检索目标的方法和装置与流程

本公开的实施例涉及计算机技术领域，具体涉及检索目标的方法和装置。

背景技术：

随着互联网技术的快速发展，媒体数据的呈现方式也越来越丰富多样，不同类型的媒体数据从不同的角度描述同一事物。

人们期望可以实现不同类型的媒体数据之间的跨媒体检索，即通过一种类型的媒体数据，查询检索出具有相同语义的另一种媒体类型的媒体数据。

技术实现要素：

本公开的实施例提出了检索目标的方法和装置。

第一方面，本公开的实施例提供了一种检索目标的方法，该方法包括：获取至少一幅图像以及指定对象的描述文本；利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征，其中，跨媒体特征提取网络将文本特征与图像特征投影至图像文本共同特征空间；对图像特征与文本特征进行匹配，确定出包含指定对象的图像。

在一些实施例中，跨媒体特征提取网络是按照如下方法生成的：获取训练样本集，其中，训练样本集包括样本图像文本对，样本图像文本对包括：样本图像和描述样本图像中包含的对象的样本文本；获取初始网络，其中，初始网络包括待训练的跨媒体特征提取网络、用于判别特征来源的数据类别的判别网络、特征转化网络，待训练的跨媒体特征提取网络包括图像图注意力网络、文本图注意力网络；将样本图像文本对中的样本图像输入图像图注意力网络，得到第一特征；将样本图像文本对中的样本文本输入文本图注意力网络，得到第二特征；将第一特征和第二特征输入判别网络得到类别判别结果，根据类别判别结果计算判别损失值，其中，特征来源的数据类别包括文本类和图像类，判别损失值表征第一特征和第二特征类别判定误差；将第一特征和第二特征输入特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值，其中，识别损失函数表征第一特征和第二特征在图像文本共同特征空间对所包含的不同对象的区分能力，成对损失函数表征同一对象的第一特征和第二特征之间的语义差异性；基于识别损失函数的值和成对损失函数的值，得到预设的特征损失值；基于判别损失值和特征损失值，将待训练的跨媒体特征提取网络和特征转化网络作为生成网络，与判别网络进行对抗训练，得到训练完成的跨媒体特征提取网络、判别网络、特征转化网络。

在一些实施例中，图像图注意力网络包括残差网络、图像图注意力卷积网络以及联合嵌入层；以及将样本图像输入图像图注意力网络，得到第一特征，包括：利用残差网络提取样本图像的初始图像特征，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，将初始图像特征与结构化图像特征融合，生成图像特征，将图像特征输入至联合嵌入层，得到第一特征。

在一些实施例中，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，包括：对样本图像进行目标对象检测，确定出样本图像中的目标对象和目标对象的矩形包围盒的位置，并根据目标对象的矩形包围盒的位置，提取目标对象的相关特征，其中，目标对象的相关特征包括以下至少一项：目标对象的外观特征、目标对象的位置特征以及目标对象的类型特征；构建图像特征有向图，图像特征有向图的顶点表征目标对象，图像特征有向图的有向边表征各目标对象之间的关联关系。

在一些实施例中，文本图注意力网络包括双向长短期记忆网络、文本图注意力卷积网络以及联合嵌入层；以及将样本文本输入文本图注意力网络，得到第二特征，包括：将样本文本进行分词处理，确定样本文本的词向量；利用双向长短期记忆网络提取样本文本的词向量的初始文本特征，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，将初始文本特征与结构化文本特征融合，生成文本特征，将文本特征输入至联合嵌入层，得到第二特征。

在一些实施例中，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，包括：构建文本特征有向图，文本特征有向图的顶点表征词向量所指示的目标对象，文本特征有向图的有向边表征各词向量所指示的目标对象之间的关联关系，其中，词向量所指示的目标对象的相关特征包括以下至少一项：目标对象的属性特征和目标对象的类型特征；根据文本特征有向图，生成样本文本的结构化文本特征。

第二方面，本公开的实施例提供了一种检索目标的装置，该装置包括：获取单元，被配置成获取至少一幅图像以及指定对象的描述文本；提取单元，被配置成利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征，其中，跨媒体特征提取网络将文本特征与图像特征投影至图像文本共同特征空间；匹配单元，被配置成对图像特征与文本特征进行匹配，确定出包含指定对象的图像。

