CN115578570A - 图像处理方法、装置、可读介质及电子设备 - Google Patents
图像处理方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN115578570A CN115578570A CN202211204451.8A CN202211204451A CN115578570A CN 115578570 A CN115578570 A CN 115578570A CN 202211204451 A CN202211204451 A CN 202211204451A CN 115578570 A CN115578570 A CN 115578570A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- target
- text
- fusion
- 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
Links
Images
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理方法、装置、可读介质及电子设备,该图像处理方法通过获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本;将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。
Description
技术领域
本公开涉及图像处理技术领域,具体地,涉及一种图像处理方法、装置、可读介质及电子设备。
背景技术
指代性表达(也称指代表达)生成是指为给定图像中的指定对象生成一个自然语言描述,该自然语言描述能够精确地描述该指定对象,通过该自然语言描述能够与图像中的其他对象明确区分。指代性表达理解(也称指代表达的定位)是根据一个自然语言描述,从给定图像中识别所指对象。指代性表达生成和指代性表达理解是两个高度相关的任务,然而,相关技术中,用于指代性表达生成和用于指代性表达理解的模型存在集成度不高的问题,如此会不利于提升计算机***的资源利用率。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开提供一种图像处理方法、装置、可读介质及电子设备。
第一方面,本公开提供一种图像处理方法,所述方法包括:
获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本;
将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。
第二方面,本公开提供一种图像处理装置,所述装置包括:
获取模块,被配置为获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本;
确定模块,被配置为将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。
第三方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现以上第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现以上第一方面所述方法的步骤。
上述技术方案,通过获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本;将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。这样,通过该目标图像处理模型集成指代性表达生成和指代性表达理解两个任务,能够在既需要完成指代性表达生成任务,又需要完成指代性表达理解任务的场景中,有效提升模型的集成度,从而能够有效提升计算机***的资源利用率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是本公开一示例性实施例示出的一种图像处理方法的流程图;
图2是本公开一示例性实施例示出的一种目标图像处理模型的结构示意图;
图3是根据图1和图2所示实施例示出的一种图像处理方法的流程图;
图4是根据图1和图2所示实施例示出的另一种图像处理方法的流程图;
图5是本公开一示例性实施例示出的一种模型训练方法的流程图;
图6是本公开一示例性实施例示出的一种图像处理装置的框图;
图7是本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时,可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1是本公开一示例性实施例示出的一种图像处理方法的流程图;如图1所示,该方法可以包括:
步骤101,获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本。
其中,该指代表达生成区域可以是该待检测图像中的任一指定区域,该指代表达对象可以是该待检测图像包含的多个拍摄对象中的一个或者多个。
需要说明的是,在指代性表达生成的应用场景中,该图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息;在指代性表达理解(即指代性表达的定位或者分割)场景中,该图像描述信息为指代表达对象的描述文本。
步骤102,将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。
其中,所述目标图像处理模型可以包括视觉编码器,文本编码器,融合编码器,位置检测网络和文本预测网络,图2是本公开一示例性实施例示出的一种目标图像处理模型的结构示意图;如图2所示,所述视觉编码器的输出端与所述融合编码器的输入端耦合,所述文本编码器的输出端与所述融合编码器的输入端耦合,所述融合编码器的输出端与所述位置检测网络的输入端耦合,所述融合编码器的输出端还与所述文本预测网络的输入端耦合。
需要说明的是,该视觉编码器可以是基于ViT(Vision Transformer,应用于视觉任务的Transformers网络),使用CLIP-ViT[2](Contrastive Language–Image Pre-training Vision Transformer一种基于对比的图片-文本学***成序列,再将分割后的小块对应的嵌入输入到堆叠的Transformer编码器块,通过Transformer编码器中的自注意力相互交互,从而产生图像特征其中LI是图像块的数量。该文本编码器可以是基于BERT(Bidirectional Encoder Representations from Transformer,双向的Transformers的Encoder)的文本特征提取网络,用于对输入的指代表达对象的描述文本进行分词,以得到多个token embeddings(输入嵌入),然后根据将该多个输入嵌入转化为文本特征其中LT是输入嵌入(token embeddings)的数量,z[cls]是与特殊标记[cls]对应的文本特征。该融合编码器可以包括多个解码层和多个融合模块,所述多个解码层依次串联,且所述多个融合模块依次串联,所述多个解码层中的首个解码层的输入端作为所述融合编码器的输入端,所述多个解码层中最后一个解码层的输出端与首个融合模块的输入端耦合,所述多个融合模块中最后一个融合模块的输出端为所述融合编码器的输出端;其中,该解码层为Transformer中的Dencoder(解码器),该融合模块可以包括自注意力层,图像互注意力层,区域互注意力层以及区域预测层,所述自注意力层的输入端作为所述融合模块的输入端,所述自注意力层的输出端与所述图像互注意力层的输入端耦合,所述图像互注意力层的输出端与所述区域预测层的输入端耦合,所述图像互注意力层的输出端还与所述区域互注意力层的输入端耦合,所述区域预测层的输出端与所述区域互注意力层的输入端耦合,所述区域互注意力层的输出端作为所述融合模块的输出端;该图像互注意力层与该区域互注意力层均由自注意力网络形成,该图像互注意力层的输入为自注意力层的输出和该视觉编码器的输出,该区域互注意力层输入的是图像互注意力层的输出,视觉编码器的部分输出(图像特征中属于指代表达生成区域的部分)以及区域预测层的输出。该区域预测层可以是MLP(MultilayerPerceptron,多层感知器)网络,该位置检测网络可以包括全连接层,用于根据融合编码器的输出预测所述指代表达对象在所述待检测图像中的目标位置,该文本预测网络可以包括线性回归网络,用于根据融合编码器的输出确定指代表达生成区域对应图像的指代表达文本。
