申请/专利权人：中博信息技术研究院有限公司;海南大学

申请日：2023-12-29

公开（公告）日：2024-04-09

公开（公告）号：CN117851565A

主分类号：G06F16/332

分类号：G06F16/332;G06V30/413;G06V30/19;G06V10/82;G06N3/0442;G06N3/0455;G06N3/0464;G06N3/0895

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了基于多源交互的文本视觉问答方法及系统，涉及文本视觉问答技术领域，包括：从数据集中收集数据信息，构造假关系对；利用图像类别、OCR问题、问题上下文、物体类别分别训练图像编码器、OCR编码器、问题编码器、物体编码器；通过真关系对与假关系对进行多模态对比学习；对齐多模态编码器语义关系；整合多模态编码器，使用迭代解码预测答案；基于预测的答案，校正编解码器参数，获取最优模型。本发明采用多源交互的方式主动融合来源于图片分支、问题分支、OCR分支的信息。问题分支的信息可以提供准确无误的引导，帮助OCR分支排除可能存在的检测错误或识别错误。

主权项：1.基于多源交互的文本视觉问答方法，其特征在于，包括：从数据集中收集数据信息，构造假关系对；利用图像类别、OCR问题、问题上下文、物体类别分别训练图像编码器、OCR编码器、问题编码器、物体编码器；通过真关系对与假关系对进行多模态对比学习，对齐多模态编码器语义关系；整合多模态编码器，使用迭代解码预测答案；基于预测的答案，校正编解码器参数，获取最优模型。

全文数据：

权利要求：

百度查询： 中博信息技术研究院有限公司;海南大学 基于多源交互的文本视觉问答方法及系统

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD