CN113947195A - 模型确定方法、装置、电子设备和存储器 - Google Patents

模型确定方法、装置、电子设备和存储器 Download PDF

Info

Publication number
CN113947195A
CN113947195A CN202111212328.6A CN202111212328A CN113947195A CN 113947195 A CN113947195 A CN 113947195A CN 202111212328 A CN202111212328 A CN 202111212328A CN 113947195 A CN113947195 A CN 113947195A
Authority
CN
China
Prior art keywords
image
text
sample
model
target model
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
CN202111212328.6A
Other languages
English (en)
Inventor
王龙超
孙逸鹏
姚锟
韩钧宇
刘经拓
丁二锐
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111212328.6A priority Critical patent/CN113947195A/zh
Publication of CN113947195A publication Critical patent/CN113947195A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种模型确定方法、装置、电子设备和存储器，涉及计算机技术领域，尤其涉及计算机视觉和深度学习领域，可应用于图像处理、图像识别等场景。具体实现方案为：获取第一图像样本和第一文本样本；对第一图像样本和第一文本样本进行训练，得到第一目标模型，其中，第一目标模型学习到第一文本样本的局部特征；获取第二图像样本和第二文本样本，并基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型，第二目标模型学习到第二文本样本的全局特征；将第二目标模型确定为第三目标模型的初始化模型，初始化模型的训练效果低的技术问题。

