，根据第一匹配度和第二匹配度，确定待匹配图像和待匹配文本之间的匹配度。例如，对所求的第一匹配度和第二匹配度进行加权平均，最终得到待匹配图像和待匹配文本之间的匹配度。

继续参见图3，图3是根据本实施例的图像文本之间的匹配度的确定方法的应用场景的一个示意图300。在图3的应用场景中，服务器首先获取了待匹配图像301和待匹配文本302。然后，服务器通过特征提取网络确定待匹配图像301的图像特征信息303和待匹配文本302的文本特征信息304；然后，服务器确定表征与待匹配图像301中的目标信息相关的常识信息的图像常识特征信息305，以及表征与待匹配文本302中的目标信息相关的常识信息的文本常识特征信息306；根据图像特征信息303、文本特征信息304、图像常识特征信息305和文本常识特征信息306，确定待匹配图像和待匹配文本之间的匹配度。

本申请的上述实施例提供的方法，通过确定待匹配图像的图像特征信息和待匹配文本的文本特征信息；确定图像常识特征信息和文本常识特征信息，其中，图像常识特征信息表征与待匹配图像中的目标信息相关的常识信息，文本常识特征信息表征与待匹配文本中的目标信息相关的常识信息；根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度，从而提供了一种结合图像文本自身特征信息和所涉及的常识信息，来确定图像文本之间的匹配度的方法，提高了泛化能力。

继续参考图4，示出了根据本申请的图像文本之间的匹配度的确定方法的一个实施例的示意性流程400，包括以下步骤：

步骤401，通过表征逻辑型常识信息的图卷积网络，生成逻辑型常识特征信息。

步骤402，在逻辑型常识特征信息的基础上，通过表征统计型常识信息的超图卷积网络，生成包括逻辑型常识信息和统计型常识信息的常识特征信息。

步骤403，通过目标检测网络确定待匹配图像中的目标信息的第一特征信息。

步骤404，基于第一特征信息，通过第一自注意力网络确定待匹配图像的图像特征信息。

步骤405，通过特征提取网络确定待匹配文本的第二特征信息。

步骤406，基于第二特征信息，通过第二自注意力网络确定待匹配文本的文本特征信息。

步骤407，根据常识特征信息，确定图像常识特征信息和文本常识特征信息。

其中，图像常识特征信息表征与待匹配图像中的目标信息相关的常识信息，文本常识特征信息表征与待匹配文本中的目标信息相关的常识信息。

步骤408，结合常识特征信息和图像常识特征信息，得到结合后图像常识特征信息。

步骤409，结合常识特征信息和文本常识特征信息，得到结合后文本常识特征信息。

步骤410，根据图像特征信息、文本特征信息、结合后图像常识特征信息和结合后文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

如图5所示，示出了本实施例的图像文本之间的匹配度的确定方法的具体示意图。其中，首先，语料库501中实例化后的各概念向量通过表征逻辑型常识信息的图卷积网络502、表征统计型常识信息的超图卷积网络503，得到融合了逻辑型常识信息和统计型常识信息的、各概念的常识特征信息。然后，待匹配图像504依次通过目标检测网络505和第一自注意力网络506，得到待匹配图像504对应的图像特征信息。基于图像特征信息和各概念的常识特征信息，第一概念预测模型507得到图像常识特征信息；并结合常识特征信息和图像常识特征信息，得到结合后图像常识特征信息。与此同时，待匹配文本508依次通过特征提取网络509和第二自注意力网络510，得到待匹配文本508对应的文本特征信息。基于文本特征信息和各概念的常识特征信息，第二概念预测模型511得到文本常识特征信息；并结合常识特征信息和文本常识特征信息，得到结合后文本常识特征信息。最后，根据图像特征信息、文本特征信息、结合后图像常识特征信息和结合后文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

从本实施例中可以看出，与图2对应的实施例相比，本实施例中的图像文本之间的匹配度的确定方法的流程400具体说明了特征信息的得到过程、常识特征信息的得到过程，以及图像文本之间的匹配度的确定过程，进一步提高了匹配度确定的泛化能力和准确性。

