视觉场景文本融合模型的预训练和图文检索方法及装置与流程

1.本公开涉及人工智能技术领域，具体涉及深度学习、图像处理和计算机视觉技术领域。


背景技术：

2.随着人工智能技术的发展，检索的形式越来越多样化。其中，图文检索是目前已有检索形式中的重要一种。图文检索的任务形式可以是给定一个搜索文本，从图像库中选出与搜索文本最相关的图像，或者还可以是给定一张图像，从文本库中选出与所给定的图像最相关的文本。在图文检索场景下，如何精准的完成检索任务至关重要。


技术实现要素：

3.本公开提供了一种视觉场景文本融合模型的预训练和图文检索方法及装置。
4.根据本公开的一方面，提供了一种视觉场景文本融合模型的预训练方法，其中，视觉场景文本融合模型包括文本编码网络和视觉场景编码网络，所述视觉场景编码网络包括视觉编码子网络和场景编码子网络，所述方法包括：
5.获取样本图文对；其中，所述样本图文对包括样本图像和样本文本；
6.提取所述样本图像中的样本场景文本；
7.将所述样本文本输入所述文本编码网络，得到样本文本特征；
8.将所述样本图像和初始的样本融合特征输入所述视觉编码子网络，以及将初始的样本融合特征和所述样本场景文本输入所述场景编码子网络，得到样本图像的全局图像特征和经学习的样本融合特征；
9.根据所述样本文本特征、所述样本图像的全局图像特征和经学习的样本融合特征，对所述视觉场景文本融合模型进行预训练。
10.根据本公开的另一方面，提供了一种视觉场景文本融合模型的训练方法，该方法包括：
11.获取业务方提供的业务图文对；所述业务图文对包括业务图像和业务文本；
12.将所述业务图像和所述业务文本作为训练数据，对视觉场景文本融合模型进行微调；其中，所述视觉场景文本融合模型基于本公开任一种视觉场景文本融合模型的预训练方法进行预训练得到。
13.根据本公开的另一方面，提供了一种视觉场景文本融合模型的图文检索方法，其中，视觉场景文本融合模型包括文本编码网络和视觉场景编码网络，所述视觉场景编码网络包括视觉编码子网络和场景编码子网络，所述方法包括：
14.获取待检索的目标文本；
15.提取候选图像中的候选场景文本；
16.将所述目标文本输入所述文本编码网络，得到目标文本特征；
17.将所述候选图像和初始的候选融合特征输入所述视觉编码子网络，以及将初始的
候选融合特征和所述候选场景文本输入所述场景编码子网络，得到所述候选图像的全局图像特征；
18.根据所述目标文本特征和所述候选图像的全局图像特征，从所述候选图像中确定目标图像。
19.根据本公开的又一方面，提供了一种视觉场景文本融合模型的预训练装置，其中，视觉场景文本融合模型包括文本编码网络和视觉场景编码网络，所述视觉场景编码网络包括视觉编码子网络和场景编码子网络，所述装置包括：
20.样本图文对获取模块，用于获取样本图文对；其中，所述样本图文对包括样本图像和样本文本；
21.样本场景文本提取模块，用于提取所述样本图像中的样本场景文本；
22.样本文本特征确定模块，用于将所述样本文本输入所述文本编码网络，得到样本文本特征；
23.样本全局特征确定模块，用于将所述样本图像和初始的样本融合特征输入所述视觉编码子网络，以及将初始的样本融合特征和所述样本场景文本输入所述场景编码子网络，得到样本图像的全局图像特征和经学习的样本融合特征；
24.模型预训练模块，用于根据所述样本文本特征、所述样本图像的全局图像特征和经学习的样本融合特征，对所述视觉场景文本融合模型进行预训练。
25.根据本公开的又一方面，提供了一种视觉场景文本融合模型的训练装置，包括：
26.业务图文对获取模块，用于获取业务方提供的业务图文对；所述业务图文对包括业务图像和业务文本；
27.微调模块，用于将所述业务图像和所述业务文本作为训练数据，对视觉场景文本融合模型进行微调；其中，所述视觉场景文本融合模型基于本公开任一种视觉场景文本融合模型的预训练装置得到。
28.根据本公开的又一方面，提供了一种视觉场景文本融合模型的图文检索装置，其中，视觉场景文本融合模型包括文本编码网络和视觉场景编码网络，所述视觉场景编码网络包括视觉编码子网络和场景编码子网络，所述装置包括：
29.目标文本获取模块，用于获取待检索的目标文本；
30.候选场景文本提取模块，用于提取候选图像中的候选场景文本；
31.目标文本特征确定模块，用于将所述目标文本输入所述文本编码网络，得到目标文本特征；
32.候选全局特征确定模块，用于将所述候选图像和初始的候选融合特征输入所述视觉编码子网络，以及将初始的候选融合特征和所述候选场景文本输入所述场景编码子网络，得到所述候选图像的全局图像特征；
33.目标图像确定模块，用于根据所述目标文本特征和所述候选图像的全局图像特征，从所述候选图像中确定目标图像。
34.根据本公开的又一方面，提供了一种电子设备，该电子设备包括：
35.至少一个处理器；以及
36.与所述至少一个处理器通信连接的存储器；其中，
37.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一
个处理器执行，以使所述至少一个处理器能够执行本公开任一实施例所述的视觉场景文本融合模型的预训练方法、训练方法或图文检索方法。
38.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行本公开任一实施例所述的视觉场景文本融合模型的预训练方法、训练方法或图文检索方法。
39.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
40.附图用于更好地理解本方案，不构成对本公开的限定。其中：
41.图1是根据本公开实施例提供的一种视觉场景文本融合模型的预训练方法的流程图；
42.图2a是根据本公开实施例提供的另一种视觉场景文本融合模型的预训练方法的流程图；
43.图2b是根据本公开实施例提供的一种视觉场景文本融合模型的示意图；
44.图2c是根据本公开实施例提供的一种样本融合特征的确定过程示意图；
45.图3是根据本公开实施例提供的又一种视觉场景文本融合模型的预训练方法的流程图；
46.图4是根据本公开实施例提供的一种视觉场景文本融合模型的图文检索方法的流程图；
47.图5是根据本公开实施例提供的一种视觉场景文本融合模型的预训练装置的结构示意图；
48.图6是根据本公开实施例提供的一种视觉场景文本融合模型的训练装置的结构示意图；
49.图7是根据本公开实施例提供的一种视觉场景文本融合模型的图文检索装置的结构示意图；
50.图8是用来实现本公开实施例的视觉场景文本融合模型的预训练方法、训练方法或图文检索方法的电子设备的框图。
具体实施方式
51.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
52.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。其次，本公开的说明书和权利要求书及上述附图中的术语“样本”、“候选”等是用于区别不同阶段的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外
的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