Description

模型确定方法、装置、电子设备和存储器
技术领域
本公开涉及人工智能技术领域，尤其涉及计算机视觉和深度学习领域，可应用于图像处理、图像识别等场景，具体涉及一种模型确定方法、装置、电子设备和存储器。
背景技术
目前，对模型的预训练方案通常是采用一步训练法来进行实现，也即，将图像样本和文本样本直接输入至预训练网络来进行预训练任务，这样使得初始化模型的训练指标不高。
发明内容
本公开提供了一种模型确定方法、装置、电子设备和存储器。
根据本公开的一方面，提供了一种模型确定方法。该方法可以包括：获取第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述；对第一图像样本和第一文本样本进行训练，得到第一目标模型，其中，第一目标模型学习到第一文本样本的局部特征；获取第二图像样本和第二文本样本，并基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型，其中，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，第二目标模型学习到第二文本样本的全局特征；将第二目标模型确定为第三目标模型的初始化模型。
根据本公开的一方面，提供了另一种模型确定方法。该方法可以包括：向服务器发送模型训练请求，其中，模型训练请求包括第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述；接收服务器响应模型训练请求而发送的初始化模型，其中，初始化模型为服务器基于第二图像样本和第二文本样本对第一目标模型进行训练得到，第一目标模型为服务器对第一图像样本和第一文本样本进行训练得到，第一目标模型学习到第一文本样本的局部特征，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，初始化模型学习到第二文本样本的全局特征。
根据本公开的一方面，提供了另一种图像处理方法，包括：获取待处理图像；将待处理图像输入至第三目标模型中，其中，第三目标模型为根据本公开实施例的模型确定方法获得；获取第三目标模型的处理结果。
根据本公开的一方面，提供了一种模型确定装置。该装置可以包括：第一获取单元，用于获取第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述；训练单元，用于对第一图像样本和第一文本样本进行训练，得到第一目标模型，其中，第一目标模型学习到第一文本样本的局部特征；处理单元，用于获取第二图像样本和第二文本样本，并基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型，其中，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，第二目标模型学习到第二文本样本的全局特征；确定单元，用于将第二目标模型确定为第三目标模型的初始化模型。
根据本公开的一方面，还提供了另一种模型确定装置。该装置可以包括：发送单元，用于向服务器发送模型训练请求，其中，模型训练请求包括第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述；接收单元，用于接收服务器响应模型训练请求而发送的初始化模型，其中，初始化模型为服务器基于第二图像样本和第二文本样本对第一目标模型进行训练得到，第一目标模型为服务器对第一图像样本和第一文本样本进行训练得到，第一目标模型学习到第一文本样本的局部特征，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，初始化模型学习到第二文本样本的全局特征。
根据本公开的一方面，还提供了一种图像处理装置。该装置可以包括：第三获取单元，用于获取待处理图像；输入单元，用来与将待处理图像输入至第三目标模型中，其中，第三目标模型为由本公开实施例的模型确定方法获得；第四获取单元，用于获取第三目标模型的处理结果。
根据本公开的一方面，还提供了一种电子设备，该电子设备可以包括：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本公开实施例的模型确定方法。
根据本公开的一方面，还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，计算机指令用于使计算机执行本公开实施例的模型确定方法。
根据本公开的另一方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开实施例的模型确定方法。
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1A是根据本公开实施例的一种模型确定方法的流程图；
图1B是根据本公开实施例的另一种模型确定方法的流程图；
图1C是根据本公开实施例的一种图像处理的方法的流程图；
图2是根据本公开实施的一种多阶段图文预训练***的示意图；
图3是根据本公开实施例的一种Deit模型结构的示意图；
图4是根据本公开实施例的一种图像特征和文本特征进行匹配的示意图；
图5A是根据本公开实施例的一种模型确定装置的示意图；
图5B是根据本公开实施例的另一种模型确定装置的示意图；
图5C是根据本公开实施例的一种图像处理装置的示意图；
图6是根据本公开实施例的一种电子设备的示意性框图。
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。
图1A是根据本公开实施例的一种模型确定方法的流程图。如图1A所示，该方法可以包括以下步骤：
步骤S102，获取第一图像样本和第一文本样本。
在本公开上述步骤102提供的技术方案中，第一文本(text)样本中的文本(文本数据)用于对第一图像(image)样本中的目标图像(图像数据)进行文字描述。
该实施例的模型确定方法为针对图文预训练的模型确定方法，可以包括两个阶段。在第一阶段中，图文预训练需要大量的数据，该实施例可以获取第一图像样本和第一文本样本以作为第一阶段的训练样本，该第一文本样本与第一图像样本是相对应的，其中，第一文本样本中可以包括大量文本，第一图像样本可以包括大量图像，该图像可以包括图片，每个文本可以用于对第一图像样本中大量图像的目标图像进行文字描述，也即，第一文本样本中的每个文本与第一图像样本中的目标图像是一一对应的，该第一文本样本中的每个文本和对应的目标图像也可以称为图像文本对。
可选地，该实施例可以通过互联网爬虫来爬取上述第一图像样本和第一文本样本。
可选地，该实施例的上述第一图像样本和第一文本样本可以无需人工标注和清洗，以节约人工成本。
可选地，上述方法可以在第一阶段的数据处理模块中实现。
步骤S104，对第一图像样本和第一文本样本进行训练，得到第一目标模型。
在本公开上述步骤104提供的技术方案中，在获取第一图像样本和第一文本样本之后，可以对第一图像样本和第一文本样本进行训练，得到第一目标模型，其中，第一目标模型学习到第一文本样本的局部特征。
在该实施例的第一阶段中，可以对第一图像样本和第一文本样本进行训练，可以是对第一图像样本和第一文本样本进行机器学习训练，比如，对第一图像样本和第一文本样本进行对比学习(Contrastive Learning)训练，从而得到第一目标模型，该第一目标模型可以学习到第一文本样本的一些局部特征。
步骤S106，获取第二图像样本和第二文本样本，并基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型。
在本公开上述步骤106提供的技术方案中，在对第一图像样本和第一文本样本进行训练，得到第一目标模型之后，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，第二目标模型学习到第二文本样本的全局特征。
该实施例的模型确定方法包括第二阶段。在该第二阶段中，获取第二图像样本和第二文本样本以作为第二阶段的训练样本，该第二文本样本与第二图像样本是相对应的，其中，第二文本样本中可以包括大量文本，第二图像样本可以包括大量图像，该图像可以包括图片，每个文本可以用于对第二图像样本中大量图像的目标图像进行文字描述，也即，第二文本样本中的每个文本与第二图像样本中的目标图像是一一对应的，该第二文本样本中的每个文本和对应的目标图像也可以称为图像文本对。
可选地，该实施例可以通过互联网爬虫来爬取上述第二图像样本和第二文本样本。
可选地，上述方法可以在第二阶段的数据处理模块中实现。