在一些实施例中，跨媒体特征提取网络是按照如下方法生成的：获取训练样本集，其中，训练样本集包括样本图像文本对，样本图像文本对包括：样本图像和描述样本图像中包含的对象的样本文本；获取初始网络，其中，初始网络包括待训练的跨媒体特征提取网络、用于判别特征来源的数据类别的判别网络、特征转化网络，待训练的跨媒体特征提取网络包括图像图注意力网络、文本图注意力网络；将样本图像文本对中的样本图像输入图像图注意力网络，得到第一特征；将样本图像文本对中的样本文本输入文本图注意力网络，得到第二特征；将第一特征和第二特征输入判别网络得到类别判别结果，根据类别判别结果计算判别损失值，其中，特征来源的数据类别包括文本类和图像类，判别损失值表征第一特征和第二特征类别判定误差；将第一特征和第二特征输入特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值，其中，识别损失函数表征第一特征和第二特征在图像文本共同特征空间对所包含的不同对象的区分能力，成对损失函数表征同一对象的第一特征和第二特征之间的语义差异性；基于识别损失函数的值和成对损失函数的值，得到预设的特征损失值；基于判别损失值和特征损失值，将待训练的跨媒体特征提取网络和特征转化网络作为生成网络，与判别网络进行对抗训练，得到训练完成的跨媒体特征提取网络、判别网络、特征转化网络。

在一些实施例中，图像图注意力网络包括残差网络、图像图注意力卷积网络以及联合嵌入层；以及第一特征是按照是按照如下方法得到的：利用残差网络提取样本图像的初始图像特征，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，将初始图像特征与结构化图像特征融合，生成图像特征，将图像特征输入至联合嵌入层，得到第一特征。

在一些实施例中，样本图像的结构化图像特征是按照是按照如下方法得到的：对样本图像进行目标对象检测，确定出样本图像中的目标对象和目标对象的矩形包围盒的位置，并根据目标对象的矩形包围盒的位置，提取目标对象的相关特征，其中，目标对象的相关特征包括以下至少一项：目标对象的外观特征、目标对象的位置特征以及目标对象的类型特征；构建图像特征有向图，图像特征有向图的顶点表征目标对象，图像特征有向图的有向边表征各目标对象之间的关联关系特征。

在一些实施例中，文本图注意力网络包括双向长短期记忆网络、文本图注意力卷积网络以及联合嵌入层；第二特征是按照是按照如下方法得到的：将样本文本进行分词处理，确定样本文本的词向量；利用双向长短期记忆网络提取样本文本的词向量的初始文本特征，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，将初始文本特征与结构化文本特征融合，生成文本特征，将文本特征输入至联合嵌入层，得到第二特征。

在一些实施例中，样本文本的结构化文本特征是按照是按照如下方法得到的：构建文本特征有向图，文本特征有向图的顶点表征词向量所指示的目标对象，文本特征有向图的有向边表征各词向量所指示的目标对象之间的关联关系特征，其中，词向量所指示的目标对象的相关特征包括以下至少一项：目标对象的属性特征和目标对象的类型特征；根据文本特征有向图，生成样本文本的结构化文本特征。

第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的检索目标的方法和装置，通过获取至少一幅图像以及指定对象的描述文本，而后，利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征，其中，跨媒体特征提取网络将文本特征与图像特征投影至图像文本共同特征空间，最后，对图像特征与文本特征进行匹配，确定出包含指定对象的图像，从而利用跨媒体特征提取特征，将图像特征与文本特征投影至图像文本共同特征空间进行特征匹配，实现了跨媒体的目标检索。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的检索目标的方法的一个实施例的流程图；

图3是上述跨媒体特征提取网络的生成方法的一个实现方式的流程图；

图4是本公开的检索目标的方法的一个实现流程的架构示意图；

图5是根据本公开的检索目标的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的检索目标的方法或检索目标的装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像编辑类应用、文本编辑类应用、浏览器类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持互联网访问的各种电子设备，包括但不限于智能手机、平板电脑、笔记本电脑、和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103获取的图像和文本进行匹配的后台服务器。后台服务器可以对接收到的图像和文本进行识别、匹配等处理。