继续参考图6，作为对上述各图所示方法的实现，本申请提供了一种图像文本之间的匹配度的确定装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，图像文本之间的匹配度的确定装置包括：第一确定单元601，被配置成确定待匹配图像的图像特征信息和待匹配文本的文本特征信息；第二确定单元602，被配置成确定图像常识特征信息和文本常识特征信息，其中，图像常识特征信息表征与待匹配图像中的目标信息相关的常识信息，文本常识特征信息表征与待匹配文本中的目标信息相关的常识信息；第三确定单元603，被配置成根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

在一些实施例中，上述装置还包括：生成单元(图中未示出)，被配置成通过表征逻辑型常识信息的图卷积网络，生成逻辑型常识特征信息；在逻辑型常识特征信息的基础上，通过表征统计型常识信息的超图卷积网络，生成包括逻辑型常识信息和统计型常识信息的常识特征信息；以及第二确定单元602，进一步被配置成：根据常识特征信息，确定图像常识特征信息和文本常识特征信息。

在一些实施例中，第三确定单元603，进一步被配置成：结合常识特征信息和图像常识特征信息，得到结合后图像常识特征信息；结合常识特征信息和文本常识特征信息，得到结合后文本常识特征信息；根据图像特征信息、文本特征信息、结合后图像常识特征信息和结合后文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

在一些实施例中，第三确定单元603，进一步被配置成：确定图像特征信息和文本特征信息之间的第一匹配度，以及结合后图像常识特征信息和结合后文本常识特征信息之间的第二匹配度；根据第一匹配度和第二匹配度，确定待匹配图像和待匹配文本之间的匹配度。

在一些实施例中，第二确定单元602，进一步被配置成：根据图像特征信息，确定待匹配图像中的目标信息；根据文本特征信息，确定待匹配文本中的目标信息；从常识特征信息中确定出对应于待匹配图像中的目标信息的图像常识特征信息，以及对应于待匹配文本中的目标信息的文本常识特征信息。

在一些实施例中，生成单元(图中未示出)，进一步被配置成：确定与待匹配图像中的目标信息和待匹配文本中的目标信息对应的数据集；将数据集中的各概念的初始化向量信息输入图卷积网络，生成逻辑型常识特征信息。

在一些实施例中，在超图卷积网络所表征的超图中，通过超边表征超边连接的多个概念之间的语义相关性。

在一些实施例中，第一确定单元601，进一步被配置成：通过目标检测网络确定待匹配图像中的目标信息的第一特征信息；基于第一特征信息，通过第一自注意力网络确定待匹配图像的图像特征信息。

在一些实施例中，第一确定单元601，进一步被配置成：通过特征提取网络确定待匹配文本的第二特征信息；基于第二特征信息，通过第二自注意力网络确定待匹配文本的文本特征信息。

在一些实施例中，第一自注意力网络和第二自注意力网络采用多头自注意力机制。

本实施例中，图像文本之间的匹配度的确定装置中的第一确定单元，被配置成确定待匹配图像的图像特征信息和待匹配文本的文本特征信息；第二确定单元，被配置成确定图像常识特征信息和文本常识特征信息，其中，图像常识特征信息表征与待匹配图像中的目标信息相关的常识信息，文本常识特征信息表征与待匹配文本中的目标信息相关的常识信息；第三确定单元，被配置成根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度，从而提供了一种结合图像文本自身特征信息和所涉及的常识信息，来确定图像文本之间的匹配度的装置，提高了泛化能力。

下面参考图7，其示出了适于用来实现本申请实施例的设备(例如图1所示的设备101、102、103、105)的计算机***700的结构示意图。图7示出的设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机***700包括处理器(例如CPU，中央处理器)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有***700操作所需的各种程序和数据。处理器701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到客户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括第一确定单元、第二确定单元和第三确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第三确定单元还可以被描述为“根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该计算机设备：确定待匹配图像的图像特征信息和待匹配文本的文本特征信息；确定图像常识特征信息和文本常识特征信息，其中，图像常识特征信息表征与待匹配图像中的目标信息相关的常识信息，文本常识特征信息表征与待匹配文本中的目标信息相关的常识信息；根据图像特征信息、文本特征信息、图像常识特征信息和文本常识特征信息，确定待匹配图像和待匹配文本之间的匹配度。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种图像文本之间的匹配度的确定方法，包括：