该实施例可以基于第二图像样本和第二文本样本对第一目标模型进行继续训练，从而得到第二目标模型，可以是基于第二图像样本和第二文本样本对第一目标模型进行机器学习训练，比如，对第一图像样本和第一文本样本进行对比学习训练，从而得到第二目标模型，该第二目标模型可以学习到第二文本样本的全局特征，该全局特征也即第二文本样本的整体特征。
步骤S108，将第二目标模型确定为第三目标模型的初始化模型。
在本公开上述步骤108提供的技术方案中，在基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型之后，将第二目标模型确定为第三目标模型的初始化模型。
在该实施例中，将第二目标模型确定为第三目标模型的初始化模型，该初始化模型用于训练得到第三目标模型，该第三目标模型可以是图像检检测模型、图像分割模型、图像分类模型等。
需要说明的是，该实施例的上述第三目标模型为图像检测模型、图像分割模型、图像分类模型仅为本公开实施例的一种举例，并不代表本公开实施例的第三目标模型仅为图像检测模型、图像分割模型、图像分类模型，任何可以通过对初始化模型进行训练所得到的模型都在该实施例的范围之内，此处不再一一举例说明。
由于该实施例的初始化模型在生成过程中，不仅兼顾了第一文本样本的局部特征，并且还兼顾了第二文本样本的全局特征，从而提高了预训练指标，该预训练指标指用于表示初始化模型的训练效果的指标。
通过本申请上述步骤S102至步骤S108，获取第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述；对第一图像样本和第一文本样本进行训练，得到第一目标模型，其中，第一目标模型学习到第一文本样本的局部特征；获取第二图像样本和第二文本样本，并基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型，其中，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，第二目标模型学习到第二文本样本的全局特征；将第二目标模型确定为第三目标模型的初始化模型。也就是说，该实施例采用多阶段的预训练方法，通过在第一阶段的预训练中让模型更好的学习到文本的一些局部特征，在第二阶段中让模型更关注文本的全局特征，提高了预训练指标，从而解决了初始化模型的训练效果低的技术问题，达到了提供提高初始化模型的训练效果的技术效果。
下面对该实施例的上述方法进行进一步介绍。
作为一种可选的实施方式，该方法还包括：获取第一文本样本的实体词；步骤S104，对第一图像样本和第一文本样本中进行训练，得到第一目标模型包括：对第一图像样本和实体词进行训练，得到第一目标模型。
在该实施例中，在第一阶段中，在获取第一文本样本之后，可以从第一文本样本中获取实体词，可以是从第一文本样本中提取出实体词。可选地，该实施例可以使用自然语言处理模型(Nature language processing，简称为NLP)从第一文本样本中提取出实体词，进而对第一图像样本和实体词进行训练，得到第一目标模型，比如，对第一图像样本和第一文本样本的实体词进行对比学习训练，从而得到第一目标模型，这样可以使得第一目标模型更加关注于实体词的训练，从而可以学习到第一文本样本的一些局部特征，并且提高了模态交互效果，避免了相关技术中没有深度的模态交互的问题。
作为一种可选的实施方式，对第一图像样本和实体词进行训练，得到第一目标模型包括：获取第一图像样本的第一图像特征；获取实体词的第一文本特征；对第一图像特征和第一文本特征进行训练，得到第一目标模型。
在该实施例中，在实现对第一图像样本和实体词进行训练，得到第一目标模型时，可以是先获取第一图像样本的第一图像特征，可以是将第一图像样本输入至图像编码器(Image Encoder)，通过该图像编码器从第一图像样本中提取出第一图像特征，比如，该第一图像特征可以为I1、I2……IN。该实施例还可以获取第一文本样本的实体词的第一文本特征，可以是将第一文本样本的实体词输入至文本编码器(Text Encoder)，通过该文本编码器从第一文本样本的实体词中提取出第一文本特征，该第一文本特征可以为T1、T2……TN。在获取到上述第一图像特征和上述第一文本特征之后，可以对第一图像特征和第一文本特征进行训练，比如，对第一图像特征和第一文本特征进行对比学习训练，从而得到第一目标模型。
可选地，该实施例的上述图像编码器可以使用数据高效图像(Deit)模型进行第一图像特征的提取，也即，Deit将变形模型(Transformer)从NLP中应用到了计算机视觉(Comouter Vision，简称为CV)。
可选地，该实施例的上述文本编码器可以使用RoBERTa模型进行第一文本特征的提取，其中，RoBERTa模型是在语言表示模型(BERT)的基础上进行的升级，包括在模型的具体细节层面，改进了优化函数；在训练策略层面，改用了动态掩码的方式来训练模型，证明了下一语句预测模型(Next Sentence Prediction，简称为NSP)训练策略的不足，采用了更大的批尺寸(batch size)；另外，在数据层面，一方面使用了更大的数据集，另一方面是使用字节编码对(Byte-Pair Encoding，简称为BPE)来处理文本数据。
作为一种可选的实施方式，对第一图像特征和第一文本特征进行训练，得到第一目标模型包括：对多个第一图像特征和多个第一文本特征进行匹配，得到多个第一匹配结果和多个第一未匹配结果，其中，第一匹配结果包括互相匹配成功的第一图像特征和第一文本特征，第一未匹配结果包括互相匹配失败的第一图像特征和第一文本特征；基于多个第一匹配结果和多个第一未匹配结果确定第一模型参数；基于第一模型参数确定第一目标模型。
在该实施例中，在实现对第一图像特征和第一文本特征进行训练，得到第一目标模型时，可以是分别对多个第一图像特征和多个第一文本特征进行匹配，比如，分别对上述I1、I2……IN以及T1、T2……TN进行匹配，得到多个第一匹配结果和多个第一未匹配结果，第一匹配结果可以包括互相匹配成功的第一图像特征和第一文本特征，比如，I1·T1、I2·T2……IN·TN，第一未匹配结果可以包括互相匹配失败的第一图像特征和第一文本特征，比如，I1·T2、I1·T3……I1·TN、I2·T1、I2·T3……I2·TN等。
在确定出上述多个第一匹配结果和多个第一未匹配结果之后，可以基于多个第一匹配结果和多个第一未匹配结果确定第一模型参数。可选地，该实施例使用损失函数(InfoNCE loss)利用多个第一匹配结果和多个第一未匹配结果来进行实现，比如，通过下述公式进行实现：
Figure BDA0003309335940000081
其中，xi用于表示网络输出结果属于第i类别的概率，xj用于表示网络输出结果属于第j类别的概率，可选地，在该实施例中，上述exp(xi)可以用于表示多个图像特征和多个文本特征进行匹配的匹配结果，而Σjexp(xj)可以用于表示多个图像特征和多个文本特征之间的不匹配结果。
在确定第一模型参数之后，可以通过该第一模型参数来生成第一目标模型。
下面对该实施例的模型确定方法的第二阶段进行进一步介绍。
作为一种可选的实施方式，步骤S106，基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型包括：获取第二图像样本的第二图像特征；获取第二文本样本的第二文本特征；基于第二图像特征和第二文本特征对第一目标模型进行训练，得到第二目标模型。
在该实施例中，在实现基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型时，可以先获取第二图像样本的第二图像特征，可以是将第二图像样本输入至图像编码器，通过该图像编码器从第二图像样本中提取出第二图像特征，比如，该第二图像特征可以为I1′、I2′……IN′。该实施例还可以获取第二文本样本的第二文本特征，可以是将整个第二文本样本输入至文本编码器，通过该文本编码器从整个第二文本样本中提取出第二文本特征，该第二文本特征可以为T1′、T2′……TN′，以使得模型更关注于第二文本样本的全局特征。在获取到上述第二图像特征和上述第二文本特征之后，可以基于第二图像特征和第二文本特征对第一目标模型进行训练，比如，基于第二图像特征和第二文本特征对第一目标模型进行对比学习训练，从而得到第二目标模型。
作为一种可选的实施方式，基于第二图像特征和第二文本特征对第一目标模型进行训练，得到第二目标模型包括：对多个第二图像特征和多个第二文本特征进行匹配，得到多个第二匹配结果和多个第二未匹配结果，其中，第二匹配结果包括互相匹配成功的第二图像特征和第二文本特征，第二未匹配结果包括互相匹配失败的第二图像特征和第二文本特征；基于多个第二匹配结果和多个第二未匹配结果对第一目标模型进行训练，得到第二模型参数；基于第二模型参数确定第二目标模型。