需要说明的是，本公开的实施例所提供的检索目标的方法一般由服务器105执行，相应地，检索目标的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的检索目标的方法的一个实施例的流程200。该检索目标的方法包括以下步骤：

步骤201，获取至少一幅图像以及指定对象的描述文本。

在本实施例中，上述检索目标的方法的执行主体(例如图1所示的服务器)可以从预先存储的图像库中获取至少一副图像以及指定对象的描述文本。在这里，上述图像可以是预先存储的图像库中的任意一幅待检索图像。

在这里，指定对象指待检索的实体，指定对象可以是位置可变的对象，例如行人、车辆等，指定对象也可以是位置固定的对象，例如建筑物、景观等。上述指定对象的数量可以是一个，也可以是多个。图像可以包含指定对象或其他的对象。文本可以是对指定对象的特征进行描述的句子或词语。例如指定对象是行人a，那么在步骤201中可以获取图像库中包含行人的待检索图像以及该行人a的外貌、动作等特征的描述文本。进而在后续的步骤中对待检索图像与行人a的描述文本进行匹配，从包含行人的待检索图像中确定出与行人a的描述文本相匹配的包含行人a的图像。

步骤202，利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征。

在本实施例中，上述执行主体可以利用预先训练的跨媒体特征提取网络，提取步骤201中至少一副图像的图像特征以及指定对象的描述文本的文本特征。其中，跨媒体特征提取网络可以将文本特征与图像特征投影至图像文本共同特征空间，具体地，跨媒体特征提取网络可以提取不同媒体类型的数据的特征，并且可以把不同媒体类型的数据的特征转换至同一个共同特征空间，这样不同媒体类型的数据的特征在同一个共同特征空间才能进行特征匹配。

在这里，跨媒体特征提取网络可以是人工神经网络。基于步骤201中所获取的至少一幅图像以及指定对象的描述文本，上述执行主体可以将一个或多个图像以及描述文本输入至预先训练的人工神经网络，提取出图像对应的图像特征、文本对应的文本特征。在上述一个或多个图像中可以选取局部或者整体图像，以提取所选取的局部或者整体图像的图像特征。在上述指定对象的描述文本中可以选取部分或者整体的描述文本，以提取所选取的部分或者整体的文本的文本特征。上述特征可以用特征向量表示。

步骤203，对图像特征与文本特征进行匹配，确定出包含指定对象的图像。

在本实施例中，上述执行主体可以对步骤202提取的图像特征与文本特征进行匹配，从至少一个图像中确定出包含指定对象的图像，作为与文本描述相匹配的图像。

在这里，上述执行主体可以通过计算每个图像的图像特征与描述文本的文本特征之间的相似度，确定图像特征与文本特征是否匹配。上述相似度可以与图像特征与文本特征之间的距离相关，例如可以采用欧式距离、明氏距离、曼哈顿距离、切比雪夫距离、马氏距离等，计算图像特征与文本特征之间的相似度。

在实践中，为了更加全面地匹配出与文本特征相似的图像特征，还可以先计算每个图像特征与文本特征之间的相似度，将每个图像特征与文本特征之间的相似度进行从高到低的排序，选取排序在前预设位的图像特征，将排序在前预设位的图像特征所指示的图像作为与文本描述的相匹配的图像。预设位可以是根据实际需要设定的，可以为一个或者多个。在这里，文本特征与图像特征之间的相似度越高，文本特征与图像特征所指示的对象为同一对象的可能性越大。

本公开的上述实施例提供的检索目标的方法，通过获取至少一幅图像以及指定对象的描述文本，而后，利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征，其中，跨媒体特征提取网络将文本特征与图像特征投影至图像文本共同特征空间，最后，对图像特征与文本特征进行匹配，确定出包含指定对象的图像，从而利用跨媒体特征提取特征，将图像特征与文本特征投影至图像文本共同特征空间进行特征匹配，实现了跨媒体的目标检索。

