申请/专利权人：深圳须弥云图空间科技有限公司

申请日：2023-12-22

公开（公告）日：2024-04-16

公开（公告）号：CN117893861A

主分类号：G06V10/80

分类号：G06V10/80;G06V10/764;G06V10/10;G06V10/82;G06N3/045;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本公开涉及图文处理技术领域，提供了一种图文处理方法及装置。该方法包括：对文本数据和图像数据进行特征提取，得到对应的特征向量；对文本数据对应的特征向量和图像数据对应的全局特征向量进行多模态融合，再以分区的方式对图像数据进行特征提取并预测分类，得到多个分类结果文本特征向量；对两种向量进行多模态融合，得到局部图文融合特征向量；对全局图文融合特征向量和局部图文融合特征向量进行特征拼接，并进行自注意力学习，得到图文匹配特征向量，提升了对大规模图片数据和文本数据多模态表征的学习效果，解决了由于视觉特征和文本特征的维度不同，导致提升了模态编码器学习图像与文本之间的交互难度的问题。

主权项：1.一种图文处理方法，其特征在于，包括：获取待识别对象的数据，所述待识别对象的数据包含文本数据和图像数据，对所述文本数据进行特征提取，得到所述文本数据对应的特征向量，对所述图像数据进行特征提取，得到所述图像数据对应的全局特征向量；对所述文本数据对应的特征向量和所述图像数据对应的全局特征向量进行多模态融合，得到所述待识别对象的数据对应的全局图文融合特征向量；以分区的方式对所述图像数据进行特征提取，得到所述图像数据对应的多个局部图片特征向量；对所述图像数据对应的多个局部图片特征向量进行预测分类，得到所述图像数据对应的多个分类结果文本数据；对所述图像数据对应的多个分类结果文本数据进行特征提取，得到所述图像数据对应的多个分类结果文本特征向量；对所述图像数据对应的多个局部图片特征向量和所述图像数据对应的多个分类结果文本特征向量进行多模态融合，得到所述待识别对象的数据对应的局部图文融合特征向量；对所述待识别对象的数据对应的全局图文融合特征向量和所述待识别对象的数据对应的局部图文融合特征向量进行特征拼接，并将拼接结果进行自注意力学习，得到所述待识别对象的数据对应的图文匹配特征向量。

全文数据：

权利要求：

百度查询： 深圳须弥云图空间科技有限公司 一种图文处理方法及装置

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