在该实施例中，在该实施例中，在实现基于第二图像特征和第二文本特征对第一目标模型进行训练，得到第二目标模型时，可以是分别对多个第二图像特征和多个第二文本特征进行匹配，比如，分别对上述I1′、I2′……IN′和T1′、T2′……TN′进行匹配，得到多个第二匹配结果和多个第二未匹配结果，第二匹配结果可以包括互相匹配成功的第二图像特征和第二文本特征，比如，I1′·T1′、I2′·T2′……IN′·TN′，第二未匹配结果可以包括互相匹配失败的第二图像特征和第二文本特征，比如，I1′·T2′、I1′·T3′……I1′·TN′、I2′·T1′、I2′·T3′……I2′·TN′等。
在确定出上述多个第二匹配结果和多个第二未匹配结果之后，可以基于多个第二匹配结果和多个第二未匹配结果对第一目标模型进行训练，得到第二模型参数。可选地，该实施例使用InfoNCE loss利用多个第二匹配结果和多个第二未匹配结果来进行实现。
在获取到第二模型参数之后，可以通过该第二模型参数生成第二目标模型，进而将其确定为第三目标模型的初始化模型，输出该初始化模型。
作为一种可选的实施方式，第一图像样本包括第一图像噪声数据和/或第一文本样本包括第一文本噪声数据。
在相关技术中，预训练需要大量的数据，而且对于噪声数据的学习能力较差，比如，相关技术中的双塔图文预训练方法。然而，在该实施例的模型确定方法的第一阶段中，是容许一定的噪声数据的，第一图像样本可以包括第一图像噪声数据，第一文本样本可以包括第一文本噪声数据，也即，该实施例可以不用对第一图像噪声数据和第一文本噪声数据进行特别处理，以节约人工成本。
作为一种可选的实施方式，第二图像样本包括第二图像噪声数据和/或第二文本样本包括第二文本噪声数据。
在该实施例的模型确定方法的第二阶段中，也是容许一定的噪声数据的，第二图像样本可以包括第二图像噪声数据，第二文本样本可以包括第二文本噪声数据，也即，该实施例可以不用对第二图像噪声数据和第二文本噪声数据进行特别处理，以节约人工成本。
图1B是根据本公开实施例的另一种模型确定的方法。如图1B所示，该方法可以包括以下步骤：
步骤S1002，向服务器发送模型训练请求，其中，模型训练请求包括第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述。
在本公开上述步骤S1002提供的技术方案中，为了能够训练得到一个出来精度较高的初始化模型，需要采用大量的图像样本和文本样本进行训练，整个训练过程的数据量和运算量较大。为了减少用户设备(比如，智能手机、平板电脑、笔记本电脑、掌上电脑、个人计算机等)的资源消耗，可以由服务进行模型的训练，用户设备中仅部署训练好的模型即可，以方便用户使用。
在该实施例中，上述模型训练请求可以根据用户的模型使用需求生成，该模型训练请求中包括需要处理的图像样本和文本样本，还可以包括预期达到的处理结果等。
可选地，在该实施例中，可以在用户设备上提供一个图形用户界面，用户在图形用户界面的输入区域内输入模型训练请求，从而用户设备可以通过网络将模型训练请求发送至服务器。为了更加有针对性，服务器可以针对用户的类型，给用户提供不同的模型训练方案，由用户在输入区域内进行选择，从而用户设备可以根据用户的旋转结果生成模型训练请求，并通过网络发送给服务器。
步骤S1004，接收服务器响应模型训练请求而发送的初始化模型，其中，初始化模型为服务器基于第二图像样本和第二文本样本对第一目标模型进行训练得到，第一目标模型为服务器对第一图像样本和第一文本样本进行训练得到。
在本公开上述步骤S1004提供的技术方案中，第一目标模型学习到第一文本样本的局部特征，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，初始化模型学习到第二文本样本的全局特征。
在该实施例中，服务器响应模型训练请求，可以将第一图像样本和第一文本样本以作为第一阶段的训练样本，该第一文本样本与第一图像样本是相对应的。可选地，该实施例的上述第一图像样本和第一文本样本可以无需人工标注和清洗，以节约人工成本。服务器可以对第一图像样本和第一文本样本进行训练，可以是对第一图像样本和第一文本样本进行机器学习训练，从而得到第一目标模型，该第一目标模型可以学习到第一文本样本的一些局部特征。
服务器在该第二阶段中，可以获取第二图像样本和第二文本样本以作为第二阶段的训练样本，该第二文本样本与第二图像样本是相对应的。服务器可以基于第二图像样本和第二文本样本对第一目标模型进行继续训练，从而得到初始化模型，可以是基于第二图像样本和第二文本样本对第一目标模型进行机器学习训练，从而得到初始化模型，该初始化模型可以学习到第二文本样本的全局特征，该全局特征也即第二文本样本的整体特征，该初始化模型可以用于训练得到图像检检测模型、图像分割模型、图像分类模型等。
进一步地，为了大幅度减少用户设备的运算负担，可以直接将训练好的初始化模型部署在服务器中，用户设备通过特定接口连接服务器，通过网络向服务器发送模型获取请求，用户设备通过网络获取服务器响应模型获取请求而发送的初始化模型，将其作为第二目标模型的初始化模型，实现了模型预训练目的。
该实施例的处理处理方法可以为一种多阶段图文预训练方法，可以采用NLP模型辅助提取实体词，可以在第一阶段的预训练中让模型更好的学习到文本的一些局部特征；在第二阶段中，模型将更关注文本的整体特征，通过局部特征和整体特征的结合，可以更好地提高初始化模型的预训练效果，从而解决了初始化模型的预训练效果低的技术问题。
图1C是根据本公开实施例的一种图像处理的方法的流程图。如图1C所示，该方法可以包括以下步骤：
步骤S10002，获取待处理图像。
在本公开上述步骤S10002提供的技术方案中，待处理图像可以为需要待进行图像处理的图像，比如，为需待进行图像检测、图像分割、图像分类、图像识别等处理的图像，该处理类型可以根据图像应用场景来进行灵活确定，比如，根据道路场景、教育场景、植被生长预测场景、天气预测场景等来灵活确定，此处对其不做具体限制。
可选地，该实施例可以通过图像采集设备来采集待处理图像，比如，通过在一定空间部署的摄像头来采集待处理图像。
步骤S10004，将待处理图像输入至第三目标模型中，其中，第三目标模型为根据本公开实施例的模型确定方法获得。
在本公开上述步骤S10004提供的技术方案中，可以将采集到的待处理图像输入至第三目标模型中，可选地，该实施例的第三目标模型通过对初始化模型进行训练得到，而该初始化模型可以通过第二图像样本和第二文本样本对第一目标模型进行训练得到，且学习到第二文本样本的全局特征，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，第一目标模型为服务器对第一图像样本和第一文本样本进行训练得到，且学习到第一文本样本的局部特征，比如，该初始化模型可以为循环神经网络模型，此处不做具体限制。
可选地，在该实施例中，在实现对初始化模型进行训练，得到第三目标模型时，可以是预先采集大量的样本数据，该样本数据可以包括大量的图像样本，可以对其进行标注，得到多个标签，该标签可以为与图像检测、图像分割、图像分类、图像识别等图像处理相关的标签。然后通过样本数据和对应的标签对初始化模型进行训练，得到第三目标模型。
可选地，该实施例在样本数据中，可以是通过卷积神经网络对每个样本数据提取特征，来得到包括多个特征的特征向量，比如，该特征向量包括与上述标签相关的特征，通过特征向量和对应的标签对初始化模型进行训练，可以得到目标参数，该目标参数可以是模型的优化参数，可以通过该目标参数和初始化模型来确定第三目标模型。
可选地，该实施例可以按照分布一致性算法、去噪等算法对样本数据进行预处理，再从预处理后的数据中进行特征提取、特征变换、特征归一、特征组合等得到用于训练初始化模型的特征。可选地，该实施例还可以进一步通过优化算法、假设函数、损失函数、决策边界、收敛速度、迭代策略等对特征进行进一步处理，通过处理后的特征对初始化模型进行训练，得到第三目标模型。
可选地，该实施例在第三目标模型之后，还可以对第三目标模型进行交叉验证、评估目标、过拟合、欠拟合等评价，从而确定最终的第三目标模型，以通过第三目标模型实现对输入图像的图像检测、图像分割、图像分类、图像识别等处理。
步骤S10006，获取第三目标模型的处理结果。
在本公开上述步骤S10006提供的技术方案中，第三目标模型可以对待处理图像进行处理，比如，对第三目标模型进行图像检测、图像分割、图像分类、图像识别等处理，得到处理结果，该处理结果可以包括图像检测结果、图像分割结果、图像分类结果、图像识别结果等，进行对其进行输出，比如，通过图形用户界面显示图像检测结果、图像分割结果、图像分类结果、图像识别结果等，以对其进行进一步分析。