继续参考图3，图3是上述跨媒体特征提取网络的生成方法的一个实现方式的流程图。该跨媒体特征提取网络的生成方法的流程300可以包括以下步骤：

步骤301，获取训练样本集。

在本实施例中，上述执行主体可以从预设设置的数据库中获取训练样本集，训练样本集可以包括样本图像文本对，样本图像文本对可以包括样本图像和描述样本图像中包含的对象的样本文本。

步骤302，获取初始网络。

在本实施例中，上述执行主体首先可以获取初始网络，具体地，初始网络可以包括待训练的跨媒体特征提取网络、用于判别特征来源的数据类别的判别网络、特征转化网络，待训练的跨媒体特征提取网络可以包括图像图注意力网络、文本图注意力网络。上述初始网络可以是初始化参数后，未经训练的神经网络，也可以是预先训练过的神经网络。

步骤303，从训练样本集中选取样本，执行训练步骤。

在本实施例中，上述执行主体可以从步骤301中获取的样本集中选取样本，以及执行步骤3031至步骤3036的训练步骤。其中，样本的选取方式和选取数量在本公开中并不限制。例如上述执行主体可以选取至少一个样本。

更具体地，训练步骤包括如下步骤：

步骤3031，将样本图像文本对中的样本图像输入图像图注意力网络，得到第一特征。

在本实施例中，上述执行主体可以将样本图像文本对中的样本图像输入到待训练的跨媒体特征提取网络的图像图注意力网络中，输出第一特征，即样本图像的图像特征。

在本实施例的一些可选实现方式中，图像图注意力网络包括残差网络、图像图注意力卷积网络以及联合嵌入层。具体地，可以通过如下步骤得到第一特征：

第一步，利用残差网络提取样本图像的初始图像特征。

在该可选实现方式中，上述执行主体可以利用残差网络提取样本图像的初始图像特征，即低层次视觉特征。在这里，初始图像特征可以是全局图像特征，例如颜色特征、纹理特征、形状特征、结构特征等。

在这里，上述执行主体还可以残差网络提取样本图像的初始图像特征之后，采用平均池化层将初始图像特征生成全局外观视觉特征向量，利用平均池化层降低初始图像特征的维度，生成的全局外观视觉特征向量可以保留初始图像特征中的显著特征。

第二步，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征。

在该可选实现方式中，上述执行主体可以将提取的低层次视觉特征输入至预先训练好的图像图注意力卷积网络，得到样本图像的结构化图像特征。在这里，结构化图像特征可以用来表征样本图像的结构化的语义视觉特征。

可选地，还可以通过以下步骤将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征：对样本图像进行目标对象检测，确定出样本图像中的目标对象和目标对象的矩形包围盒的位置，并根据目标对象的矩形包围盒的位置，提取目标对象的相关特征；构建图像特征有向图，图像特征有向图的顶点表征目标对象，图像特征有向图的有向边表征各目标对象之间的关联关系；根据图像特征有向图，生成样本图像的结构化图像特征。

在该可选实现方式中，上述执行主体可以通过构建的图像特征有向图，获取样本图像的结构化图像特征。

具体地，上述执行主体首先可以利于预先设置的目标检测算法识别出样本图像中的目标对象和目标对象的矩形包围盒的位置，然后利用目标检测算法从目标对象的矩形包围盒中提取目标对象的外观特征，根据目标对象的矩形包围盒的位置，提取目标对象的相关特征，例如目标对象的相关特征可以包括以下至少一项：目标对象的外观特征、目标对象的位置特征以及目标对象的类型特征，具体地，例如可以使用目标检测算法r-cnn(region-convolutionalneuralnetworks，区域卷积神经网络)对样本图像进行目标对象的检测，在这里，目标对象可以是根据实际的应用需求，预先指定的任意对象，例如鞋子、眼镜等物体，目标对象的矩形包围盒的位置特征可以用目标对象在当样本图像中的矩形包围盒的位置坐标来表示，例如表示矩形包围盒的某顶点的横坐标、表示矩形包围框的某顶点的纵坐标、矩形包围框的宽度、矩形包围框的高度之间关系的多元组的位置坐标。目标对象的类别例如可以根据其形状、颜色等特征识别出来，并且上述执行主体可以利用预先设置的实体关系分类器确定目标对象之间的关联关系，利用预先设置的属性分类器确定目标对象的属性。目标对象的外观特征可以包括全局外观特征和局部外观特征。