53.在图文跨模态检索过程中，图像中的场景文本对理解图像的视觉语义信息具有积极价值，相关技术中的图文跨模态检索未充分利用场景文本信息。然而，只有部分图像中存在场景文本，还有部分图像中没有场景文本，如果直接将场景文本信息增加到图像跨模态检索过程中，将导致没有场景文本的图文检索性能下降。
54.基于上述问题，本公开提出了一种效果显著的视觉场景文本融合(vision and scene text aggregation，vista)模型，用于处理存在场景文本和不存在场景文本情况下的跨模态检索任务。vista模型完全采用变形器(transformer)设计，通过视觉编码和场景编码共享融合特征，使得视觉编码过程中引入场景文本。为了解决场景文本缺失问题，我们进一步提出了融合文本对比损失和图像文本对比损失的双重对比监督。与相关技术中的跨模态检索相比，vista能够将场景文本语义与视觉特征融合在一起，并且能够解决没有场景文本情况下的检索性能下降问题。
55.本公开的贡献至少包括如下几个方面：1)提出了一种完全采用变形器的网络架构，可以有效地对视觉图像和场景文本进行融合，该架构适用于存在场景文本的情况和不存在场景文本的情况；2)通过视觉编码子网络和场景编码子网络通过共享融合特征，对视觉、场景文本的相关信息进行交换，并通过双重对比损失增强视觉特征；3)经研究发现，vista模型的性能远优于相关技术中的图文跨模态检索方法。
56.图1是根据本公开实施例提供的一种视觉场景文本融合模型的预训练方法的流程图。本实施例适用于如何对视觉场景文本融合模型进行预训练的情况。该方法可以由视觉场景文本融合模型的预训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于承载视觉场景文本融合模型的预训练功能的电子设备中。可选的，视觉场景文本融合模型包括文本编码网络和视觉场景编码网络，视觉场景编码网络包括视觉编码子网络和场景编码子网络。如图1所示，本实施例的视觉场景文本融合模型的预训练方法可以包括：
57.s101，获取样本图文对。
58.本实施例中，样本图文对是用于对视觉场景文本融合模型进行预训练的样本数据。可选的，每一个样本图文对中包括一个样本图像和一个样本文本，样本文本用于对样本图像中的图像内容进行描述。以吃汉堡图像为例，样本文本可以为一位年轻人在吃汉堡。
59.可选的，可以用从互联网等中抓取大量的样本图文对，来对视觉场景文本融合模型进行预训练。考虑到实际场景中的图像存在具有场景文本和不具有场景文本两种情况，为了使视觉场景文本融合模型能够同时适用于具有场景文本的图文检索场景，还适用于不具有场景文本的图文检索场景，本实施例中的样本图像可为具有场景文本的图像，也可为不具有场景文本的图像。
60.s102，提取样本图像中的样本场景文本。
61.本实施例中，样本场景文本是指样本图像中存在的文本。
62.具体的，可以基于光学字符识别(optical character recognition，ocr)技术，对样本图像进行处理，得到样本图像中的样本场景文本；进一步的，还可以得到样本场景文本
在样本图像中的图位置编码信息。需要说明的是，样本图像中可以包括一个或多个样本场景文本；对于每一样本场景文本，可以包括一个词语或多个词语。
63.需要说明的是，针对没有场景文本的样本图像，从该样本图像中提取的样本场景文本为空文本。
64.s103，将样本文本输入文本编码网络，得到样本文本特征。
65.本实施例中，样本文本特征是指样本文本的语义特征，可以采用矩阵或向量形式表示。
66.具体的，可以将样本文本输入至文本编码网络，经过文本编码网络处理，得到样本文本特征，即文本token。
67.s104，将样本图像和初始的样本融合特征输入视觉编码子网络，以及将初始的样本融合特征和样本场景文本输入场景编码子网络，得到样本图像的全局图像特征和经学习的样本融合特征。
68.本实施例中，样本融合特征用于表征图像和场景文本之间的相关性特征，即融合token，可以采用矩阵或向量形式；需要说明的是，初始的样本融合特征可以预先设定，在模型预训练、模型微调过程中，样本融合特征可动态学习更新。所谓样本图像的全局图像特征通过从全局角度，对样本图像进行多模态特征提取得到，可称为图像token。
69.具体的，可以将样本图像和初始的样本融合特征输入视觉场景编码网络中的视觉编码子网络，以及将初始的样本融合特征和样本场景文本输入视觉编码网络中的场景编码子网络，由视觉编码子网络和场景编码子网络配合处理，得到视觉编码场景网络输出的样本图像的全局图像特征和经学习的样本融合特征。
70.s105，根据样本文本特征、样本图像的全局图像特征和经学习的样本融合特征，对视觉场景文本融合模型进行预训练。
71.一种可选方式，可以基于预先设定的损失函数，根据样本文本特征、样本图像的全局图像特征和经学习的样本融合特征，计算训练损失；并根据训练损失对视觉场景文本融合模型进行预训练，直到训练损失稳定在设定范围，或者训练次数达到设定次数，则停止预训练。其中，设定范围和设定次数可以由本领域技术人员根据实际需求设定。
72.本公开实施例的技术方案，通过将样本图文对中的样本文本输入文本编码网络，得到样本文本特征；以及将样本图文对中的样本图像和初始的样本融合特征输入视觉编码子网络，将初始的样本融合特征和从样本图像中提取的样本场景文本输入场景编码子网络，得到样本图像的全局图像特征和经学习的样本融合特征，进而根据样本文本特征、样本图像的全局图像特征和经学习的样本融合特征，对视觉场景文本融合模型进行预训练。上述技术方案，引入样本融合特征、样本图像的全局图像特征和样本文本特征对视觉场景文本融合模型进行预训练，使得无论输入的图像是否有场景文本，均可以准确地输出图像的全局图像特征，从而使得视觉场景文本融合模型可以支持在大范围图文集下的检索任务，也就是说，视觉场景文本融合模型不仅适用于有场景文本情况下的跨模态检索，同样适用于没有场景文本情况下的跨模态检索；此外，本方案通过双编码结构即并行的文本编码网络和视觉场景编码网络，对图像和文本进行并行处理，可以提高跨模态检索效率。
73.在上述实施例的基础上，作为本公开的一种可选方式，将样本文本输入文本编码网络，得到样本文本特征可以是，对样本文本进行词嵌入，得到样本文本词向量；根据样本
文本的模态信息、样本文本的位置编码信息和样本文本词向量，确定样本文本的词编码结果；根据初始的样本文本特征和样本文本的词编码结果，构建样本文本的编码序列；将样本文本的编码序列输入文本编码网络，得到经学习的样本文本特征。
74.其中，所谓样本文本的模态信息即为预先设定的用于表征样本文本这一模态的编码信息，以区别于后续样本图像块的模态信息和样本场景文本的模态信息，例如，样本图像块的模态信息、样本场景文本的模态信息和样本文本的模态信息可依次用m0、m1和m2表示，即各模态的编码信息不同。样本文本的位置编码信息即为样本文本中的词语在样本文本中词序编码信息。
75.具体的，可以基于词嵌入技术，对样本文本进行处理，得到样本文本中每一词语的向量，即样本文本词向量。
76.并且，对于样本文本中的每一词语，可以基于一定的规则，将样本文本的模态信息、该词语的位置编码信息和该词语的样本文本词向量进行拼接，得到该词语的词编码结果。