下面结合优选的实施方式对本公开实施例的上述技术方案进行进一步地举例说明。
在相关技术中，基于双塔的预训练方案可以进行实时离线检索。但是，双塔预训练方案由于没有深度的模态交互，所以导致检索效果不如单塔检索效果。
另外，在相关技术中，双塔图文预训练中采用的训练方案都是一步训练法，将图像和文本对直接输入预训练网络进行预训练任务。比如，将文本样本整理输入到文本编码器中提取一个全局的文本(text)特征，然后将文本特征和图像(image)特征计算损失(loss)，无法进行深度的模态间交互，从而导致初始化模型的预训练指标不高；另外，双塔图文预训练需要大量的数据，其对于噪声数据的学习能力较差。
针对以上问题，该实施例提供了一种多阶段图文预训练方法，通过在第一阶段中，使用NLP模型辅助提取实体词，以让模型更好地学习到文本的一些局部特征，在第二阶段让模型更关注文本的整体特征，通过局部特征和整体特征的结合以达到提高初始化模型的效果。下面对其进行进一步介绍。
图2是根据本公开实施的一种多阶段图文预训练***的示意图。如图2所示，在第一阶段的数据处理模块中，图文预训练需要大量数据，可以通过互联网爬虫爬取大量的第一图像样本和对应的第一文本样本，该第一图像样本和对应的第一文本样本可以容忍一定的噪声数据，以节约人工成本，从而该实施例第一阶段的输入数据可以为包含一定噪声数据的第一图像样本和第一文本样本(Noisy Product Image-Text Data)。可选地，该实施例可以采用大量无标注的第一文本样本和第一图像样本作为第一阶段的训练样本。可选地，在第一阶段的数据处理模块中，可以使用NLP模型提取第一文本样本的实体词，只将实体词输入到文本编码器进行计算，得到第一文本特征，而将第一图像样本输入到图像编码器进行计算，得到第一图像特征，进而对第一文本特征和第一图像特征进行对比学习，以得到第一目标模型。
该实施例的第二阶段的数据处理模块中的处理方法，可以与第一阶段的数据处理模块中的处理方法相似，但第二阶段针对的是整个文本样本，将整个文本样本输入至文本编码器进行计算，得到第一文本特征，将图像样本输入至图像编码器进行计算，得到第二图像特征，进而利用第二文本特征和第二图像特征对第一目标模型进行对比学习，以得到第二目标模型，该第二目标模型也即第三目标模型的初始化模型，第三目标模型可以为图像检测模型、图像分割模型和图像分类模型等，此处不做具体限制。
在该实施例中，上述文本编码器模块使用RoBERTa模型进行文本特征的提取，RoBERTa模型是在BERT模型的基础上进行的升级。图像编码器使用Deit模型进行图像特征提取，如图3所示，其中，图3是根据本公开实施例的一种Deit模型结构的示意图，通过输入数据类别令牌(class token)、块令牌(patch tokens)、蒸馏令牌(distinguish token)，经过自注意力机制(self attention)和全连接网络(FFN)的处理，所得到的输出结果可以用于得到图像特征。该实施例的Deit将transformer从NLP中应用到了计算机视觉。
在该实施例中，对比学习模型模块主要使用InfoNCE loss，具体计算公式如下：
Figure BDA0003309335940000151
其中，xi用于表示网络输出结果属于第i类别的概率，xj用于表示网络输出结果属于第j类别的概率，可选地，在该实施例中，上述exp(xi)可以用于表示图像特征和文本特征相匹配的匹配结果，而Σjexp(xj)可以用于表示图像特征和文本特征匹配失败的匹配结果。如图4所示。其中，图4是根据本公开实施例的一种图像特征和文本特征进行匹配的示意图。如图4所示，通过图像编码器对输入的图像样本提取出图像特征I1、I2……IN，通过文本编码器对输入的文本样本提取出文本特征T1、T2……TN，对图像特征I1、I2……IN和T1、T2……TN分别进行互相匹配，得到匹配结果，其中，对角线上的匹配结果为文本特征和图像特征匹配成功的结果，而除对角线之外的匹配结果，为文本特征和图像特征匹配失败的匹配结果。
该实施例的上述方法可以应用于多阶段多塔预训练中，可以采用NLP模型辅助提取实体词，可以在第一阶段的预训练中让模型更好地学习到文本样本的一些局部特征。第二阶段模型将更关注文本样本的整体特征(噪声数据不需要特殊处理)，通过局部特征和整体特征的结合，可以更好地提高初始化模型的预训练效果。
本公开实施例还提供了一种用于执行图1A所示实施例的模型确定方法的模型确定装置。
图5A根据本公开实施例的一种模型确定装置的示意图。如图5A所示，该模型确定装置50可以包括：第一获取单元51、训练单元52、处理单元53和确定单元54。
第一获取单元51，用于获取第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述。
训练单元52，用于对第一图像样本和第一文本样本进行训练，得到第一目标模型，其中，第一目标模型学习到第一文本样本的局部特征。
处理单元53，用于获取第二图像样本和第二文本样本，并基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型，其中，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，第二目标模型学习到第二文本样本的全局特征。
确定单元54，用于将第二目标模型确定为第三目标模型的初始化模型。
可选地，该装置还包括：第二获取单元，用于获取第一文本样本的实体词；训练单元52包括：训练模块，用于对第一图像样本和实体词进行训练，得到第一目标模型。
可选地，训练模块包括：第一获取子模块，用于获取第一图像样本的第一图像特征；第二获取子模块，用于获取实体词的第一文本特征；第一训练子模块，用于对第一图像特征和第一文本特征进行训练，得到第一目标模型。
可选地，第一训练子模块用于通过以下步骤来对第一图像特征和第一文本特征进行训练，得到第一目标模型：对多个第一图像特征和多个第一文本特征进行匹配，得到多个第一匹配结果和多个第一未匹配结果，其中，第一匹配结果包括互相匹配成功的第一图像特征和第一文本特征，第一未匹配结果包括互相匹配失败的第一图像特征和第一文本特征；基于多个第一匹配结果和多个第一未匹配结果确定第一模型参数；基于第一模型参数确定第一目标模型。
可选地，处理单元53包括：第一获取模块，用于获取第二图像样本的第二图像特征；第二获取模块，用于获取第二文本样本的第二文本特征；第一训练模块，用于基于第二图像特征和第二文本特征对第一目标模型进行训练，得到第二目标模型。
可选地，第一训练模块包括：匹配子模块，用于对多个第二图像特征和多个第二文本特征进行匹配，得到多个第二匹配结果和多个第二未匹配结果，其中，第二匹配结果包括互相匹配成功的第二图像特征和第二文本特征，第二未匹配结果包括互相匹配失败的第二图像特征和第二文本特征；第二训练子模块，用于基于多个第二匹配结果和多个第二未匹配结果对第一目标模型进行训练，得到第二模型参数；确定子模块，用于基于第二模型参数确定第二目标模型。
可选地，第一图像样本包括第一图像噪声数据和/或第一文本样本包括第一文本噪声数据。
可选地，第二图像样本包括第二图像噪声数据和/或第二文本样本包括第二文本噪声数据。
本公开实施例还提供了一种用于执行图1B所示实施例的模型确定方法的模型确定装置。
图5B是根据本公开实施例的另一种模型确定装置的示意图。如图5B所示，该模型确定装置500可以包括：发送单元501和接收单元502。
发送单元501，用于向服务器发送模型训练请求，其中，模型训练请求包括第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述。
接收单元502，用于接收服务器响应模型训练请求而发送的初始化模型，其中，初始化模型为服务器基于第二图像样本和第二文本样本对第一目标模型进行训练得到，第一目标模型为服务器对第一图像样本和第一文本样本进行训练得到，第一目标模型学习到第一文本样本的局部特征，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，初始化模型学习到第二文本样本的全局特征。
本公开实施例还提供了一种用于执行图1C所示实施例的图像处理方法的图像处理装置。
图5C是根据本公开实施例的一种图像处理装置的示意图。如图5C所示，该图像处理装置5000可以包括：第三获取单元5001、输入单元5002和第四获取单元5003。
第三获取单元5001，用于获取待处理图像。
输入单元5002，用来与将待处理图像输入至第三目标模型中，其中，第三目标模型为由本公开实施例的模型确定方法获得。
第四获取单元5003，用于获取第三目标模型的处理结果。