然后可以构建图像特征有向图，图像特征有向图的顶点表征目标对象，可以用oi(o1、o2、o3、o4、o5、o6)表示，oi可以表示三元组“主语-谓语-宾语”中的主语或者宾语，图像特征有向图的有向边表征各目标对象之间的关联关系，可以用eij(e15、e16、e21、e31、e41)表示，例如有向边eij表示对象oi与对象oj之间的关系，eij表示三元组“主语-谓语-宾语”中的谓语，oi可以是三元组“主语-谓语-宾语”中的主语，oj可以是三元组“主语-谓语-宾语”中的宾语。图像特征有向图的顶点特征可以由上述获取的表征目标对象的相关特征表示，目标对象的相关特征可以包括以下至少一项：目标对象的外观特征、目标对象的位置特征以及目标对象的类型特征。图像特征有向图的有向边特征可以由以下至少一项组成：目标对象的外观特征、目标对象的位置特征、目标对象的类型特征。

最后可以利用图注意力卷积层对上述构建的图像特征有向图进行更新，并提取样本图像的结构化图像特征。具体地，利用图注意力卷积层可以对图像特征有向图进行更新，得到更新后的顶点，可以设置如下更新公式对图像特征有向图中的顶点特征进行更新：

其中，gs，go表示全连接层，wij表示节点j对节点i的权重，wik表示节点k对节点i的权重，oj表示表征主语的节点，oj表示表征谓语的节点，表示节点特征，表示节点之间的有向边特征。

wij可以通过如下公式计算：

其中，wa表示有向边特征的权重，ba表示偏置项。

通过上述更新公式可以得到更新后的图像特征有向图的各个顶点特征，为了融合更新后的各个顶点特征，设置一个连接图像特征有向图的各个顶点的虚拟顶点，上述虚拟顶点可以通过如下公式生成样本图像的结构化图像特征：

其中，表示虚拟顶点特征，wi表示节点i的权重，gv表示全连接层。

wj可以通过如下公式计算：

其中，wc表示虚拟顶点特征的权重，bc表示偏置项。

由于虚拟顶点与图像特征有向图的各个顶点相连，图像特征有向图包含了目标对象的相关特征以及目标对象之间的关联关系特征，所以虚拟顶点可以融合更新后的图像特征有向图中的所有特征，生成表征样本图像的结构化语义信息的结构化图像特征，可以包含更有效的结构化语义信息，更全面地、更准确的表征图像特征，更有效地区别识别图像所包含的目标对象。

第三步，将初始图像特征与结构化图像特征融合，生成图像特征。

在该可选实现方式中，上述执行主体可以融合第一步得到的初始图像特征与第二步得到的结构化图像特征，得到样本图像的图像特征。

第四步，将图像特征输入至联合嵌入层，得到第一特征。

在该可选实现方式中，上述执行主体可以将第三步得到的图像特征输入至联合嵌入层，得到第一特征，联合嵌入层可以由三个全连接层组成。

步骤3032，将样本图像文本对中的样本文本输入文本图注意力网络，得到第二特征。

在本实施例中，上述执行主体可以将样本图像文本对中的样本文本输入到待训练的跨媒体特征提取网络的文本图注意力网络中，输出第二特征，即样本文本的文本特征。

在本实施例的一些可选实现方式中，文本图注意力网络包括双向长短期记忆网络、文本图注意力卷积网络以及联合嵌入层。具体地，可以通过如下步骤得到第二特征：

第一步：将样本文本进行分词处理，确定样本文本的词向量。

在该可选实现方式中，上述执行主体可以利用常用的分词工具或者人工标注对样本文本进行分词处理，样本文本中的每个单词都被投影成一个词向量。

第二步，利用双向长短期记忆网络提取样本文本的词向量的初始文本特征。

在该可选实现方式中，上述执行主体可以利用双向长短期记忆网络提取样本文本中具有上下文信息的初始文本特征。

第三步，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征。

在该可选实现方式中，上述执行主体可以将提取的初始文本特征输入至预先训练好的文本图注意力卷积网络，得到样本文本的结构化文本特征。在这里，结构化文本特征可以用来表征样本文本的结构化的语义文本特征。