77.在确定样本文本中各词语的词编码结果后，可以根据初始的样本文本特征和各词语的词编码结果，构建样本文本的编码序列。其中，初始的样本文本特征具体可以由初始的文本编码、样本文本的模态信息和样本文本的位置编码信息构成；可选的，初始的样本文本特征位于样本文本的编码序列的首位。
78.在确定样本文本的编码序列后，可以将样本文本的编码序列输入文本编码网络，得到经学习的样本文本特征。
79.可以理解的是，结合样本文本的模态信息、样本文本的位置编码信息和样本文本词向量等，来学习样本文本特征，使得最终所确定的样本文本特征更加准确。
80.在上述实施例的基础上，作为本公开的一种可选方式，将样本图像输入视觉编码子网络可以是，对样本图像进行分块，得到样本图像块序列；对样本图像块序列中的样本图像块进行线性投影，得到样本图像块的编码结果；根据样本图像块的模态信息和样本图像块的位置编码信息对样本图像块的编码结果进行处理，得到样本图像块经处理的编码结果；根据初始的全局图像特征和样本图像块经处理的编码结果，构建样本图像的编码序列；将样本图像的编码序列输入视觉编码子网络中的输入层。
81.本实施例中，所谓样本图像块的模态信息即为预先设定的用于表征样本图像这一模态的编码信息。所谓样本图像块的位置编码信息即为样本图像块的标识信息。
82.具体的，可以按照一定的尺寸，将样本图像分割成若干个(比如n块，n为正整数)大小相同的样本图像块，得到样本图像块序列，记为小相同的样本图像块，得到样本图像块序列，记为
83.在得到样本图像块序列后，针对样本图像块序列中的每一样本图像块，对该样本图像块进行线性投影，得到该样本图像块的编码结果。并且，可以基于一定的规则，将该样本图像块的编码结果、样本图像块的模态信息和样本图像块的位置编码信息进行拼接，得到该样本图像块经处理的编码结果。
84.在确定各样本图像块经处理的编码结果后，可以根据初始的全局图像特征和各样本图像块经处理的编码结果，构建样本图像的编码序列。其中，初始的全局图像特征具体可以由待学习的图像编码、样本图像块的模态信息和样本图像块的位置编码信息构成。可选
的，初始的全局图像特征位于样本图像的编码序列的首位。在确定样本图像的编码序列后，可以将样本图像的编码序列输入视觉编码子网络中的输入层。
85.可以理解的是，本公开通过使用图像分块线性投影的方式，确定样本图像块的编码结果，相比于采用检测器获取图像中图像块的编码结果而言，减少了计算复杂度，提高了效率；同时，结合样本图像块的模态信息、样本图像块的位置编码信息和初始的全局图像特征等，确定样本图像的编码序列，使得视觉编码子网络能够提取到样本图像中更加丰富的特征。
86.在上述实施例的基础上，作为本公开的一种可选方式，将样本场景文本输入场景编码子网络可以是，对样本场景文本进行词嵌入，得到样本场景文本向量；根据样本场景文本的图位置编码信息、样本场景文本的模态信息、样本场景文本的字位置编码信息和样本场景文本向量，确定样本图像场景文本的编码结果；根据初始的样本场景文本特征和样本图像场景文本的编码结果，构建样本场景文本的编码序列；将样本场景文本的编码序列输入场景编码子网络中的输入层。
87.本实施例中，所谓样本场景文本的模态信息即为预先设定的用于表征样本图像中场景文本这一模态的编码信息。所谓样本场景文本的字位置编码信息用于唯一标识样本场景文本中的文字的顺序。所谓样本场景文本的图位置编码信息即为样本场景文本在样本图像中的图像位置信息。
88.具体的，对于从样本图像中提取到的每一样本场景文本，可以基于词嵌入技术，对该样本场景文本进行处理，得到该样本场景文本的样本场景文本向量，记为embedding(o
word
)。
89.在确定该样本场景文本的样本场景文本向量后，可以基于一定的规则，将该样本场景文本的图位置编码信息(记为f
linear
(o
bbox
))、样本场景文本的模态信息(记为s
type
)、样本场景文本的字位置编码信息(记为s
token_id
)和样本场景文本向量(记为embedding(o
word
))进行拼接，得到该样本场景文本的编码结果(记为s0)。例如可以依次将图位置编码信息、样本场景文本的模态信息、样本场景文本的字位置编码信息和样本场景文本向量进行拼接，得到该样本场景文本的编码结果，例如，可以通过如下公式得到样本场景文本的编码结果：
90.s
init
＝embedding(o
word
)+f
linear
(o
bbox
)
91.s0＝s
init
+s
type
+s
token_id
92.其中，s0表示样本场景文本的编码结果，f
linear
(o
bbox
)表示图位置编码信息，embedding(o
word
)表示样本场景文本向量，s
type
表示样本场景文本的模态信息，s
token_id
表示样本场景文本的字位置编码信息。
93.在确定样本图像中各样本场景文本的编码结果后，可以根据初始的样本场景文本特征和各样本场景文本的编码结果，构建样本场景文本的编码序列。初始的样本场景文本特征具体可以由待学习的场景文本编码、样本场景文本的模态信息、样本场景文本的图位置编码信息和字位置编码信息构成；可选的，初始的样本场景文本特征位于样本场景文本的编码序列的首位。在确定样本场景文本的编码序列后，可以将样本场景文本的编码序列输入至场景编码子网络中的输入层。
94.可以理解的是，结合图位置编码信息、样本场景文本的模态信息、样本场景文本的字位置编码信息和初始的样本场景文本特征等，确定样本场景文本的编码序列，使得视觉
编码子网络能够提取到样本场景文本中更加丰富的特征。
95.图2a是根据本公开实施例提供的另一种视觉场景文本融合模型的训练方法的流程图；图2b是根据本公开实施例提供的一种视觉场景文本融合模型的示意图。本实施例在上述实施例的基础上，对“将样本图像和初始的样本融合特征输入视觉编码网络，以及将初始的样本融合特征和样本场景文本输入场景编码子网络，得到样本图像的样本图像的全局图像特征和经学习的样本融合特征”进一步优化，提供一种可选方案。如图2a所示，本实施例的视觉场景文本融合模型的训练方法可以包括：
96.s201，获取样本图文对。
97.其中，样本图文对包括样本图像和样本文本。
98.s202，提取样本图像中的样本场景文本。
99.s203，将样本文本输入文本编码网络，得到样本文本特征。
100.s204，将样本图像输入视觉编码子网络中的输入层，以及将初始的样本融合特征输入视觉编码子网络中的融合层，得到视觉编码子网络输出的样本图像的全局图像特征和视觉编码子网络输出的视觉融合特征。
101.s205，将样本场景文本输入场景编码子网络中的输入层，以及将初始的样本融合特征输入场景编码子网络中的融合层，得到场景编码子网络输出的场景融合特征。
102.s206，对视觉编码子网络输出的视觉融合特征和场景编码子网络输出的场景融合特征进行融合，得到经学习的样本融合特征。
103.s207，根据样本文本特征、样本图像的全局图像特征和经学习的样本融合特征，对视觉场景文本融合模型进行预训练。
104.本实施例中，视觉编码子网络可以由若干个transformer(变形器)层构成，场景编码子网络也可以由若干个transformer层构成；优选的，视觉编码子网络和场景编码子网络的网络结构即网络层数可以相同。