在该实施例中，采用多阶段的预训练方法，通过在第一阶段的预训练中让模型更好的学习到文本的一些局部特征，在第二阶段中让模型更关注文本的全局特征，提高了预训练指标，从而解决了初始化模型的训练效果低的技术问题，达到了提供提高初始化模型的训练效果的技术效果。
需要说明的是，上述各个单元和模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述单元和模块均位于同一处理器中；或者，上述各个单元和模块以任意组合的形式分别位于不同的处理器中。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，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。该电子设备可以包括：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本公开实施例的模型确定方法。
可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
根据本公开的实施例，本公开还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，计算机指令用于使计算机执行本公开实施例的模型确定方法。
可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述；
S2，对第一图像样本和第一文本样本进行训练，得到第一目标模型，其中，第一目标模型学习到第一文本样本的局部特征；
S3，获取第二图像样本和第二文本样本，并基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型，其中，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，第二目标模型学习到第二文本样本的全局特征；
S4，将第二目标模型确定为第三目标模型的初始化模型。
可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，向服务器发送模型训练请求，其中，模型训练请求包括第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述；
S2，接收服务器响应模型训练请求而发送的初始化模型，其中，初始化模型为服务器基于第二图像样本和第二文本样本对第一目标模型进行训练得到，第一目标模型为服务器对第一图像样本和第一文本样本进行训练得到，第一目标模型学习到第一文本样本的局部特征，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，初始化模型学习到第二文本样本的全局特征。
可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取待处理图像；
S2，将待处理图像输入至第三目标模型中，其中，第三目标模型为根据本公开实施例的模型确定方法获得；
S3，获取第三目标模型的处理结果。
可选地，在本实施例中，上述非瞬时计算机可读存储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***、装置或设备，或者上述内容的任何合适组合。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。
根据本公开的实施例，本公开还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以下步骤：
S1，获取第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述；
S2，对第一图像样本和第一文本样本进行训练，得到第一目标模型，其中，第一目标模型学习到第一文本样本的局部特征；
S3，获取第二图像样本和第二文本样本，并基于第二图像样本和第二文本样本对第一目标模型进行训练，得到第二目标模型，其中，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，第二目标模型学习到第二文本样本的全局特征；
S4，将第二目标模型确定为第三目标模型的初始化模型。
可选地，上述计算机程序在被处理器执行时还实现以下步骤：
S1，向服务器发送模型训练请求，其中，模型训练请求包括第一图像样本和第一文本样本，其中，第一文本样本中的文本用于对第一图像样本中的目标图像进行文字描述；
S2，接收服务器响应模型训练请求而发送的初始化模型，其中，初始化模型为服务器基于第二图像样本和第二文本样本对第一目标模型进行训练得到，第一目标模型为服务器对第一图像样本和第一文本样本进行训练得到，第一目标模型学习到第一文本样本的局部特征，第二文本样本中的文本用于对第二图像样本中目标图像进行文字描述，初始化模型学习到第二文本样本的全局特征。
可选地，上述计算机程序在被处理器执行时还实现以下步骤：
S1，获取待处理图像；
S2，将待处理图像输入至第三目标模型中，其中，第三目标模型为根据本公开实施例的模型确定方法获得；
S3，获取第三目标模型的处理结果。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
该实施例的用于实施本公开的模型确定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模型确定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。
图6是根据本公开实施例的一种电子设备的示意性框图。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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如模型确定方法。例如，在一些实施例中，模型确定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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的模型确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型确定方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(SOC)、复杂可编程逻辑设备(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***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***、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***、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模型确定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***、装置或设备使用或与指令执行***、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***、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***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***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(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***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***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***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***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***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，本发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 (19)