可选地，还可以通过以下步骤初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征：构建文本特征有向图，文本特征有向图的顶点表征词向量所指示的目标对象，文本特征有向图的有向边表征各词向量所指示的目标对象之间的关联关系；根据文本特征有向图，生成样本文本的结构化文本特征。

在该可选实现方式中，上述执行主体可以通过构建的文本特征有向图，获取样本文本的结构化文本特征。

具体地，上述执行主体首先可以构建文本特征有向图，文本特征有向图的顶点表征目标对象，可以用oi(o1、o2、o3、o4、o5、o6)表示，oi可以表示三元组“主语-谓语-宾语”中的主语或者宾语，文本特征有向图的有向边表征各目标对象之间的关联关系，可以用eij(e15、e16、e21、e31、e41)表示，例如有向边eij表示对象oi与对象oj之间的关系，eij表示三元组“主语-谓语-宾语”中的谓语，oi可以是三元组“主语-谓语-宾语”中的主语，oj可以是三元组“主语-谓语-宾语”中的宾语。文本特征有向图的顶点特征可以由目标对象的相关特征组成，目标对象的相关特征包括以下至少一项：目标对象的属性特征和目标对象的类型特征，文本特征有向图的有向边特征可以由目标对象的类型特征组成。

然后可以利用图注意力卷积层对上述构建的文本特征有向图进行更新，并可以采用上述更新公式(1)对文本特征有向图中的顶点特征进行更新。上述执行主体可以设置一个连接文本特征有向图的各个顶点的虚拟顶点，上述虚拟顶点可以通过公式(3)生成样本文本的结构化文本特征，可以包含更有效的结构化语义信息，更全面地、更准确的表征文本特征，更有效地区别识别文本所包含的目标对象。

第四步，将初始文本特征与结构化文本特征融合，生成文本特征。

在该可选实现方式中，上述执行主体可以融合第二步得到的初始文本特征与第三步得到的结构化文本特征，得到样本文本的文本特征。

第五步，将文本特征输入至联合嵌入层，得到第二特征。

在该可选实现方式中，上述执行主体可以将第四步得到的文本特征输入至联合嵌入层，得到第二特征，联合嵌入层可以由三个全连接层组成。

步骤3033，将第一特征和第二特征输入判别网络得到类别判别结果，根据类别判别结果计算判别损失值。

在本实施例中，上述执行主体可以将第一特征和第二特征输入判别网络得到类别判别结果，根据类别判别结果计算判别损失值，其中，特征来源的数据类别包括文本类和图像类，判别损失值表征第一特征和第二特征类别判定误差。上述判别网络可以由三个全连接层组成，旨在更好地判断识别给定的特征的来源的数据类型，即特征的模态类别，例如文本类、图像类，并且可以通过如下损失函数计算判别损失值ladv(θd)：

其中，vi表示第一特征，ti表示第二特征，d(vi；θd)、d(ti；θd)表示输入样本i的特征来源的数据类别概率，θd表示判别网络的网络参数。

步骤3034，将第一特征和第二特征输入特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值。

在本实施例中，上述执行主体可以将第一特征和第二特征输入特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值，其中，识别损失函数表征第一特征和第二特征在图像文本共同特征空间对所包含的不同对象的区分能力，成对损失函数表征同一对象的第一特征和第二特征之间的语义差异性。上述执行主体可以通过如下损失函数计算识别损失值lide(θv，θt)：

其中，yi表示第i个样本(样本文本或者样本图像)的对应的目标对象的编号，xi表示第一特征或者第二特征，θv表示图像图注意力卷积网络的网络参数，θt表示文本图注意力卷积网络的网络参数，wj表示权重矩阵w的第j列，b表示偏置项，n表示样本的个数。

上述执行主体可以通过如下损失函数计算成对损失值lpair(θv，θt)：

其中，yi表示样本图像和样本文本输入对是否指示同一个目标对象的编号的二维矢量，zi表文本特征与图像特征的融合特征，wp,j表示权重矩阵wp的第j列，bp表示偏置项，m表示样本图像和样本文本输入对的个数。