105.进一步的，视觉编码子网络可以包括至少一个融合层，场景编码子网络也可以包括至少一个融合层。可选的，视觉编码子网络中融合层的数量与场景编码子网络中融合层的数量相同；在视觉编码子网络和场景编码子网络的网络层数相同的情况下，视觉编码子网络中融合层所处的位置，与场景编码子网络中融合层所处的位置相同。
106.示例性的，在视觉编码子网络中，融合层之前视觉编码子网络中任意一个transformer层的学习过程可以通过如下公式表示：
107.y
l
←
mhsa(ln(v
l
))+v
l
[0108]vl+1
←
mlp(ln(y
l
))+y
l
，
[0109]
其中，v
l
表示第l层预测的图像特征(即图像token)，mhsa(
·
)指的是多头自注意力层，mlp(
·
)指的是多层感知层，ln(
·
)指的是层归一化，y
l
为中间变量；其中，l为正整数。
[0110]
在视觉编码子网络中，融合层之前场景编码子网络中的任意一个transformer层的学习过程可以通过如下公式表示：
[0111]
x
l
←
mhsa(ln(s
l
))+s
l
[0112]sl+1
←
mlp(ln(x
l
))+x
l
，
[0113]
其中，s
l
表示第l层的预测场景文本特征(即场景文本token)，x
l
为中间变量。
[0114]
在视觉编码子网络中，首个融合层根据初始的样本融合特征和从上一层接收的全局图像特征，输出新的全局图像特征和视觉融合特征；在场景编码子网络中，首个融合层根据初始的样本融合特征和从上一层接收的场景文本特征，输出新的场景文本特征和场景融合特征；对视觉编码子网络中首个融合层输出的视觉融合特征和场景编码子网络中首个融合层输出的场景融合特征进行融合，得到更经学习的样本融合特征。
[0115]
之后，在视觉编码子网络中，第二个融合层根据首个融合层输出的全局图像特征和更经学习的样本融合特征，输出新的全局图像特征和新的视觉融合特征；在场景编码子网络中，第二个融合层根据首个融合层输出的场景文本特征和更经学习的样本融合特征，输出新的场景文本特征和新的场景融合特征；对视觉编码子网络中第二个融合层输出的视觉融合特征和场景编码子网络中第二个融合层输出的场景融合特征进行融合，得到更经学习的样本融合特征。
[0116]
依次类推，在视觉编码子网络中，可以得到最后一个融合层(即输出层)输出的全局图像特征和视觉融合特征；在场景编码子网络中，可得到最后一个融合层(即输出层)输出的场景融合特征；对视觉编码子网络中最后一个融合层输出的视觉融合特征和场景编码子网络中最后一个融合层输出的场景融合特征进行融合，得到经学习的样本融合特征，作为样本融合特征的最终学习结果。
[0117]
示例性的，视觉编码子网络中的任一融合层的处理流程可以是：
[0118]ml
←
mhsa(ln([v
l
；f
l
]))+[v
l
；f
l
]
[0119]
[v
l+1
；v
fus
]
←
mlp(ln(m
l
))+m
l
，
[0120]
其中，v
fus
表示视觉编码子网络输出的视觉融合特征，m
l
为中间变量，f
l
为样本融合特征，即样本融合token。
[0121]
同理，场景编码子网络中的任一融合层的处理流程可以是：
[0122]nl
←
mhsa(ln([s
l
；f
l
]))+[s
l
；f
l
]
[0123]
[s
l+1
；s
fus
]
←
mlp(ln(n
l
))+n
l
，
[0124]
其中，s
l
表示第l层的场景文本特征，s
fus
表示是场景编码子网络输出的场景融合特征，n
l
为中间变量。
[0125]
结合图2b所示，假设视觉编码子网络由k个transformer层构成，场景编码子网络由k个transformer层构成；并且，视觉编码子网络中第k-1和第k个transformer层均作为融合层；场景编码子网络中第k-1和第k个transformer层均作为融合层。其中，k为大于2的正整数。
[0126]
样本图像的全局图像特征和经学习的样本融合特征可以通过如下过程确定：在视觉编码子网络中，将样本图像输入视觉编码子网络中的输入层，经过前k-2个transformer层学习，得到第k-2个transformer层所预测的全局图像特征。同理，在场景编码子网络中，将样本场景文本输入场景编码子网络中的输入层，经过前k-2个transformer层学习，得到第k-2个transformer层所预测的场景文本特征。
[0127]
如图2c所示，在视觉编码子网络中，将初始的样本融合特征和第k-2个transformer层预测得到的全局图像特征，输入视觉编码子网络中首个融合层，得到视觉编码子网络中首个融合层输出的全局图像特征和视觉融合特征；在场景编码子网络中，将初始的样本融合特征和第k-2个transformer层预测得到的场景文本特征，输入场景编码子网
络中的首个融合层，得到场景编码子网络中的首个融合层输出的场景文本特征和场景融合特征；对首个融合层所确定的视觉融合特征和场景融合特征进行融合，得到更经学习的样本融合特征。
[0128]
之后，在视觉编码子网络中，将更经学习的样本融合特征和视觉编码子网络中的首个融合层输出的全局图像特征，输入至视觉编码子网络中的第二个融合层，得到经学习的全局图像特征和新的视觉融合特征；在场景编码子网络中，将更经学习的样本融合特征和场景编码子网络中的首个融合层输出的场景文本特征，输入至场景编码子网络中的第二个融合层，得到场景融合特征；对第二个融合层所确定的视觉融合特征和场景融合特征进行融合，得到更经学习的样本融合特征，作为最终的样本融合特征。
[0129]
本公开实施例的技术方案，通过提取样本图文对中样本图像中的样本场景文本，并将样本图文对中样本文本输入文本编码网络，得到样本文本特征，之后将样本图像输入视觉编码子网络中的输入层，以及将初始的样本融合特征输入视觉编码子网络中的融合层，得到视觉编码子网络输出的样本图像的全局图像特征和视觉融合特征；并且，将样本场景文本输入场景编码子网络中的输入层，以及将初始的样本融合特征输入场景编码子网络中的融合层，得到场景编码子网络输出的场景融合特征，并对视觉融合特征和场景融合特征进行融合，得到经学习的样本融合特征，进而根据样本文本特征、样本图像的全局图像特征和经学习的样本融合特征，对视觉场景文本融合模型进行预训练。上述技术方案，引入在视觉编码子网络和场景编码子网络中分别引入融合层，使视觉场景编码网络可以充分学习场景文本特征，并采用场景文本特征预测全局图像特征，从而提高全局图像特征的准确性。
[0130]
图3是根据本公开实施例提供的又一种视觉场景文本融合模型的训练方法的流程图。本实施例在上述实施例的基础上，对“根据样本文本特征、样本图像的全局图像特征和经学习的样本融合特征，对视觉场景文本融合模型进行预训练”进一步优化，提供一种可选方案。如图3所示，本实施例的视觉场景文本融合模型的训练方法可以包括：
[0131]
s301，获取样本图文对。
[0132]
其中，样本图文对包括样本图像和样本文本。
[0133]
s302，提取样本图像中的样本场景文本。
[0134]
s303，将样本文本输入文本编码网络，得到样本文本特征。
[0135]
s304，将样本图像和初始的样本融合特征输入视觉编码子网络，以及将初始的样本融合特征和样本场景文本输入场景编码子网络，得到样本图像的全局图像特征和经学习的样本融合特征。
[0136]