确定待匹配图像的图像特征信息和待匹配文本的文本特征信息；

通过表征逻辑型常识信息的图卷积网络，生成逻辑型常识特征信息；

在所述逻辑型常识特征信息的基础上，通过表征统计型常识信息的超图卷积网络，生成包括逻辑型常识信息和统计型常识信息的常识特征信息；

确定图像常识特征信息和文本常识特征信息，包括：从所述常识特征信息中，确定出所述图像常识特征信息和所述文本常识特征信息，其中，所述图像常识特征信息表征与所述待匹配图像中的目标信息相关的常识信息，所述文本常识特征信息表征与所述待匹配文本中的目标信息相关的常识信息；

根据所述图像特征信息、所述文本特征信息、所述图像常识特征信息和所述文本常识特征信息，确定所述待匹配图像和所述待匹配文本之间的匹配度。

2.根据权利要求1所述的方法，其中，所述根据所述图像特征信息、所述文本特征信息、所述图像常识特征信息和所述文本常识特征信息，确定所述待匹配图像和所述待匹配文本之间的匹配度，包括：

结合所述常识特征信息和所述图像常识特征信息，得到结合后图像常识特征信息；

结合所述常识特征信息和所述文本常识特征信息，得到结合后文本常识特征信息；

根据所述图像特征信息、所述文本特征信息、所述结合后图像常识特征信息和所述结合后文本常识特征信息，确定所述待匹配图像和所述待匹配文本之间的匹配度。

3.根据权利要求2所述的方法，其中，所述根据所述图像特征信息、所述文本特征信息、所述结合后图像常识特征信息和所述结合后文本常识特征信息，确定所述待匹配图像和所述待匹配文本之间的匹配度，包括：

确定所述图像特征信息和所述文本特征信息之间的第一匹配度，以及所述结合后图像常识特征信息和所述结合后文本常识特征信息之间的第二匹配度；

根据所述第一匹配度和所述第二匹配度，确定所述待匹配图像和所述待匹配文本之间的匹配度。

4.根据权利要求1所述的方法，其中，所述根据所述常识特征信息，确定所述图像常识特征信息和所述文本常识特征信息，包括：

根据所述图像特征信息，确定所述待匹配图像中的目标信息；

根据所述文本特征信息，确定所述待匹配文本中的目标信息；

从所述常识特征信息中确定出对应于所述待匹配图像中的目标信息的图像常识特征信息，以及对应于所述待匹配文本中的目标信息的文本常识特征信息。

5.根据权利要求1所述的方法，其中，所述通过表征逻辑型常识信息的图卷积网络，生成逻辑型常识特征信息，包括：

确定与所述待匹配图像中的目标信息和所述待匹配文本中的目标信息对应的数据集；

将所述数据集中的各概念的初始化向量信息输入所述图卷积网络，生成所述逻辑型常识特征信息。

6.根据权利要求5所述的方法，其中，在所述超图卷积网络所表征的超图中，通过超边表征所述超边连接的多个概念之间的语义相关性。

7.根据权利要求1所述的方法，其中，所述确定待匹配图像的图像特征信息，包括：

通过目标检测网络确定所述待匹配图像中的目标信息的第一特征信息；

基于所述第一特征信息，通过第一自注意力网络确定所述待匹配图像的图像特征信息。

8.根据权利要求1所述的方法，其中，确定待匹配文本的文本特征信息，包括：

通过特征提取网络确定所述待匹配文本的第二特征信息；

基于所述第二特征信息，通过第二自注意力网络确定所述待匹配文本的文本特征信息。

9.一种图像文本之间的匹配度的确定装置，包括：

第一确定单元，被配置成确定待匹配图像的图像特征信息和待匹配文本的文本特征信息；

生成单元，被配置成：通过表征逻辑型常识信息的图卷积网络，生成逻辑型常识特征信息；在逻辑型常识特征信息的基础上，通过表征统计型常识信息的超图卷积网络，生成包括逻辑型常识信息和统计型常识信息的常识特征信息；

第二确定单元，被配置成确定图像常识特征信息和文本常识特征信息，包括：从所述常识特征信息中，确定出所述图像常识特征信息和所述文本常识特征信息，其中，所述图像常识特征信息表征与所述待匹配图像中的目标信息相关的常识信息，所述文本常识特征信息表征与所述待匹配文本中的目标信息相关的常识信息；

第三确定单元，被配置成根据所述图像特征信息、所述文本特征信息、所述图像常识特征信息和所述文本常识特征信息，确定所述待匹配图像和所述待匹配文本之间的匹配度。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。