1.一种模型确定方法，包括：
获取第一图像样本和第一文本样本，其中，所述第一文本样本中的文本用于对所述第一图像样本中的目标图像进行文字描述；
对所述第一图像样本和所述第一文本样本进行训练，得到第一目标模型，其中，所述第一目标模型学习到所述第一文本样本的局部特征；
获取第二图像样本和第二文本样本，并基于所述第二图像样本和所述第二文本样本对所述第一目标模型进行训练，得到第二目标模型，其中，所述第二文本样本中的文本用于对所述第二图像样本中目标图像进行文字描述，所述第二目标模型学习到所述第二文本样本的全局特征；
将所述第二目标模型确定为第三目标模型的初始化模型。
2.根据权利要求1所述的方法，其中，
所述方法还包括：获取所述第一文本样本的实体词；
对所述第一图像样本和所述第一文本样本中进行训练，得到第一目标模型包括：对所述第一图像样本和所述实体词进行训练，得到第一目标模型。
3.根据权利要求2所述的方法，其中，对所述第一图像样本和所述实体词进行训练，得到第一目标模型包括：
获取所述第一图像样本的第一图像特征；
获取所述实体词的第一文本特征；
对所述第一图像特征和所述第一文本特征进行训练，得到所述第一目标模型。
4.根据权利要求3所述的方法，其中，对所述第一图像特征和所述第一文本特征进行训练，得到所述第一目标模型包括：
对多个所述第一图像特征和多个所述第一文本特征进行匹配，得到多个第一匹配结果和多个第一未匹配结果，其中，所述第一匹配结果包括互相匹配成功的所述第一图像特征和所述第一文本特征，所述第一未匹配结果包括互相匹配失败的所述第一图像特征和所述第一文本特征；
基于多个所述第一匹配结果和多个所述第一未匹配结果确定第一模型参数；
基于所述第一模型参数确定所述第一目标模型。
5.根据权利要求1所述的方法，其中，基于所述第二图像样本和所述第二文本样本对所述第一目标模型进行训练，得到第二目标模型包括：
获取所述第二图像样本的第二图像特征；
获取所述第二文本样本的第二文本特征；
基于所述第二图像特征和所述第二文本特征对所述第一目标模型进行训练，得到所述第二目标模型。
6.根据权利要求5所述的方法，其中，基于所述第二图像特征和所述第二文本特征对所述第一目标模型进行训练，得到所述第二目标模型包括：
对多个所述第二图像特征和多个所述第二文本特征进行匹配，得到多个第二匹配结果和多个第二未匹配结果，其中，所述第二匹配结果包括互相匹配成功的所述第二图像特征和所述第二文本特征，所述第二未匹配结果包括互相匹配失败的所述第二图像特征和所述第二文本特征；
基于多个所述第二匹配结果和多个所述第二未匹配结果对所述第一目标模型进行训练，得到第二模型参数；
基于所述第二模型参数确定所述第二目标模型。
7.根据权利要求1至6中任意一项所述的方法，其中，所述第一图像样本包括第一图像噪声数据和/或所述第一文本样本包括第一文本噪声数据。
8.根据权利要求1至6中任意一项所述的方法，其中，所述第二图像样本包括第二图像噪声数据和/或所述第二文本样本包括第二文本噪声数据。
9.一种图像处理方法，包括：
获取待处理图像；
将所述待处理图像输入至第三目标模型中，其中，所述第三目标模型为由权利要求1-8中任意一项所述的模型确定方法获得；
获取所述第三目标模型的处理结果。
10.一种模型确定装置，包括：
第一获取单元，用于获取第一图像样本和第一文本样本，其中，所述第一文本样本中的文本用于对所述第一图像样本中的目标图像进行文字描述；
训练单元，用于对所述第一图像样本和所述第一文本样本进行训练，得到第一目标模型，其中，所述第一目标模型学习到所述第一文本样本的局部特征；
处理单元，用于获取第二图像样本和第二文本样本，并基于所述第二图像样本和所述第二文本样本对所述第一目标模型进行训练，得到第二目标模型，其中，所述第二文本样本中的文本用于对所述第二图像样本中目标图像进行文字描述，所述第二目标模型学习到所述第二文本样本的全局特征；
确定单元，用于将所述第二目标模型确定为第三目标模型的初始化模型。
11.根据权利要求10所述的装置，其中，
所述装置还包括：第二获取单元，用于获取所述第一文本样本的实体词；
所述训练单元包括：训练模块，用于对所述第一图像样本和所述实体词进行训练，得到第一目标模型。
12.根据权利要求11所述的装置，其中，训练模块包括：
第一获取子模块，用于获取所述第一图像样本的第一图像特征；
第二子获取模块，用于获取所述实体词的第一文本特征；
第一训练子模块，用于对所述第一图像特征和所述第一文本特征进行训练，得到所述第一目标模型。
13.根据权利要求12所述的装置，其中，所述第一训练子模块用于通过以下步骤来对所述第一图像特征和所述第一文本特征进行训练，得到所述第一目标模型：
对多个所述第一图像特征和多个所述第一文本特征进行匹配，得到多个第一匹配结果和多个第一未匹配结果，其中，所述第一匹配结果包括互相匹配成功的所述第一图像特征和所述第一文本特征，所述第一未匹配结果包括互相匹配失败的所述第一图像特征和所述第一文本特征；
基于多个所述第一匹配结果和多个所述第一未匹配结果确定第一模型参数；
基于所述第一模型参数确定所述第一目标模型。
14.根据权利要求10所述的装置，其中，所述处理单元包括：
第一获取模块，用于获取所述第二图像样本的第二图像特征；
第二获取模块，用于获取所述第二文本样本的第二文本特征；
第一训练模块，用于基于所述第二图像特征和所述第二文本特征对所述第一目标模型进行训练，得到所述第二目标模型。
15.根据权利要求14所述的装置，其中，第一训练模块包括：
匹配子模块，用于对多个所述第二图像特征和多个所述第二文本特征进行匹配，得到多个第二匹配结果和多个第二未匹配结果，其中，所述第二匹配结果包括互相匹配成功的所述第二图像特征和所述第二文本特征，所述第二未匹配结果包括互相匹配失败的所述第二图像特征和所述第二文本特征；
第二训练子模块，用于基于多个所述第二匹配结果和多个所述第二未匹配结果对所述第一目标模型进行训练，得到第二模型参数；
确定子模块，用于基于所述第二模型参数确定所述第二目标模型。
16.一种图像处理装置，包括：
第三获取单元，用于获取待处理图像；
输入单元，用来与将所述待处理图像输入至第三目标模型中，其中，所述第三目标模型为由权利要求1-8中任意一项所述的模型确定方法获得；
第四获取单元，用于获取所述第三目标模型的处理结果。
17.一种电子设备，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1-9中任一项所述的方法。
18.一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1-9中任一项所述的方法。
19.一种计算机程序产品，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1-9中任一项所述的方法。
CN202111212328.6A 2021-10-18 2021-10-18 模型确定方法、装置、电子设备和存储器 Pending CN113947195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111212328.6A CN113947195A (zh) 2021-10-18 2021-10-18 模型确定方法、装置、电子设备和存储器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111212328.6A CN113947195A (zh) 2021-10-18 2021-10-18 模型确定方法、装置、电子设备和存储器