s305，根据样本文本特征和经学习的样本融合特征，确定融合文本对比损失。
[0137]
具体的，对于n组样本图文对，可以构成n2个图像-文本特征对，或者n2个融合-文本特征对，则对比损失是最大化其中正确的n对数据间的相似度，最小化n
2-n对数据间的相似度，则定义融合文本对比损失为：
[0138][0139]
其中，
[0140]
[0141][0142]
其中，l
f2c
表示融合文本对比损失；fi表示第i组样本图文对经学习的样本融合特征；ti表示第i组样本图文对的样本文本特征；σ表示训练变量，初始可以设置为0.07。需要说明的是，n和i为正整数，i小于或等于n。
[0143]
s306，根据样本图像的全局图像特征和样本文本特征，确定图像文本对比损失。
[0144]
具体的，对于n组样本图文对，可以构成n2个图像-文本特征对，或者n2个全局-文本特征对，则对比损失是最大化其中正确的n对数据间的相似度，最小化n
2-n对数据间的相似度，则定义图像文本对比损失为：
[0145][0146]
其中，
[0147][0148][0149]
其中，l
itc
表示图像文本对比损失；vi表示第i组样本图文对对应的样本图像的全局图像特征；ti表示第i组样本图文对对应的样本文本特征；σ表示训练变量，初始可以设置为0.07。需要说明的是，n和i为正整数，i小于或等于n。
[0150]
s307，根据融合文本对比损失和图像文本对比损失，确定训练损失。
[0151]
具体的，可以对融合文本对比损失和图像文本对比损失进行加权求和，得到训练损失。例如可以通过如下公式确定训练损失：
[0152]
l
total
＝αl
itc
+(1-α)l
ftc
[0153]
其中，l
total
表示训练损失，l
ftc
表示融合文本对比损失，l
itc
表示图像文本对比损失，α表示一个参数，用于调整融合文本对比损失和图像文本对比损失之间的权重，优选的可以是0.9。
[0154]
s308，采用训练损失，对视觉场景文本融合模型进行预训练。
[0155]
本公开实施例的技术方案，通过提取样本图文对中样本图像中的样本场景文本，并将样本图文对中的样本文本输入文本编码网络，得到样本文本特征；以及将样本图文对中样本图像和初始的样本融合特征输入视觉编码子网络，以及将初始的样本融合特征和样本场景文本输入场景编码子网络，得到样本图像的全局图像特征和经学习的样本融合特征，进而根据样本文本特征和经学习的样本融合特征，确定融合文本对比损失，根据样本图像的全局图像特征和样本文本特征，确定图像文本对比损失，并根据融合文本对比损失和图像文本对比损失，确定训练损失，采用训练损失，对视觉场景文本融合模型进行预训练。上述技术方案，通过计算样本文本特征和经学习的样本融合特征之间的损失，以及样本图像的全局图像特征和样本文本特征之间的损失，即双重对比损失，使得在有场景文本的情况下，提升视觉场景文本融合模型的图文检索精度；进一步的，由于双重对比损失中包含样本图像的全局图像特征和样本文本特征之间的损失，即图像与文本之间的损失，即使在没有场景文本的情况下，也可以保证视觉场景文本融合模型的图文检索精度。
[0156]
在上述实施例的基础上，作为本公开的一种可选方式，根据融合文本对比损失和图像文本对比损失，确定训练损失可以是，确定样本场景文本是否为空文本；
[0157]
若所述样本场景文本为空文本，则将所述图像文本对比损失作为所述训练损失；否则，将所述融合文本对比损失与所述图像文本对比损失之和，作为训练损失。
[0158]
具体的，可以基于ocr技术确定样本场景文本是否为空文本，得到确定结果；若确定结果为空文本，则确定融合文本对比损失无效，将图像文本对比损失作为训练损失；若确定结果不为空文本，则确定融合文本对比损失有效，并根据融合文本对比损失和图像文本对比损失，确定训练损失。通过在样本场景文本为空文本的情况下，仅采用图像文本对比损失进行模型预训练，使得模型训练结果针对没有场景文本的图像仍然能够保持良好的性能。
[0159]
在上述实施例的基础上，分别采用场景文本感知检索任务和传统图文检索任务进行实验。其中，场景文本感知检索任务，即为图像中具有场景文本场景下的图文检索；传统图文检索任务，即为图像中没有场景文本场景下的图文检索。
[0160]
示例性的，在场景文本感知检索任务的过程中，采用ctc-1k、ctc-5k数据集进行实验，实验效果验证如表1。相较于现有的scan、vsrn、starnet等跨模态检索技术，本公开的视觉场景文本融合模型(即vista-s和vista-b)在ctc数据集上表现优越，以ctc-1k文本检索任务为例，本公开的视觉场景文本融合模型取得了7.4％的提升。在增大模型体量的情况下，本公开的视觉场景文本融合模型可以获得更高的性能。
[0161]
表1在ctc数据集上本公开技术方案与其他方法的性能对比
[0162][0163]
示例性的，在传统图文检索任务的过程中，采用flickr30k、coco-5k数据集进行实验，实验验证效果如表2。在相近耗时的情况下，本公开的视觉场景文本融合模型(即vista-b模型)相比于imram、gsmn、sgraf、vil-bert、unicoder-vl、uniter-b、ernie-vil-b、pixel-bert-x、soho、h xue et al.、pixel-bert-r、vilt-b等跨模态检索技术，具有更优异的性能；并且，在增大模型体量的情况下，本公开的视觉场景文本融合模型(即vista-l模型)可以和耗时较大的单塔模型可比。
[0164]
表2在flickr30k、coco-5k数据集上本公开的技术方案与其他方法的性能对比
[0165][0166]
综上，场景文本感知数据集、传统图文检索数据集实验验证了本公开的视觉场景文本融合模型的有效性，能够同时在有无场景文本的图文检索任务下取得公开指标最佳水平。
[0167]
需要说明的是，本公开通过图文对比预训练后得到的视觉场景文本融合模型可直接用于下游检索任务，也可以供任一业务方对预训练后的视觉场景文本融合模型进行微调，以满足实际业务需求。
[0168]
可选的，本公开实施例还提供了一种视觉场景文本融合模型的训练方法，具体包括：获取业务方提供的业务图文对；将业务图像和业务文本作为训练数据，对视觉场景文本融合模型进行微调；其中，视觉场景文本融合模型基于本公开任一种视觉场景文本融合模型的预训练方法得到。其中，业务图文对包括业务图像和业务文本，业务文本用于对业务图像中的图像内容进行描述。
[0169]
具体的，获取业务方的业务图文对，并将业务图文对作为训练数据；将训练数据输入视觉场景文本融合模型中，对视觉场景文本融合模型中的模型参数进行调整。
[0170]
可以理解的是，本实施例通过对预训练后的视觉场景文本融合模型进行微调，使得视觉场景文本融合模型更适用于实际业务场景。
[0171]
图4是根据本公开实施例提供的一种视觉场景文本融合模型的图文检索方法的流程图。本实施例适用于如何进行图文检索的情况。该方法可以由图文检索装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于承载图文检索功能的电子设备中。视觉场景文本融合模型包括文本编码网络和视觉场景编码网络，视觉场景编码网络包括视觉编码子网络和场景编码子网络。如图4所示，本实施例的视觉场景文本融合模型的图文检索方法可以包括：