步骤3035，基于识别损失函数的值和成对损失函数的值，得到预设的特征损失值。

在本实施例中，上述执行主体可以将步骤3034中得到的识别损失值和成对损失值相加，得到特征转化网络的特征损失值。

步骤3036，基于判别损失值和特征损失值，将待训练的跨媒体特征提取网络和特征转化网络作为生成网络，与判别网络进行对抗训练，得到训练完成的跨媒体特征提取网络、判别网络、特征转化网络。

在本实施例中，上述执行主体可以基于步骤3033得到的判别损失值与步骤3035得到的特征损失值，将待训练的跨媒体特征提取网络和特征转化网络作为生成网络，与判别网络进行对抗训练，具体地，可以通过设置如下损失函数对图像图注意力卷积网络的网络参数θv、文本图注意力卷积网络的网络参数θt、判别网络的网络参数θd进行指导训练优化：

其中，lfea(θv,θt)表示特征损失值，ladv(θd)表示判别损失值。

当特征损失值与判别损失值的差值达到最大时，将优化后的图像图注意力卷积网络的网络参数θv、文本图注意力卷积网络的网络参数θt作为训练完成的跨媒体特征提取网络的网络参数。

通过上述训练步骤，可以使跨媒体特征提取网络能够提取出具有结构化语义的文本特征与图像特征，使其具有模态不变性、语义区分力以及跨模态的语义相似性。

继续参考图4，图4是本公开的检索目标的方法的一个实现流程的架构示意图。

如图4所示，系统架构可以包括图像图注意力网络、文本图注意力网络和对抗学习模块。

图像图注意力网络用于提取图像的图像特征，图像图注意力网络可以由五个残差网络模块、视觉场景图模块和联合嵌入层组成，其中，视觉场景图模块可以由图像特征有向图和图注意力卷积层组成，图注意力卷积层用于更新图像特征有向图，联合嵌入层可以由三个全连接层组成。具体地，上述执行主体首先可以利用五个残差网络模块提取图像的初始图像特征，然后将初始图像特征输入至视觉场景图模块，提取出图像的结构化图像特征，最后利用联合嵌入层将结构化图像特征投影到图像文本共同特征空间。

文本图注意力网络用于提取文本的文本特征，文本图注意力网络可以由双向lstm(longshort-termmemory，长短期记忆网络)、文本场景图模块和联合嵌入层组成，其中，文本场景图模块可以由文本特征有向图和图注意力卷积层组成，图注意力卷积层用于更新文本特征有向图，联合嵌入层可以由三个全连接层组成。具体地，上述执行主体首先可以利用双向lstm提取文本的初始文本特征，然后将初始文本特征输入至文本场景图模块，提取出文本的结构化文本特征，最后利用联合嵌入层将结构化文本特征投影到图像文本共同特征空间。

对抗学习模块用于确定图像特征与文本特征的图像文本共同特征空间，对抗学习模块可以由特征转换器和模态鉴别器组成。具体地，上述执行主体首先可以将图像图注意力网络提取的图像特征与文本图注意力网络提取的文本特征输入至对抗学习模块，特征转换器用于将不同模态类型的特征(文本特征或者图像特征)投影至图像文本共同特征空间，生成转换后的特征，模态鉴别器用于区分特征转换器生成的转换后的特征的模态类型(文本类或者图像类)，然后将图像图注意力网络、文本图注意力网络特征和转换器作为生成网络，将模态鉴别器作为判别网络，进行联合对抗学习，最后将训练完成的图像图注意力网络、文本图注意力网络特征作为跨媒体特征提取网络。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了检索目标的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的检索目标的装置500包括获取单元501、提取单元502和匹配单元503。其中，获取单元501，被配置成获取至少一幅图像以及指定对象的描述文本；提取单元502，被配置成利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征；匹配单元503，被配置成对图像特征与文本特征进行匹配，确定出包含指定对象的图像。

