申请/专利权人:西安电子科技大学广州研究院;琶洲实验室(黄埔)
申请日:2024-02-28
公开(公告)日:2024-06-18
公开(公告)号:CN118211657A
主分类号:G06N5/04
分类号:G06N5/04;G06V20/70;G06V10/82;G06N3/0455;G06N3/08
优先权:
专利状态码:在审-公开
法律状态:2024.06.18#公开
摘要:本发明公开了一种基于关系对齐的视觉问答方法、装置、设备、介质及产品,包括:获取大规模数据集中图像的视觉目标特征、文本目标标签、语言特征、视觉关系特征和文本关系标签,对预设模型的编码器进行预训练任务的学习,得到预训练完成的模型参数;其中预训练任务包括实体对齐任务、关系对齐任务、全局对齐任务和跨模态对齐任务,分别用于预训练编码器中的物体编码器、关系编码器、语言编码器和跨模态编码器;根据参数进行视觉问答模型的微调,修改问题的输入方式并对视觉问答训练样本进行训练,得到目标视觉问答模型;输入待测图像和问题文本到目标视觉问答模型,得到视觉问答结果。采用本发明实施例,能够学习关系信息,提高视觉问答的准确性。
主权项:1.一种基于关系对齐的视觉问答方法,其特征在于,包括:获取大规模数据集和视觉问答训练样本;根据所述大规模数据集中的图像,获取所述图像的视觉目标特征、文本目标标签、语言特征、视觉关系特征和文本关系标签;根据所述视觉目标特征、所述文本目标标签、所述语言特征、所述视觉关系特征和所述文本关系标签,对预设Transformer-Based模型的编码器进行预训练任务的学习,得到预训练完成的Transformer-Based模型参数;其中,所述预训练任务包括实体对齐任务、关系对齐任务、全局对齐任务和跨模态对齐任务,分别用于预训练所述编码器中的物体编码器、关系编码器、语言编码器和跨模态编码器;根据所述参数进行视觉问答模型的微调,修改问题的输入方式并对所述视觉问答训练样本进行训练,得到目标视觉问答模型;输入待测图像和问题文本到所述目标视觉问答模型,得到视觉问答结果。
全文数据:
权利要求:
百度查询: 西安电子科技大学广州研究院;琶洲实验室(黄埔) 基于关系对齐的视觉问答方法、装置、设备、介质及产品
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。