以上技术方案,通过该目标图像处理模型集成指代性表达生成和指代性表达理解两个任务,能够在既需要完成指代性表达生成任务,又需要完成指代性表达理解任务的场景中,有效提升模型的集成度,从而能够有效提升计算机***的资源利用率,也能够充分利用指代性表达生成和指代性表达理解两个任务的相关性,有效提升指代性表达生成和指代性表达理解结果的准确性。
图3是根据图1和图2所示实施例示出的一种图像处理方法的流程图;如图3所示,以上图1中步骤102所述的将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,可以包括:
步骤1021,在所述图像描述信息为所述指定位置信息的情况下,将所述待检测图像和所述指定位置信息输入所述视觉编码器,以获取所述视觉编码器输出的图像特征和所述指代表达生成区域的区域位置特征。
示例地,若该视觉编码器获取到待检测图像I的图像特征为 所述指代表达生成区域的区域位置特征为可以根据该区域位置特征从该视觉编码器输出的图像特征中确定与该指定位置信息对应的区域图像特征 其中,LI是待检测图像I中图像块的数量,vj为第j个图像块的特征向量,pi是与区域重叠的图像块序号,LR为待检测图像I中与指定位置信息对应区域R重叠的图像块数量。
步骤1022,获取预设的初始掩码文本,并将所述初始掩码文本输入所述文本编码器,以得到所述文本编码器输出的掩码文本特征。
其中,该初始掩码文本可以是包括一个或多个MASK(掩码)的预设文本。
步骤1023,通过所述融合编码器对所述图像特征,区域位置特征和所述掩码文本特征进行特征融合,以得到第一目标特征。
其中,所述融合编码器包括多个解码层和多个融合模块,所述多个解码层依次串联,且所述多个融合模块依次串联,所述多个解码层中的首个解码层的输入端作为所述融合编码器的输入端,所述多个解码层中最后一个解码层的输出端与首个融合模块的输入端耦合,所述多个融合模块中最后一个融合模块的输出端为所述融合编码器的输出端;所述融合模块包括自注意力层,图像互注意力层,区域互注意力层以及区域预测层,所述自注意力层的输入端作为所述融合模块的输入端,所述自注意力层的输出端与所述图像互注意力层的输入端耦合,所述图像互注意力层的输出端与所述区域预测层的输入端耦合,所述图像互注意力层的输出端还与所述区域互注意力层的输入端耦合,所述区域预测层的输出端与所述区域互注意力层的输入端耦合,所述区域互注意力层的输出端作为所述融合模块的输出端。
该步骤1023可以通过S1至S3所示步骤实施:
S1,在所述图像描述信息为所述指定位置信息的情况下,通过所述多个解码层对所述区域位置特征和所述掩码文本特征进行融合,以得到第一融合特征。
示例地,若该区域位置特征为该掩码文本特征为其中,pi是与区域重叠的索引,LT是输入嵌入(token embeddings)的数量,z[cls]是与特殊标记[cls]对应的文本特征,将该区域位置特征P与掩码文本特征Z输入Transformer中的Dencoders,可以得到多个解码层中最后一个解码层输出的第一融合特征
S2,通过所述首个融合模块对所述第一融合特征和所述区域位置特征进行注意力操作,以得到第一待定特征。
在S2中,可以通过所述自注意力层获取所述第一融合特征对应的第一注意力特征;通过所述图像互注意力层对所述第一注意力特征和所述图像特征进行多头注意力操作,以得到第二注意力特征;通过所述区域互注意力层对所述第二注意力特征和所述区域位置特征进行多头注意力操作,以得到第三注意力特征;根据所述第三注意力特征确定所述第一待定特征。
示例地,该自注意力层的处理过程可以表示为:
XQ=MHA(X,X,X)+X
其中,MHA是多头注意力,XQ为自注意力层根据所述第一融合特征X获得的第一注意力特征;
该图像互注意力层和区域互注意力层均可以包括多头注意力网络和门控线性网络,图像互注意力层的执行过程可以表示为:
ZI=MHA(XQ,VI,VI)
XI=GLU([ZI,XQ])+XQ
其中,ZI为图像互注意力层中的多头注意力网络输出的中间表示,[,]表示向量的串联,GLU门控线性网络,GLU(X)=σ(XW1)⊙XW2,W1,W2是可学习的参数,σ是sigmoid函数,⊙表示逐元素乘法。XI为门控线性网络对ZI,XQ处理之后的结果,即该图像互注意力层输出的第二注意力特征。
该区域互注意力层的执行过程可以表示为:
ZR=MHA(XI,VR,VR)
XR=GLU([ZR,XQ])+XI
其中,可以根据该区域位置特征从该视觉编码器输出的图像特征中确定与该指定位置信息对应的区域图像特征LI是待检测图像I中图像块的数量,vj为第j个图像块的特征向量,pi是与区域重叠的图像块序号,LR为待检测图像I中与指定位置信息对应区域R重叠的图像块数量。ZR为区域互注意力层中的多头注意力网络输出的中间表示,[,]表示向量的串联,GLU门控线性网络,XR为门控线性网络对ZR,XQ,XI处理之后的结果,即该图像互注意力层输出的第三注意力特征。
另外,该融合模块中还可以包括FFN(feed-forward network位置前馈网络)层,以上所述的根据所述第三注意力特征确定所述第一待定特征,实施方式可以是,将第三注意力特征输入该位置前馈网络层,以获取该位置前馈网络层的输出特征,并将该位置前馈网络层的输出特征作为该第一待定特征。
S3,根据所述第一待定特征和所述区域位置特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第一目标特征。
在该S3中,可以针对所述多个融合模块中除所述首个融合模块之外的每个融合模块,对前一个融合模块输出的指定待定特征和所述区域位置特征进行注意力操作,以得到当前融合模块输出的目标待定特征;将最后一个融合模块输出的所述目标待定特征作为所述第一目标特征。
步骤1024,通过所述文本预测网络根据所述第一目标特征生成所述指代表达生成区域对应图像的指代表达文本。
本步骤中,可以通过所述文本预测网络根据所述第一目标特征确定指代表达文本的第一个文字;根据所述第一个文字更新所述初始掩码文本;根据更新后的所述初始掩码文本,所述图像特征和所述区域位置特征确定所述指代表达文本中的其他文字,以得到所述指代表达文本。
示例地,在对待检测图像中绿色草地对应的检测框进行指代表达生成时,初始掩码文本为“mask mask mask”,第一次迭代过程确定第一个文字“绿”,更新后的初始掩码文本为“绿mask mask”,第二次迭代确定第二个文字“色”,更新后的初始掩码文本为“绿色mask”第三次迭代确定第三个文字“草”,更新后的初始掩码文本为“绿色草mask”,如此循环,直至得到指代表达文本“绿色草地”。
图4是根据图1和图2所示实施例示出的另一种图像处理方法的流程图;如图4所示,以上图1中步骤102所述的将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,还可以包括:
步骤1025,在所述图像描述信息为所述描述文本的情况下,将所述待检测图像输入所述视觉编码器,以获取所述视觉编码器输出的图像特征,并将所述描述文本输入所述文本编码器,以获取所述文本编码器输出的描述文本特征。
步骤1026,将所述图像特征和所述描述文本特征输入所述融合编码器,以获取所述融合编码器输出的第二目标特征。
本步骤可以通过以下S21至S22所示步骤实施:
S21,在所述图像描述信息为所述描述文本的情况下,通过所述多个解码层对所述图像特征和所述描述文本特征进行融合,以得到第二融合特征。
本步骤中,解码层为Transformer中的Dencoder,将所述图像特征和所述描述文本特征输入该Dencoder,能够得到该第二融合特征。
S22,通过所述多个融合模块对第二融合特征和所述图像特征进行融合,以得到所述第二目标特征。
在该S22中,可以通过所述首个融合模块对所述第二融合特征和所述图像特征进行注意力操作,以得到第二待定特征;根据所述第二待定特征和所述图像特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第二待定特征;根据所述第二待定特征和所述第二图像特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第二目标特征。
以上所述的通过所述首个融合模块对所述第二融合特征和所述图像特征进行注意力操作,以得到第二待定特征,可以包括:通过所述首个融合模块中的所述自注意力层对所述第二融合特征进行注意力操作,以得到第一目标注意力特征;通过所述首个融合模块中的所述图像互注意力层对所述图像特征和所述第一目标注意力特征进行多头注意力操作,以得到第二目标注意力特征;通过所述首个融合模块中的所述区域预测层根据所述第二目标注意力特征确定预测区域图像特征;通过所述首个融合模块中的区域互注意力层对所述图像特征,所述第二目标注意力特征和所述预测区域图像特征进行多头注意力操作,以得到第三目标注意力特征;根据所述第三目标注意力特征确定所述第二待定特征。
以上所述区域预测层为多层感知器网络,所述通过所述首个融合模块中的所述区域预测层根据所述第二目标注意力特征确定预测区域图像特征,包括:
通过所述多层感知器网络根据所述第二目标注意力特征中全文特征确定每个单位区域属于所述指代表达对象所在区域的目标概率;将所述目标概率大于或者等于预设概率阈值的单位区域对应的图像特征作为所述预测区域图像特征。
示例地,执行指代表达理解时,由于输入的图像描述信息为所述待检测图像中指代表达对象的描述文本,没有指定位置信息的输入,因此需要根据视觉编码器输出的图像特征和文本编码器输出的描述文本特征预测区域,为了使指代性表达理解的输入与指代性表达生成相同,设置区域预测层,以生成预测区域位置,作为区域互注意力层的输入。在实施过程中,可以对于每个图像块(即单位区域),基于(全文特征)和第i个图像块ei的位置嵌入计算得分α,将该得分αi作为该第i个图像块对应的单位区域属于所述指代表达对象所在区域的目标概率,可以选择得分超过预设概率阈值δ的图像块所在区域的图像特征,构成预测区域图像特征VR,该过程可以表示为:
以上所述的根据所述第二待定特征和所述第二图像特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第二目标特征,可以包括:
在所述图像描述信息为所述描述文本的情况下,针对所述多个融合模块中除所述首个融合模块之外的每个融合模块,对前一个融合模块输出的指定待定特征和所述区域位置特征进行注意力操作,以得到当前融合模块输出的目标待定特征;将最后一个融合模块输出的所述目标待定特征作为所述第二目标特征。
步骤1027,将所述第二目标特征输入所述位置检测网络,以获取所述位置检测网络输出的所述指代表达对象在所述待检测图像中的目标位置。
其中,该位置检测网络可以包括全连接层,用于根据第二目标特征预测所述指代表达对象在所述待检测图像中的目标位置。
以上技术方案,通过用融合模块替换vanilla Transformer解码器层来扩展Transformer解码器,以弥合指代性表达生成和指代性表达理解之间的差距,通过指代性表达生成任务中生成伪输入区域(区域预测层输出的区域),以便以统一的方式在指代性表达生成和指代性表达理解之间共享相同的表示空间,从而能够充分利用指代性表达生成和指代性表达理解两个任务的相关性,有效实现对指代表达生成任务和指代表达理解任务的统一建模,达到保证识别结果准确性的同时提升模型集成度的效果。
图5是本公开一示例性实施例示出的一种模型训练方法的流程图;如图5所示,所述目标图像处理模型可以通过以下步骤训练得到:
步骤501,获取多个不同粒度的预训练数据集,所述预训练数据集包括多组训练数据,每组训练数据包括样本图像,指代表达生成样本区域以及所述指代表达生成样本区域对应的指代表达文本样本,所述指代表达文本样本包括预设掩码,以及所述预设掩码的文本标注数据。
其中,可以对该指代表达文本样本中部分内容进行[mask]标记,例如,对其中25%的文本进行[mask]标记,以得到带有预设掩码的指代表达文本样本。
需要说明的是,该不同粒度的预训练数据集可以包括现有技术中的COCO(CommonObjects in Context,用于目标检测、分割和关键点检测的常用数据集)数据集;VisualGenome(视觉基因)短语数据集;Visual Genome区域描述数据集,区域描述可以是短语或句子以及RefCOCO-MERGE(现有技术中的数据集)。以上数据集为现有技术中训练指代性表达生成或者指代性表达定位模型常用的数据集,本公开对此不作限定。
步骤502,以所述多个不同粒度的预训练数据集为训练数据,对预设初始模型进行预训练,以得到待定图像处理模型。
其中,该预设初始模型的模型结构可以参见图2中所示的模型结构,本公开在此不再赘述,该预设初始模型中的模型参数为训练前的初始参数。
本步骤可以通过S31至S35所示步骤训练得到:
S31,依次将多个不同粒度的预训练数据集中的每组训练数据输入所述预设初始模型,以获取所述训练数据对应的预测文本数据和预测边界数据。
S32,根据所述预测文本数据和所述预设掩码的所述文本标注数据通过第一损失函数计算第一损失值。
需要说明的是,训练时,可以通过对[mask]处的文本内容进行预测,以得到预测文本数据,进而根据该预测文本数据和该文本标注数据计算第一预设损失函数的第一损失值LVMLM:
其中,样本图像I,指代表达生成样本区域R以及所述指代表达生成样本区域对应的指代表达文本样本T形成图像-区域-文本三元组(I,R,T),E(I,R,T)为一批数据量中数据的期望;θG为生成指代性表达的网络参数,预测文本数据,为文本标注数据。
S33,根据所述预测边界数据和所述指代表达生成样本区域通过第二损失函数计算第二损失值,并根据标注的区域掩码和预测的区域掩码确定第三损失函数的第三损失值。
示例地,该第二损失函数可以是:
该第四损失函数可以是:
S34,根据所述第二损失值和所述第三损失值通过第四损失函数确定第四损失值。
其中,该第四损失函数可以是LTRP:
LTRP=Lbbox+Lpred
Lbbox为第二损失值,Lpred第三损失值。
S35,根据所述第一损失值和所述第四损失值对所述预设初始模型进行迭代训练,以得到所述待定图像处理模型。
其中,在一次迭代计算完成之后,计算该第一损失值和该第四损失值,确定该第一损失值是否大于第一预设损失阈值,且该第四损失值是否大于第二预设损失阈值,在该第一损失值大于第一预设损失阈值,或者该第四损失值大于第二预设损失阈值的情况下,更新该预设初始模型的模型参数,并循环执行计算该第一损失值和该第四损失值,至确定该第一损失值是否大于第一预设损失阈值,且该第四损失值是否大于第二预设损失阈值的步骤,直至在该第一损失值小于或等于第一预设损失阈值,且该第四损失值小于或等于第二预设损失阈值的情况下,将当前的预设初始模型作为该待定图像处理模型。