[0172]
s401，获取待检索的目标文本。
[0173]
具体的，可以获取搜索需求方输入的目标文本。例如可以是，搜索需求方通过搜索交互界面，输入目标文本。
[0174]
s402，提取候选图像中的候选场景文本。
[0175]
本实施例中，所谓候选图像即为可供选择的图像，例如可以是待检索图像库中的部分或全部图像。所谓候选场景文本是指候选图像中的文本，可以包括一个或多个词语。
[0176]
具体的，可以基于光学字符识别(optical character recognition，ocr)技术，对
每一候选图像进行处理，以得到该候选图像中的候选场景文本，进一步的，还可与得到候选场景文本在该候选图像中的图位置编码信息。需要说明的是，候选图像中可以包括一个或多个候选场景文本；对于每一候选场景文本，可以包括一个或多个词语。
[0177]
s403，将目标文本输入文本编码网络，得到目标文本特征。
[0178]
本实施例中，目标文本特征是指目标文本的语义特征，可以采用矩阵或向量形式表示。具体的，可以将目标文本输入至文本编码网络，经过文本编码网络处理，得到目标文本特征。
[0179]
s404，将候选图像和初始的候选融合特征输入视觉编码子网络，以及将初始的候选融合特征和候选场景文本输入场景编码子网络，得到候选图像的全局图像特征。
[0180]
本实施例中，候选融合特征用于表征候选图像和文本之间的相关性特征，可以采用矩阵或向量形式；需要说明的是，初始的候选融合特征为预先设定的图像和文本之间的相关性特征。所谓候选图像的全局图像特征是指从全局角度所提取的候选图像的特征，可以采用矩阵或向量形式。
[0181]
具体的，可以将候选图像输入视觉编码子网络中的输入层，将初始的候选融合特征输入视觉编码子网络中的融合层，以及将候选场景文本输入场景编码子网络中的输入层，将初始的候选融合特征输入场景编码子网络中的融合层，由视觉编码子网络和场景编码子网络配合处理，得到候选图像的全局图像特征。
[0182]
需要说明的是，在模型的训练阶段，视觉场景编码网络能够充分学习到视觉和场景文本两者之间的相关性，进行全局图像特征的预测；因此，在模型的使用阶段，视觉场景编码网络输出的全局图像特征中融合了场景文本的相关特征。
[0183]
s405，根据目标文本特征和候选图像的全局图像特征，从候选图像中确定目标图像。
[0184]
具体的，对于每一候选图像，可以确定目标文本特征和该候选图像的全局图像特征之间的相似度；并且，根据相似度，从候选图像中确定目标图像，例如可以将相似度最大的候选图像，作为目标图像。
[0185]
需要说明的是，本实施例中的视觉场景文本融合模型可以通过本公开任一种视觉场景文本融合模型的预训练得到，也可以通过本公开任一种视觉场景文本融合模型的训练方法得到。
[0186]
本公开实施例的技术方案，通过提取候选图像中的候选场景文本，并将所获取的目标文本输入文本编码网络，得到目标文本特征，之后将候选图像和初始的候选融合特征输入视觉编码子网络，以及将初始的候选融合特征和候选场景文本输入场景编码子网络，得到候选图像的全局图像特征，进而根据目标文本特征和候选图像的全局图像特征，从候选图像中确定目标图像。上述技术方案，通过并行的文本编码网络和视觉场景编码网络，这种双编码结构的视觉场景文本融合模型来进行图文检索，提高了图文检索的效率；并且，通过引入融合特征，无论在有无场景文本的情况下，都可以有效学习到图像的全局图像特征，从而提高了图文检索的精度。
[0187]
在上述实施例的基础上，作为本公开的一种可选方式，将目标文本输入文本编码网络，得到目标文本特征可以是，对目标文本进行词嵌入，得到目标文本词向量；根据目标文本的模态信息、目标文本的位置编码信息和目标文本词向量，确定目标文本的词编码结
果；根据初始的目标文本特征和目标文本的词编码结果，构建目标文本的编码序列；将目标文本的编码序列输入文本编码网络，得到经处理的目标文本特征。
[0188]
本实施例中，目标文本的模态信息即为预先设定的用于表征文本这一模态的标识信息，其取值与样本文本的模态信息相同。所谓目标文本的位置编码信息即为目标文本中词语在目标文本中位置标识信息。
[0189]
具体的，可以基于词嵌入技术，对目标文本进行处理，得到目标文本中每一词语的向量，即目标文本词向量。
[0190]
之后，针对目标文本中的每一词语，可以基于一定的规则，将目标文本的模态信息、该词语的位置编码信息和该词语的目标文本词向量进行拼接，得到该词语的编码结果。
[0191]
在确定目标文本中各词语的编码结果后，可以根据初始的目标文本特征和各词语的编码结果，构建目标文本的编码序列。其中，初始的目标文本特征具体可由待学习的文本特征、目标文本的模态信息和位置编码信息构成；可选的，初始的目标文本特征位于目标文本的编码序列的首位。在确定目标文本的编码序列后，可以将目标文本的编码序列输入文本编码网络，得到目标文本特征。
[0192]
可以理解的是，结合目标文本的模态信息、位置编码信息和目标文本词向量等，确定目标文本特征，使得最终所确定的目标文本特征更加准确。
[0193]
在上述实施例的基础上，作为本公开的一种可选方式，将候选图像输入视觉编码子网络可以是，对候选图像进行分块，得到候选图像块序列；对候选图像块序列中的候选图像块进行线性投影，得到候选图像块的编码结果；根据候选图像块的模态信息和候选图像块的位置编码信息对候选图像块的编码结果进行处理，得到候选图像块经处理的编码结果；根据初始的全局图像特征和候选图像块经处理的编码结果，构建候选图像的编码序列；将候选图像的编码序列输入视觉编码子网络中的输入层。
[0194]
本实施例中，所谓候选图像块的模态信息即为预先设定的用于表征图像这一模态的标识信息，其取值可与样本图像的模态信息相同。所谓候选图像块的位置编码信息即为候选图像块的标识信息。
[0195]
具体的，可以按照一定的尺寸，将候选图像分割成若干个(比如n块，n为正整数)大小相同的候选图像块，得到候选图像块序列。
[0196]
在得到候选图像块序列后，对于候选图像块序列中的每一候选图像块，对该候选图像块进行线性投影，得到该候选图像块的编码结果。并且，可以基于一定的规则，将该候选图像块的编码结果、候选图像块的模态信息和候选图像块的位置编码信息进行拼接，得到该候选图像块经处理的编码结果。
[0197]
在确定各候选图像块经处理的编码结果后，可以根据初始的全局图像特征和各候选图像块经处理的编码结果，构建候选图像的编码序列，可以将候选图像的编码序列输入视觉编码子网络中的输入层。其中，初始的全局图像特征具体可以由待学习的图像编码、候选图像块的模态信息和候选图像块的位置编码信息构成。
[0198]
可以理解的是，本公开使用图像分块线性投影的方式，确定候选图像块的编码结果，相比于采用检测器来获取图像中图像块的编码结果而言，减少了计算复杂度，提高了效率；同时，结合候选图像块的模态信息、候选块的位置编码信息和初始的全局图像特征等，来确定候选图像的编码序列，使得视觉编码子网络能够提取到候选图像中更加丰富的特
征。
[0199]
