申请/专利权人:浪潮电子信息产业股份有限公司
申请日:2024-02-20
公开(公告)日:2024-03-22
公开(公告)号:CN117746441A
主分类号:G06V30/19
分类号:G06V30/19;G06V30/18;G06V20/40;G06V10/82;G06N3/0464;G06N3/084;G06N5/022
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.09#实质审查的生效;2024.03.22#公开
摘要:本发明涉及计算机视觉领域,具体公开了一种视觉语言理解方法、装置、设备及可读存储介质,通过在训练视觉理解模型时根据样本数据集通过视觉模态和文本模态之间的互信息构建视觉文本跨模态共识信息,以进行基于视觉文本跨模态共识信息的视觉文本跨模态编码,以视觉文本跨模态共识信息为桥梁将视觉语言中蕴含的知识学习到模型中,使模型更好地理解图像或视频的内容和上下文信息,引导模型聚焦图像或视频与其对应的语言信息中的重要部分,解决了传统视觉语言模型或视频语言模型均存在的由视觉模态和文本模态语义不对齐导致的学习损失较大的问题,提升了计算机视觉的视频语言理解能力,进而精确响应视觉语言相关问题。
主权项:1.一种视觉语言理解方法,其特征在于,包括:获取初始视觉模型和样本数据集;根据待处理视觉理解任务的任务目标对所述初始视觉模型进行损失优化训练,并在训练中根据所述样本数据集搜索视觉模态和文本模态的视觉文本跨模态共识信息以进行基于视觉文本跨模态共识信息的视觉文本跨模态编码,直至达到迭代结束条件,输出视觉理解模型;响应于所述待处理视觉理解任务,调用所述视觉理解模型对输入的视觉信息进行处理,得到视觉理解结果;其中,所述样本数据集为具有文本标注的图像数据集,所述视觉理解模型为图像语言模型;或,所述样本数据集为具有文本标注的视频数据集,所述视觉理解模型为视频语言模型;所述视觉文本跨模态共识信息通过视觉模态和文本模态之间的互信息构建。
全文数据:
权利要求:
百度查询: 浪潮电子信息产业股份有限公司 一种视觉语言理解方法、装置、设备及可读存储介质
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。