步骤503,获取目标粒度的目标训练数据集,以所述目标训练数据集为训练数据,对所述待定图像处理模型进行精细化训练,以得到所述目标图像处理模型。
本步骤中,可以以COCO数据集;Visual Genome短语数据集;Visual Genome区域描述数据集,以及RefCOCO-MERGE中的任一个为目标训练数据集,还可以构造其他的训练数据集,仍以预训练过程中采用的训练方式进行精细化训练,以得到该目标图像处理模型。
以上训练方式,能够充分利用指代性表达生成和指代性表达理解两个任务的相关性,针对指代性表达生成和指代性表达理解的统一建模,能够训练出准确性更高的既能够完成指代表达生成任务又能够实现指代表达理解任务的模型,能够在既需要完成指代性表达生成任务,又需要完成指代性表达理解任务的场景中,有效提升模型的集成度,从而能够有效提升计算机***的资源利用率。
图6是本公开一示例性实施例示出的一种图像处理装置的框图,如图6所示,所述装置可以包括:
获取模块601,被配置为获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本;
确定模块602,被配置为将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。
以上技术方案,通过该目标图像处理模型集成指代性表达生成和指代性表达理解两个任务,能够在既需要完成指代性表达生成任务,又需要完成指代性表达理解任务的场景中,有效提升模型的集成度,从而能够有效提升计算机***的资源利用率。
可选地,所述目标图像处理模型包括视觉编码器,文本编码器,融合编码器,位置检测网络和文本预测网络,所述视觉编码器的输出端与所述融合编码器的输入端耦合,所述文本编码器的输出端与所述融合编码器的输入端耦合,所述融合编码器的输出端与所述位置检测网络的输入端耦合,所述融合编码器的输出端还与所述文本预测网络的输入端耦合;
所述确定模块602,被配置为:
在所述图像描述信息为所述指定位置信息的情况下,将所述待检测图像和所述指定位置信息输入所述视觉编码器,以获取所述视觉编码器输出的图像特征和所述指代表达生成区域的区域位置特征;
获取预设的初始掩码文本,并将所述初始掩码文本输入所述文本编码器,以得到所述文本编码器输出的掩码文本特征;
通过所述融合编码器对所述图像特征,区域位置特征和所述掩码文本特征进行特征融合,以得到第一目标特征;
通过所述文本预测网络根据所述第一目标特征生成所述指代表达生成区域对应图像的指代表达文本。
可选地,所述确定模块602,被配置为:
通过所述文本预测网络根据所述第一目标特征确定指代表达文本的第一个文字;
根据所述第一个文字更新所述初始掩码文本;
根据更新后的所述初始掩码文本,所述图像特征和所述区域位置特征确定所述指代表达文本中的其他文字,以得到所述指代表达文本。
可选地,所述确定模块602,还被配置为:
在所述图像描述信息为所述描述文本的情况下,将所述待检测图像输入所述视觉编码器,以获取所述视觉编码器输出的图像特征,并将所述描述文本输入所述文本编码器,以获取所述文本编码器输出的描述文本特征;
将所述图像特征和所述描述文本特征输入所述融合编码器,以获取所述融合编码器输出的第二目标特征;
将所述第二目标特征输入所述位置检测网络,以获取所述位置检测网络输出的所述指代表达对象在所述待检测图像中的目标位置。
可选地,所述融合编码器包括多个解码层和多个融合模块,所述多个解码层依次串联,且所述多个融合模块依次串联,所述多个解码层中的首个解码层的输入端作为所述融合编码器的输入端,所述多个解码层中最后一个解码层的输出端与首个融合模块的输入端耦合,所述多个融合模块中最后一个融合模块的输出端为所述融合编码器的输出端;
所述确定模块602,被配置为:
在所述图像描述信息为所述指定位置信息的情况下,通过所述多个解码层对所述区域位置特征和所述掩码文本特征进行融合,以得到第一融合特征;
通过所述首个融合模块对所述第一融合特征和所述区域位置特征进行注意力操作,以得到第一待定特征;
根据所述第一待定特征和所述区域位置特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第一目标特征。
可选地,所述确定模块602,被配置为:
针对所述多个融合模块中除所述首个融合模块之外的每个融合模块,对前一个融合模块输出的指定待定特征和所述区域位置特征进行注意力操作,以得到当前融合模块输出的目标待定特征;
将最后一个融合模块输出的所述目标待定特征作为所述第一目标特征。
可选地,所述确定模块602,被配置为:
在所述图像描述信息为所述描述文本的情况下,通过所述多个解码层对所述图像特征和所述描述文本特征进行融合,以得到第二融合特征;
通过所述多个融合模块对第二融合特征和所述图像特征进行融合,
以得到所述第二目标特征。
可选地,所述融合模块包括自注意力层,图像互注意力层,区域互注意力层以及区域预测层,所述自注意力层的输入端作为所述融合模块的输入端,所述自注意力层的输出端与所述图像互注意力层的输入端耦合,所述图像互注意力层的输出端与所述区域预测层的输入端耦合,所述图像互注意力层的输出端还与所述区域互注意力层的输入端耦合,所述区域预测层的输出端与所述区域互注意力层的输入端耦合,所述区域互注意力层的输出端作为所述融合模块的输出端;
所述确定模块602,被配置为:
通过所述自注意力层获取所述第一融合特征对应的第一注意力特征;
通过所述图像互注意力层对所述第一注意力特征和所述图像特征进行多头注意力操作,以得到第二注意力特征;
通过所述区域互注意力层对所述第二注意力特征和所述区域位置特征进行多头注意力操作,以得到第三注意力特征;
根据所述第三注意力特征确定所述第一待定特征。
可选地,所述确定模块602,被配置为:
通过所述首个融合模块对所述第二融合特征和所述图像特征进行注意力操作,以得到第二待定特征;
根据所述第二待定特征和所述图像特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第二待定特征;
根据所述第二待定特征和所述第二图像特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第二目标特征。
可选地,所述确定模块602,被配置为:
通过所述首个融合模块中的所述自注意力层对所述第二融合特征进行注意力操作,以得到第一目标注意力特征;
通过所述首个融合模块中的所述图像互注意力层对所述图像特征和所述第一目标注意力特征进行多头注意力操作,以得到第二目标注意力特征;
通过所述首个融合模块中的所述区域预测层根据所述第二目标注意力特征确定预测区域图像特征;
通过所述首个融合模块中的区域互注意力层对所述图像特征,所述第二目标注意力特征和所述预测区域图像特征进行多头注意力操作,以得到第三目标注意力特征;
根据所述第三目标注意力特征确定所述第二待定特征。
可选地,所述区域预测层为多层感知器网络,所述确定模块,被配置为:
通过所述多层感知器网络根据所述第二目标注意力特征中全文特征确定每个单位区域属于所述指代表达对象所在区域的目标概率;
将所述目标概率大于或者等于预设概率阈值的单位区域对应的图像特征作为所述预测区域图像特征。
可选地,所述图像处理装置还包括模型训练模块603,被配置为:
获取多个不同粒度的预训练数据集,所述预训练数据集包括多组训练数据,每组训练数据包括样本图像,指代表达生成样本区域以及所述指代表达生成样本区域对应的指代表达文本样本,所述指代表达文本样本包括预设掩码,以及所述预设掩码的文本标注数据;
以所述多个不同粒度的预训练数据集为训练数据,对预设初始模型进行预训练,以得到待定图像处理模型;
获取目标粒度的目标训练数据集,以所述目标训练数据集为训练数据,对所述待定图像处理模型进行精细化训练,以得到所述目标图像处理模型。
可选地,所述模型训练模块603,被配置为:
依次将多个不同粒度的预训练数据集中的每组训练数据输入所述预设初始模型,以获取所述训练数据对应的预测文本数据和预测边界数据;
根据所述预测文本数据和所述预设掩码的所述文本标注数据通过第一损失函数计算第一损失值;
根据所述预测边界数据和所述指代表达生成样本区域通过第二损失函数计算第二损失值,并根据标注的区域掩码和预测的区域掩码确定第三损失函数的第三损失值;
根据所述第二损失值和所述第三损失值通过第四损失函数确定第四损失值;
根据所述第一损失值和所述第四损失值对所述预设初始模型进行迭代训练,以得到所述待定图像处理模型。
以上技术方案,通过用融合模块替换vanilla Transformer解码器层来扩展Transformer解码器,以弥合指代性表达生成和指代性表达理解之间的差距,通过指代性表达生成任务中生成伪输入区域(区域预测层输出的区域),以便以统一的方式在指代性表达生成和指代性表达理解之间共享相同的表示空间,从而能够有效实现对指代表达生成任务和指代表达理解任务的统一建模,达到保证识别结果准确性的同时提升模型集成度的效果。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)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装置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RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703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。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,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,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态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装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述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。在本公开中,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。而在本公开中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端可以利用诸如HTTP(HyperText Transfer Protocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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电子设备执行时,使得该电子设备:获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本;
将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。
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公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—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用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用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)——连接到用户计算机,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,图示了按照本公开各种实施例的***、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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取目标检测数据的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,示例1提供了一种图像处理方法,所述方法包括:
获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本;
将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述目标图像处理模型包括视觉编码器,文本编码器,融合编码器,位置检测网络和文本预测网络,所述视觉编码器的输出端与所述融合编码器的输入端耦合,所述文本编码器的输出端与所述融合编码器的输入端耦合,所述融合编码器的输出端与所述位置检测网络的输入端耦合,所述融合编码器的输出端还与所述文本预测网络的输入端耦合;
所述将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,包括:
在所述图像描述信息为所述指定位置信息的情况下,将所述待检测图像和所述指定位置信息输入所述视觉编码器,以获取所述视觉编码器输出的图像特征和所述指代表达生成区域的区域位置特征;
获取预设的初始掩码文本,并将所述初始掩码文本输入所述文本编码器,以得到所述文本编码器输出的掩码文本特征;
通过所述融合编码器对所述图像特征,区域位置特征和所述掩码文本特征进行特征融合,以得到第一目标特征;
通过所述文本预测网络根据所述第一目标特征生成所述指代表达生成区域对应图像的指代表达文本。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述通过所述文本预测网络根据所述第一目标特征确定所述指代表达生成区域对应图像的指代表达文本,包括:
通过所述文本预测网络根据所述第一目标特征确定指代表达文本的第一个文字;
根据所述第一个文字更新所述初始掩码文本;
根据更新后的所述初始掩码文本,所述图像特征和所述区域位置特征确定所述指代表达文本中的其他文字,以得到所述指代表达文本。
根据本公开的一个或多个实施例,示例4提供了示例2的方法,所述将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,还包括:
在所述图像描述信息为所述描述文本的情况下,将所述待检测图像输入所述视觉编码器,以获取所述视觉编码器输出的图像特征,并将所述描述文本输入所述文本编码器,以获取所述文本编码器输出的描述文本特征;
将所述图像特征和所述描述文本特征输入所述融合编码器,以获取所述融合编码器输出的第二目标特征;
将所述第二目标特征输入所述位置检测网络,以获取所述位置检测网络输出的所述指代表达对象在所述待检测图像中的目标位置。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,所述融合编码器包括多个解码层和多个融合模块,所述多个解码层依次串联,且所述多个融合模块依次串联,所述多个解码层中的首个解码层的输入端作为所述融合编码器的输入端,所述多个解码层中最后一个解码层的输出端与首个融合模块的输入端耦合,所述多个融合模块中最后一个融合模块的输出端为所述融合编码器的输出端;
所述通过所述融合编码器对所述图像特征,区域位置特征和所述掩码文本特征进行特征融合,以得到第一目标特征,包括:
在所述图像描述信息为所述指定位置信息的情况下,通过所述多个解码层对所述区域位置特征和所述掩码文本特征进行融合,以得到第一融合特征;
通过所述首个融合模块对所述第一融合特征和所述区域位置特征进行注意力操作,以得到第一待定特征;
根据所述第一待定特征和所述区域位置特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第一目标特征。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,所述根据所述第一待定特征和所述区域位置特征通过所述多个融合模块中除所述首个融合模块之外的融合模块确定所述第一目标特征,包括:
针对所述多个融合模块中除所述首个融合模块之外的每个融合模块,对前一个融合模块输出的指定待定特征和所述区域位置特征进行注意力操作,以得到当前融合模块输出的目标待定特征;
将最后一个融合模块输出的所述目标待定特征作为所述第一目标特征。
根据本公开的一个或多个实施例,示例7提供了示例5的方法,所述将所述图像特征和所述描述文本特征输入所述融合编码器,以获取所述融合编码器输出的第二目标特征,包括:
在所述图像描述信息为所述描述文本的情况下,通过所述多个解码层对所述图像特征和所述描述文本特征进行融合,以得到第二融合特征;
通过所述多个融合模块对第二融合特征和所述图像特征进行融合,以得到所述第二目标特征。
根据本公开的一个或多个实施例,示例8提供了示例7的方法,所述融合模块包括自注意力层,图像互注意力层,区域互注意力层以及区域预测层,所述自注意力层的输入端作为所述融合模块的输入端,所述自注意力层的输出端与所述图像互注意力层的输入端耦合,所述图像互注意力层的输出端与所述区域预测层的输入端耦合,所述图像互注意力层的输出端还与所述区域互注意力层的输入端耦合,所述区域预测层的输出端与所述区域互注意力层的输入端耦合,所述区域互注意力层的输出端作为所述融合模块的输出端;
所述通过所述首个融合模块对所述第一融合特征和所述区域位置特征进行注意力操作,以得到第一待定特征,包括:
通过所述自注意力层获取所述第一融合特征对应的第一注意力特征;
通过所述图像互注意力层对所述第一注意力特征和所述图像特征进行多头注意力操作,以得到第二注意力特征;
通过所述区域互注意力层对所述第二注意力特征和所述区域位置特征进行多头注意力操作,以得到第三注意力特征;
根据所述第三注意力特征确定所述第一待定特征。
根据本公开的一个或多个实施例,示例9提供了示例8的方法,所述通过所述多个融合模块对第二融合特征和所述图像特征进行融合,以得到所述第二目标特征,包括:
通过所述首个融合模块对所述第二融合特征和所述图像特征进行注意力操作,以得到第二待定特征;
根据所述第二待定特征和所述图像特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第二待定特征;
根据所述第二待定特征和所述第二图像特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第二目标特征。
根据本公开的一个或多个实施例,示例10提供了示例9的方法,所述通过所述首个融合模块对所述第二融合特征和所述图像特征进行注意力操作,以得到第二待定特征,包括:
通过所述首个融合模块中的所述自注意力层对所述第二融合特征进行注意力操作,以得到第一目标注意力特征;
通过所述首个融合模块中的所述图像互注意力层对所述图像特征和所述第一目标注意力特征进行多头注意力操作,以得到第二目标注意力特征;
通过所述首个融合模块中的所述区域预测层根据所述第二目标注意力特征确定预测区域图像特征;
通过所述首个融合模块中的区域互注意力层对所述图像特征,所述第二目标注意力特征和所述预测区域图像特征进行多头注意力操作,以得到第三目标注意力特征;
根据所述第三目标注意力特征确定所述第二待定特征。
根据本公开的一个或多个实施例,示例11提供了示例10的方法,所述区域预测层为多层感知器网络,所述通过所述首个融合模块中的所述区域预测层根据所述第二目标注意力特征确定预测区域图像特征,包括:
通过所述多层感知器网络根据所述第二目标注意力特征中全文特征确定每个单位区域属于所述指代表达对象所在区域的目标概率;
将所述目标概率大于或者等于预设概率阈值的单位区域对应的图像特征作为所述预测区域图像特征。
根据本公开的一个或多个实施例,示例12提供了示例1-11中任一项所述的方法,所述目标图像处理模型通过以下方式训练得到:
获取多个不同粒度的预训练数据集,所述预训练数据集包括多组训练数据,每组训练数据包括样本图像,指代表达生成样本区域以及所述指代表达生成样本区域对应的指代表达文本样本,所述指代表达文本样本包括预设掩码,以及所述预设掩码的文本标注数据;
以所述多个不同粒度的预训练数据集为训练数据,对预设初始模型进行预训练,以得到待定图像处理模型;
获取目标粒度的目标训练数据集,以所述目标训练数据集为训练数据,对所述待定图像处理模型进行精细化训练,以得到所述目标图像处理模型。
根据本公开的一个或多个实施例,示例13提供了示例12的方法,所述以所述多个不同粒度的预训练数据集为训练数据,对预设初始模型进行预训练,以得到待定图像处理模型,包括:
依次将多个不同粒度的预训练数据集中的每组训练数据输入所述预设初始模型,以获取所述训练数据对应的预测文本数据和预测边界数据;
根据所述预测文本数据和所述预设掩码的所述文本标注数据通过第一损失函数计算第一损失值;
根据所述预测边界数据和所述指代表达生成样本区域通过第二损失函数计算第二损失值,并根据标注的区域掩码和预测的区域掩码确定第三损失函数的第三损失值;
根据所述第二损失值和所述第三损失值通过第四损失函数确定第四损失值;
根据所述第一损失值和所述第四损失值对所述预设初始模型进行迭代训练,以得到所述待定图像处理模型。
根据本公开的一个或多个实施例,示例14提供了一种图像处理装置,所述装置包括:
获取模块,被配置为获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本;
确定模块,被配置为将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。
根据本公开的一个或多个实施例,示例15提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1-13中任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例16提供了一种电子设备,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1-13中任一项所述方法的步骤。
以上描述仅为本公开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,本公开中所涉及的公开范围,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公开构思的情况下,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。例如上述特征与本公开中公开的(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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (16)
1.一种图像处理方法,其特征在于,所述方法包括:
获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本;
将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。