在上述实施例的基础上，作为本公开的一种可选方式，将候选场景文本输入场景编码子网络可以是，对候选场景文本进行词嵌入，得到候选场景文本向量；根据候选场景文本的图位置编码信息、候选场景文本的模态信息、候选场景文本的字位置编码信息和候选场景文本向量，确定候选场景文本的编码结果；根据初始的候选场景文本特征和候选场景文本的编码结果，构建候选场景文本的编码序列；将候选场景文本的编码序列输入场景编码子网络中的输入层。
[0200]
本实施例中，候选场景文本的模态信息即为预先设定的用于表征场景文本这一模态的标识信息，其取值可与样本场景文本的模态信息相同。所谓候选场景文本的字位置编码信息用于唯一性标识候选场景文本中字的顺序。所谓候选场景文本的图位置编码信息用于唯一性标识候选场景文本在候选图像中的图像位置信息。
[0201]
具体的，针对从候选图像中提取到的每一候选场景文本，可以基于词嵌入技术，对该候选场景文本进行处理，得到该候选场景文本的候选场景文本向量。并且，可以基于一定的规则，将该候选场景文本的图位置编码信息、候选场景文本的模态信息、候选场景文本的字位置编码信息和候选场景文本向量进行拼接，得到该候选场景文本的编码结果。以及，可以根据初始的候选场景文本特征和各候选场景文本的编码结果，构建候选场景文本的编码序列，可以将候选场景文本的编码序列输入场景编码子网络中的输入层。其中，初始的候选场景文本特征具体可以由待学习的场景文本特征、候选场景文本的模态信息、候选场景文本的图位置编码信息和字位置编码信息构成。
[0202]
可以理解的是，结合候选场景文本的图位置编码信息、候选场景文本的模态信息、候选场景文本的字位置编码信息和初始的候选视觉特征等，来确定候选场景文本的编码序列，使得视觉编码子网络能够提取到候选场景文本中更加丰富的特征。
[0203]
图5是根据本公开实施例提供的一种视觉场景文本融合模型的预训练装置的结构示意图。本实施例适用于如何对视觉场景文本融合模型进行预训练的情况。该装置可以采用软件和/或硬件的方式实现，并可集成于承载视觉场景文本融合模型的预训练功能的电子设备中。可选的，视觉场景文本融合模型包括文本编码网络和视觉场景编码网络，视觉场景编码网络包括视觉编码子网络和场景编码子网络。如图5所示，本实施例的视觉场景文本融合模型的预训练装置500可以包括：
[0204]
样本图文对获取模块501，用于获取样本图文对；其中，样本图文对包括样本图像和样本文本；
[0205]
样本场景文本提取模块502，用于提取样本图像中的样本场景文本；
[0206]
样本文本特征确定模块503，用于将样本文本输入文本编码网络，得到样本文本特征；
[0207]
样本全局特征确定模块504，用于将所述样本图像和初始的样本融合特征输入所述视觉编码子网络，以及将初始的样本融合特征和所述样本场景文本输入所述场景编码子网络，得到样本图像的全局图像特征和经学习的样本融合特征；
[0208]
模型预训练模块505，用于根据所述样本文本特征、所述样本图像的全局图像特征和经学习的样本融合特征，对所述视觉场景文本融合模型进行预训练。
[0209]
本公开实施例的技术方案，通过将样本图文对中的样本文本输入文本编码网络，
得到样本文本特征；以及将样本图文对中的样本图像和初始的样本融合特征输入视觉编码子网络，将初始的样本融合特征和从样本图像中提取的样本场景文本输入场景编码子网络，得到样本图像的全局图像特征和经学习的样本融合特征，进而根据样本文本特征、样本图像的全局图像特征和经学习的样本融合特征，对视觉场景文本融合模型进行预训练。上述技术方案，引入样本融合特征、样本图像的全局图像特征和样本文本特征对视觉场景文本融合模型进行预训练，使得无论输入的图像是否有场景文本，均可以准确地输出图像的全局图像特征，从而使得视觉场景文本融合模型可以支持在大范围图文集下的检索任务，也就是说，视觉场景文本融合模型不仅适用于有场景文本情况下的跨模态检索，同样适用于没有场景文本情况下的跨模态检索；此外，本方案通过双编码结构即并行的文本编码网络和视觉场景编码网络，来对图像和文本进行并行处理，可以提高跨模态检索效率。
[0210]
进一步地，样本全局特征确定模块504具体用于：
[0211]
将样本图像输入视觉编码子网络中的输入层，以及将初始的样本融合特征输入视觉编码子网络中的融合层，得到视觉编码子网络输出的样本图像的全局图像特征和视觉编码子网络输出的视觉融合特征；
[0212]
将样本场景文本输入场景编码子网络中的输入层，以及将初始的样本融合特征输入场景编码子网络中的融合层，得到场景编码子网络输出的场景融合特征；
[0213]
对视觉编码子网络输出的视觉融合特征和场景编码子网络输出的场景融合特征进行融合，得到经学习的样本融合特征。
[0214]
进一步地，样本文本特征确定模块503具体用于：
[0215]
对样本文本进行词嵌入，得到样本文本词向量；
[0216]
根据样本文本的模态信息、样本文本的位置编码信息和样本文本词向量，确定样本文本的词编码结果；
[0217]
根据初始的样本文本特征和样本文本的词编码结果，构建样本文本的编码序列；
[0218]
将样本文本的编码序列输入文本编码网络，得到经学习的样本文本特征。
[0219]
进一步地，样本全局特征确定模块504具体用于：
[0220]
对样本图像进行分块，得到样本图像块序列；
[0221]
对样本图像块序列中的样本图像块进行线性投影，得到样本图像块的样本的编码结果；
[0222]
根据样本图像块的模态信息和样本图像块的位置编码信息述样本图像块的编码结果进行处理，得到样本图像块经处理的编码结果；
[0223]
根据初始的全局图像特征和样本图像块经处理的编码结果，构建样本图像的编码序列；
[0224]
将样本图像的编码序列输入视觉编码子网络中的输入层。
[0225]
进一步地，样本全局特征确定模块504具体用于：
[0226]
对样本场景文本进行词嵌入，得到样本场景文本向量；
[0227]
根据样本场景文本的图位置编码信息、样本场景文本的模态信息、样本场景文本的字位置编码信息和样本场景文本向量，确定样本场景文本的编码结果；
[0228]
根据初始的样本场景文本特征和样本场景文本的编码结果，构建样本场景文本的编码序列；
[0229]
将样本场景文本的编码序列输入场景编码子网络中的输入层。
[0230]
进一步地，模型预训练模块505，包括：
[0231]
融合对比损失单元，用于根据样本文本特征和经学习的样本融合特征，确定融合文本对比损失；
[0232]
图文对比损失单元，用于根据样本图像的全局图像特征和经学习的样本文本特征，确定图像文本对比损失；
[0233]
训练损失单元，用于根据融合文本对比损失和图像文本对比损失，确定训练损失；
[0234]
模型预训练单元，用于采用训练损失，对视觉场景文本融合模型进行预训练。
[0235]
进一步地，训练损失单元具体用于：
[0236]
确定样本场景文本是否为空文本；
[0237]
若样本场景文本为空文本，则将图像文本对比损失作为训练损失；否则，将融合文本对比损失与图像文本对比损失之和，作为训练损失。
[0238]
图6是根据本公开实施例提供的一种视觉场景文本融合模型的训练装置的结构示意图；该装置可以采用软件和/或硬件的方式实现，并可集成于承载视觉场景文本融合模型的训练功能的电子设备中。如图6所示，本实施例的视觉场景文本融合模型的训练装置600可以包括：
[0239]
业务图文对获取模块601，用于获取业务方提供的业务图文对；所述业务图文对包括业务图像和业务文本；