在本实施例中，检索目标的装置500中：获取单元501、提取单元502和匹配单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，跨媒体特征提取网络是按照如下方法生成的：获取训练样本集，其中，训练样本集包括样本图像文本对，样本图像文本对包括：样本图像和描述样本图像中包含的对象的样本文本；获取初始网络，其中，初始网络包括待训练的跨媒体特征提取网络、用于判别特征来源的数据类别的判别网络、特征转化网络，待训练的跨媒体特征提取网络包括图像图注意力网络、文本图注意力网络；将样本图像文本对中的样本图像输入图像图注意力网络，得到第一特征；将样本图像文本对中的样本文本输入文本图注意力网络，得到第二特征；将第一特征和第二特征输入判别网络得到类别判别结果，根据类别判别结果计算判别损失值，其中，特征来源的数据类别包括文本类和图像类，判别损失值表征第一特征和第二特征类别判定误差；将第一特征和第二特征输入特征转化网络得到特征转化结果，根据特征转化结果计算识别损失函数的值和成对损失函数的值，其中，识别损失函数表征第一特征和第二特征在图像文本共同特征空间对所包含的不同对象的区分能力，成对损失函数表征同一对象的第一特征和第二特征之间的语义差异性；基于识别损失函数的值和成对损失函数的值，得到预设的特征损失值；基于判别损失值和特征损失值，将待训练的跨媒体特征提取网络和特征转化网络作为生成网络，与判别网络进行对抗训练，得到训练完成的跨媒体特征提取网络、判别网络、特征转化网络。

在本实施例的一些可选的实现方式中，图像图注意力网络包括残差网络、图像图注意力卷积网络以及联合嵌入层；以及第一特征是按照如下方式得到的：利用残差网络提取样本图像的初始图像特征，将初始图像特征输入至图像图注意力卷积网络，输出样本图像的结构化图像特征，将初始图像特征与结构化图像特征融合，生成图像特征，将图像特征输入至联合嵌入层，得到第一特征。

在本实施例的一些可选的实现方式中，样本图像的结构化图像特征是按照如下方式得到的：对样本图像进行目标对象检测，确定出样本图像中的目标对象和目标对象的矩形包围盒的位置，并根据目标对象的矩形包围盒的位置，提取目标对象的相关特征，其中，目标对象的相关特征包括以下至少一项：目标对象的外观特征、目标对象的位置特征、目标对象的属性特征以及目标对象的类型特征；构建图像特征有向图，图像特征有向图的顶点表征目标对象，图像特征有向图的有向边表征各目标对象之间的关联关系；根据图像特征有向图，生成样本图像的结构化图像特征。

在本实施例的一些可选的实现方式中，文本图注意力网络包括双向长短期记忆网络、文本图注意力卷积网络以及联合嵌入层；以及第二特征是按照如下方式得到的：将样本文本进行分词处理，确定样本文本的词向量；利用双向长短期记忆网络提取样本文本的词向量的初始文本特征，将初始文本特征输入至文本图注意力卷积网络，输出样本文本的结构化文本特征，将初始文本特征与结构化文本特征融合，生成文本特征，将文本特征输入至联合嵌入层，得到第二特征。

在本实施例的一些可选的实现方式中，样本文本的结构化文本特征是按照如下方式得到的：构建文本特征有向图，文本特征有向图的顶点表征词向量所指示的目标对象，文本特征有向图的有向边表征各词向量所指示的目标对象之间的关联关系，其中，词向量所指示的目标对象的相关特征包括以下至少一项：目标对象的属性特征和目标对象的类型特征；根据文本特征有向图，生成样本文本的结构化文本特征。

本公开的上述实施例提供的装置，通过获取单元501获取至少一幅图像以及指定对象的描述文本，提取单元502利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征，匹配单元503对图像特征与文本特征进行匹配，确定出包含指定对象的图像，从而利用跨媒体特征提取特征，将图像特征与文本特征投影至图像文本共同特征空间进行特征匹配，实现了跨媒体的目标检索。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置605；包括例如液晶显示器(lcd，liquidcrystaldisplay)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(radiofrequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少一幅图像以及指定对象的描述文本；利用预先训练的跨媒体特征提取网络提取图像的图像特征以及描述文本的文本特征；对图像特征与文本特征进行匹配，确定出包含指定对象的图像。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包获取单元、提取单元、匹配单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取至少一幅图像以及指定对象的描述文本的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。