2.根据权利要求1所述的方法,其特征在于,所述目标图像处理模型包括视觉编码器,文本编码器,融合编码器,位置检测网络和文本预测网络,所述视觉编码器的输出端与所述融合编码器的输入端耦合,所述文本编码器的输出端与所述融合编码器的输入端耦合,所述融合编码器的输出端与所述位置检测网络的输入端耦合,所述融合编码器的输出端还与所述文本预测网络的输入端耦合;
所述将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,包括:
在所述图像描述信息为所述指定位置信息的情况下,将所述待检测图像和所述指定位置信息输入所述视觉编码器,以获取所述视觉编码器输出的图像特征和所述指代表达生成区域的区域位置特征;
获取预设的初始掩码文本,并将所述初始掩码文本输入所述文本编码器,以得到所述文本编码器输出的掩码文本特征;
通过所述融合编码器对所述图像特征,区域位置特征和所述掩码文本特征进行特征融合,以得到第一目标特征;
通过所述文本预测网络根据所述第一目标特征生成所述指代表达生成区域对应图像的指代表达文本。
3.根据权利要求2所述的方法,其特征在于,所述通过所述文本预测网络根据所述第一目标特征确定所述指代表达生成区域对应图像的指代表达文本,包括:
通过所述文本预测网络根据所述第一目标特征确定指代表达文本的第一个文字;
根据所述第一个文字更新所述初始掩码文本;
根据更新后的所述初始掩码文本,所述图像特征和所述区域位置特征确定所述指代表达文本中的其他文字,以得到所述指代表达文本。
4.根据权利要求2所述的方法,其特征在于,所述将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,还包括:
在所述图像描述信息为所述描述文本的情况下,将所述待检测图像输入所述视觉编码器,以获取所述视觉编码器输出的图像特征,并将所述描述文本输入所述文本编码器,以获取所述文本编码器输出的描述文本特征;
将所述图像特征和所述描述文本特征输入所述融合编码器,以获取所述融合编码器输出的第二目标特征;
将所述第二目标特征输入所述位置检测网络,以获取所述位置检测网络输出的所述指代表达对象在所述待检测图像中的目标位置。
5.根据权利要求4所述的方法,其特征在于,所述融合编码器包括多个解码层和多个融合模块,所述多个解码层依次串联,且所述多个融合模块依次串联,所述多个解码层中的首个解码层的输入端作为所述融合编码器的输入端,所述多个解码层中最后一个解码层的输出端与首个融合模块的输入端耦合,所述多个融合模块中最后一个融合模块的输出端为所述融合编码器的输出端;
所述通过所述融合编码器对所述图像特征,区域位置特征和所述掩码文本特征进行特征融合,以得到第一目标特征,包括:
在所述图像描述信息为所述指定位置信息的情况下,通过所述多个解码层对所述区域位置特征和所述掩码文本特征进行融合,以得到第一融合特征;
通过所述首个融合模块对所述第一融合特征和所述区域位置特征进行注意力操作,以得到第一待定特征;
根据所述第一待定特征和所述区域位置特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第一目标特征。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一待定特征和所述区域位置特征通过所述多个融合模块中除所述首个融合模块之外的融合模块确定所述第一目标特征,包括:
针对所述多个融合模块中除所述首个融合模块之外的每个融合模块,对前一个融合模块输出的指定待定特征和所述区域位置特征进行注意力操作,以得到当前融合模块输出的目标待定特征;
将最后一个融合模块输出的所述目标待定特征作为所述第一目标特征。
7.根据权利要求5所述的方法,其特征在于,所述将所述图像特征和所述描述文本特征输入所述融合编码器,以获取所述融合编码器输出的第二目标特征,包括:
在所述图像描述信息为所述描述文本的情况下,通过所述多个解码层对所述图像特征和所述描述文本特征进行融合,以得到第二融合特征;
通过所述多个融合模块对第二融合特征和所述图像特征进行融合,以得到所述第二目标特征。
8.根据权利要求7所述的方法,其特征在于,所述融合模块包括自注意力层,图像互注意力层,区域互注意力层以及区域预测层,所述自注意力层的输入端作为所述融合模块的输入端,所述自注意力层的输出端与所述图像互注意力层的输入端耦合,所述图像互注意力层的输出端与所述区域预测层的输入端耦合,所述图像互注意力层的输出端还与所述区域互注意力层的输入端耦合,所述区域预测层的输出端与所述区域互注意力层的输入端耦合,所述区域互注意力层的输出端作为所述融合模块的输出端;
所述通过所述首个融合模块对所述第一融合特征和所述区域位置特征进行注意力操作,以得到第一待定特征,包括:
通过所述自注意力层获取所述第一融合特征对应的第一注意力特征;
通过所述图像互注意力层对所述第一注意力特征和所述图像特征进行多头注意力操作,以得到第二注意力特征;
通过所述区域互注意力层对所述第二注意力特征和所述区域位置特征进行多头注意力操作,以得到第三注意力特征;
根据所述第三注意力特征确定所述第一待定特征。
9.根据权利要求8所述的方法,其特征在于,所述通过所述多个融合模块对第二融合特征和所述图像特征进行融合,以得到所述第二目标特征,包括:
通过所述首个融合模块对所述第二融合特征和所述图像特征进行注意力操作,以得到第二待定特征;
根据所述第二待定特征和所述图像特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第二待定特征;
根据所述第二待定特征和所述第二图像特征通过所述多个融合模块中除所述首个融合模块之外的其他融合模块确定所述第二目标特征。
10.根据权利要求9所述的方法,其特征在于,所述通过所述首个融合模块对所述第二融合特征和所述图像特征进行注意力操作,以得到第二待定特征,包括:
通过所述首个融合模块中的所述自注意力层对所述第二融合特征进行注意力操作,以得到第一目标注意力特征;
通过所述首个融合模块中的所述图像互注意力层对所述图像特征和所述第一目标注意力特征进行多头注意力操作,以得到第二目标注意力特征;
通过所述首个融合模块中的所述区域预测层根据所述第二目标注意力特征确定预测区域图像特征;
通过所述首个融合模块中的区域互注意力层对所述图像特征,所述第二目标注意力特征和所述预测区域图像特征进行多头注意力操作,以得到第三目标注意力特征;
根据所述第三目标注意力特征确定所述第二待定特征。
11.根据权利要求10所述的方法,其特征在于,所述区域预测层为多层感知器网络,所述通过所述首个融合模块中的所述区域预测层根据所述第二目标注意力特征确定预测区域图像特征,包括:
通过所述多层感知器网络根据所述第二目标注意力特征中全文特征确定每个单位区域属于所述指代表达对象所在区域的目标概率;
将所述目标概率大于或者等于预设概率阈值的单位区域对应的图像特征作为所述预测区域图像特征。
12.根据权利要求1-11任一项所述的方法,其特征在于,所述目标图像处理模型通过以下方式训练得到:
获取多个不同粒度的预训练数据集,所述预训练数据集包括多组训练数据,每组训练数据包括样本图像,指代表达生成样本区域以及所述指代表达生成样本区域对应的指代表达文本样本,所述指代表达文本样本包括预设掩码,以及所述预设掩码的文本标注数据;
以所述多个不同粒度的预训练数据集为训练数据,对预设初始模型进行预训练,以得到待定图像处理模型;
获取目标粒度的目标训练数据集,以所述目标训练数据集为训练数据,对所述待定图像处理模型进行精细化训练,以得到所述目标图像处理模型。
13.根据权利要求12所述的方法,其特征在于,所述以所述多个不同粒度的预训练数据集为训练数据,对预设初始模型进行预训练,以得到待定图像处理模型,包括:
依次将多个不同粒度的预训练数据集中的每组训练数据输入所述预设初始模型,以获取所述训练数据对应的预测文本数据和预测边界数据;