[0240]
微调模块602，用于将所述业务图像和所述业务文本作为训练数据，对视觉场景文本融合模型进行微调；其中，所述视觉场景文本融合模型基于本公开中任一种视觉场景文本融合模型的预训练方法得到。
[0241]
本实施例的技术方案，通过对预训练后的视觉场景文本融合模型进行微调，使得视觉场景文本融合模型更适用于实际业务场景。
[0242]
图7是根据本公开实施例提供的一种视觉场景文本融合模型的图文检索装置的结构示意图。本实施例适用于如何进行图文检索的情况。该装置可以采用软件和/或硬件的方式实现，并可集成于承载图文检索功能的电子设备中。其中，视觉场景文本融合模型包括文本编码网络和视觉场景编码网络，所述视觉场景编码网络包括视觉编码子网络和场景编码子网络。如图7所示，本实施例的视觉场景文本融合模型的图文检索装置700可以包括：
[0243]
目标文本获取模块701，用于获取待检索的目标文本；
[0244]
候选场景文本提取模块702，用于提取候选图像中的候选场景文本；
[0245]
目标文本特征确定模块703，用于将目标文本输入文本编码网络，得到目标文本特征；
[0246]
候选全局特征确定模块704，用于将候选图像和初始的候选融合特征输入视觉编码子网络，以及将初始的候选融合特征和候选场景文本输入场景编码子网络，得到候选图像的全局图像特征；
[0247]
目标图像确定模块705，用于根据目标文本特征和候选图像的全局图像特征，从候选图像中确定目标图像。
[0248]
本公开实施例的技术方案，通过提取候选图像中的候选场景文本，并将所获取的目标文本输入文本编码网络，得到目标文本特征，将候选图像和初始的候选融合特征输入
视觉编码子网络，以及将初始的候选融合特征和候选场景文本输入场景编码子网络，得到候选图像的全局图像特征，进而根据目标文本特征和候选图像的全局图像特征，从候选图像中确定目标图像。上述技术方案，通过并行的文本编码网络和视觉场景编码网络，这种双编码结构的视觉场景文本融合模型来进行图文检索，提高了图文检索的效率；并且，通过引入候选融合特征，无论在有无场景文本的情况下，都可以有效学习到候选图像的全局图像特征，从而提高了图文检索的精度。
[0249]
进一步地，目标文本特征确定模块703具体用于：
[0250]
对目标文本进行词嵌入，得到目标文本词向量；
[0251]
根据目标文本的模态信息、目标文本的位置编码信息和目标文本词向量，确定目标文本的词编码结果；
[0252]
根据初始的目标文本特征和目标文本的词编码结果，构建目标文本的编码序列；
[0253]
将目标文本的编码序列输入文本编码网络，得到经处理的目标文本特征。
[0254]
进一步地，候选全局特征确定模块704具体用于：
[0255]
对候选图像进行分块，得到候选图像块序列；
[0256]
对候选图像块序列中的候选图像块进行线性投影，得到候选图像块的编码结果；
[0257]
根据候选图像块的模态信息和候选图像块的位置编码信息对候选图像块的编码结果进行处理，确定候选图像块经处理的编码结果；
[0258]
根据初始的全局图像特征和候选图像块经处理的编码结果，构建候选图像的编码序列；
[0259]
将候选图像的编码序列输入视觉编码子网络中的输入层。
[0260]
进一步地，候选全局特征确定模块704还具体用于：
[0261]
对候选场景文本进行词嵌入，得到候选场景文本向量；
[0262]
根据所述候选场景文本的图位置编码信息、候选场景文本的模态信息、候选场景文本的字位置编码信息和候选场景文本向量，确定候选场景文本的编码结果；
[0263]
根据初始的候选场景文本特征和候选场景文本的编码结果，构建候选场景文本的编码序列；
[0264]
将候选场景文本的编码序列输入场景编码子网络中的输入层。
[0265]
进一步地，视觉场景文本融合模型基于本公开任一种视觉场景文本融合模型的训练装置得到。
[0266]
本公开的技术方案中，所涉及的样本图文对、目标文本、候选图像等的收集、存储、使用、加工、传输、提供和公开等，均符合相关法律法规的规定，且不违背公序良俗。
[0267]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0268]
图8是用来实现本公开实施例的视觉场景文本融合模型的训练方法、训练方法或图文检索方法的电子设备的框图。图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅
作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0269]
如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0270]
电子设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0271]
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如视觉场景文本融合模型的预训练方法、训练方法或图文检索方法。例如，在一些实施例中，视觉场景文本融合模型的预训练方法、训练方法或图文检索方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的视觉场景文本融合模型的预训练方法、训练方法或图文检索方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行视觉场景文本融合模型的预训练方法、训练方法或图文检索方法。
[0272]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0273]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0274]
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系统、装置或设备使用或与指令执行系统、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、或半导体系统、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。
[0275]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0276]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0277]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0278]
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
[0279]
云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
[0280]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0281]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。