Publications (1)

Publication Number Publication Date
CN113947195A true CN113947195A (zh) 2022-01-18

Family

ID=79331473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111212328.6A Pending CN113947195A (zh) 2021-10-18 2021-10-18 模型确定方法、装置、电子设备和存储器

Country Status (1)

Country Link
CN (1) CN113947195A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219050A (zh) * 2022-02-22 2022-03-22 杭州远传新业科技有限公司 文本相似度模型的训练方法、***、装置和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219050A (zh) * 2022-02-22 2022-03-22 杭州远传新业科技有限公司 文本相似度模型的训练方法、***、装置和介质
CN114219050B (zh) * 2022-02-22 2022-06-21 杭州远传新业科技股份有限公司 文本相似度模型的训练方法、***、装置和介质

Similar Documents

Publication Publication Date Title
CN113837308B (zh) 基于知识蒸馏的模型训练方法、装置、电子设备
CN113642583B (zh) 用于文本检测的深度学习模型训练方法及文本检测方法
CN113657274B (zh) 表格生成方法、装置、电子设备及存储介质
CN112949767A (zh) 样本图像增量、图像检测模型训练及图像检测方法
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
CN113657483A (zh) 模型训练方法、目标检测方法、装置、设备以及存储介质
CN113947700A (zh) 模型确定方法、装置、电子设备和存储器
CN115620081A (zh) 一种目标检测模型的训练方法及目标检测方法、装置
CN114495101A (zh) 文本检测方法、文本检测网络的训练方法及装置
CN113191261B (zh) 图像类别的识别方法、装置和电子设备
CN114090601A (zh) 一种数据筛选方法、装置、设备以及存储介质
CN113947195A (zh) 模型确定方法、装置、电子设备和存储器
CN116935368A (zh) 深度学习模型训练方法、文本行检测方法、装置及设备
CN114724144B (zh) 文本识别方法、模型的训练方法、装置、设备及介质
CN115631502A (zh) 文字识别方法、装置、模型训练方法、电子设备及介质
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN115496734A (zh) 视频内容的质量评价方法、网络训练方法和装置
CN115273148A (zh) 行人重识别模型训练方法、装置、电子设备及存储介质
CN114842541A (zh) 模型的训练及人脸识别方法、装置、设备以及存储介质
CN114707638A (zh) 模型训练、对象识别方法及装置、设备、介质和产品
CN114463734A (zh) 文字识别方法、装置、电子设备及存储介质
CN114419327A (zh) 图像检测方法和图像检测模型的训练方法、装置
CN114119972A (zh) 模型获取及对象处理方法、装置、电子设备及存储介质
CN114093006A (zh) 活体人脸检测模型的训练方法、装置、设备以及存储介质
CN113408661B (zh) 误匹配确定方法、装置、设备和介质

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