根据所述预测文本数据和所述预设掩码的所述文本标注数据通过第一损失函数计算第一损失值;
根据所述预测边界数据和所述指代表达生成样本区域通过第二损失函数计算第二损失值,并根据标注的区域掩码和预测的区域掩码确定第三损失函数的第三损失值;
根据所述第二损失值和所述第三损失值通过第四损失函数确定第四损失值;
根据所述第一损失值和所述第四损失值对所述预设初始模型进行迭代训练,以得到所述待定图像处理模型。
14.一种图像处理装置,其特征在于,所述装置包括:
获取模块,被配置为获取目标检测数据,所述目标检测数据包括待检测图像和所述待检测图像的图像描述信息,所述图像描述信息为所述待检测图像中指代表达生成区域的指定位置信息,或者为所述待检测图像中指代表达对象的描述文本;
确定模块,被配置为将所述目标检测数据输入目标图像处理模型,以获取所述目标图像处理模型输出的图像处理结果,其中,所述目标图像处理模型,用于在所述图像描述信息为所述指定位置信息的情况下,输出所述指代表达生成区域对应图像的指代表达文本,在所述图像描述信息为所述描述文本的情况下,输出所述指代表达对象在所述待检测图像中的目标位置。
15.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-13中任一项所述方法的步骤。
16.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-13中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204451.8A CN115578570A (zh) | 2022-09-29 | 2022-09-29 | 图像处理方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204451.8A CN115578570A (zh) | 2022-09-29 | 2022-09-29 | 图像处理方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578570A true CN115578570A (zh) | 2023-01-06 |
Family
ID=84582985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211204451.8A Pending CN115578570A (zh) | 2022-09-29 | 2022-09-29 | 图像处理方法、装置、可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578570A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830039A (zh) * | 2023-02-09 | 2023-03-21 | 阿里巴巴(中国)有限公司 | 图像处理方法以及装置 |
CN116543076A (zh) * | 2023-07-06 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN117671517A (zh) * | 2023-12-05 | 2024-03-08 | 长安大学 | 基于大规模预训练神经网络的遥感图像识别方法 |
-
2022
- 2022-09-29 CN CN202211204451.8A patent/CN115578570A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830039A (zh) * | 2023-02-09 | 2023-03-21 | 阿里巴巴(中国)有限公司 | 图像处理方法以及装置 |
CN115830039B (zh) * | 2023-02-09 | 2023-05-23 | 阿里巴巴(中国)有限公司 | 图像处理方法以及装置 |
CN116543076A (zh) * | 2023-07-06 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN116543076B (zh) * | 2023-07-06 | 2024-04-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN117671517A (zh) * | 2023-12-05 | 2024-03-08 | 长安大学 | 基于大规模预训练神经网络的遥感图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578570A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
JP2024526065A (ja) | テキストを認識するための方法および装置 | |
CN111915480B (zh) | 生成特征提取网络的方法、装置、设备和计算机可读介质 | |
CN113313064A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN112883967B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
JP2022078310A (ja) | 画像分類モデル生成方法、装置、電子機器、記憶媒体、コンピュータプログラム、路側装置およびクラウド制御プラットフォーム | |
CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN113947147A (zh) | 目标地图模型的训练方法、定位方法及相关装置 | |
CN116166271A (zh) | 代码生成方法、装置、存储介质及电子设备 | |
CN115294501A (zh) | 视频识别方法、视频识别模型训练方法、介质及电子设备 | |
CN116310582A (zh) | 分类模型训练方法、图像分类方法、装置、介质及设备 | |
CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112883966A (zh) | 图像字符识别方法、装置、介质及电子设备 | |
CN115908640A (zh) | 生成图像的方法、装置、可读介质及电子设备 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN115640815A (zh) | 翻译方法、装置、可读介质及电子设备 | |
CN114067327A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
CN113140012A (zh) | 图像处理方法、装置、介质及电子设备 | |
CN111797263A (zh) | 图像标签生成方法、装置、设备和计算机可读介质 | |
CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN115984868A (zh) | 文本处理方法、装置、介质及设备 | |
CN116258911A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN115760607A (zh) | 图像修复方法、装置、可读介质以及电子设备 | |
CN115375655A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 |
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 |