模型的训练方法、图像描述生成方法和装置、设备、介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种模型的训练方法、图像描述生成方法和装置、设备、介质。


背景技术：

2.目前，大多数的图像描述的生成常常采用监督学习的方法实现，即通过监督学习模型对图像的基本特征进行提取，根据基本特征生成对应的描述句子，从而得到图像描述文本，监督学习模型的训练常常需要大量的训练语料，包括训练图像及对应的描述句子，而获取大量的高质量训练语料的难度较大，影响模型的训练效果。因此，如何改善模型的训练效果，成为了亟待解决的技术问题。


技术实现要素：

3.本技术实施例的主要目的在于提出一种模型的训练方法、图像描述生成方法和装置、设备、介质，旨在提高模型的训练效果。
4.为实现上述目的，本技术实施例的第一方面提出了一种模型的训练方法，所述方法包括：
5.获取样本图像；
6.对所述样本图像进行目标检测，得到样本图像类别标签；
7.通过预设的参考状态因子对所述样本图像类别标签进行编码处理，得到目标类别标签序列；
8.遍历预设的图像描述语料库，对所述目标类别标签序列进行解码处理，得到伪描述文本；
9.根据所述样本图像和所述伪描述文本构建样本特征对；
10.根据所述样本特征对对预设的神经网络模型进行训练，得到图像描述生成模型，所述图像描述生成模型用于生成目标图像描述文本。
11.在一些实施例，所述对所述样本图像进行目标检测，得到样本图像类别标签的步骤，包括：
12.将所述样本图像输入至预设的目标检测模型中，其中，所述目标检测模型包括卷积层、rpn层、roi pooling层和全连接层；
13.通过所述卷积层对所述样本图像进行特征提取，得到样本特征图；
14.通过所述rpn层和预设的坐标信息对所述样本特征图进行目标检测，得到初始检测框；
15.通过所述roi pooling层的预设缩放参数对所述样本特征图和所述初始检测框进行特征融合处理，得到样本融合特征图；
16.通过所述全连接层的预测函数和预设图像类别标签对所述样本融合特征图进行分类概率计算，得到分类概率值，并根据所述分类概率值对所述预设图像类别标签进行筛
选处理，得到所述样本图像类别标签。
17.在一些实施例，所述遍历预设的图像描述语料库，对所述目标类别标签序列进行解码处理，得到伪描述文本的步骤，包括：
18.通过预设的预测函数对所述目标类别标签序列进行分布概率计算，得到分布概率值；
19.遍历所述图像描述语料库，根据所述分布概率值对所述目标类别标签序列进行解码处理，得到所述伪描述文本。
20.在一些实施例，所述根据所述样本特征对对预设的神经网络模型进行训练，得到图像描述生成模型的步骤，包括：
21.将所述样本特征对输入至所述神经网络模型中，所述神经网络模型包括生成网络和判别网络；
22.通过所述生成网络对所述样本特征对进行编码处理，得到目标特征数据；并通过所述判别网络对所述目标特征数据进行损失计算，得到特征损失值；
23.根据所述特征损失值对所述神经网络模型的损失函数进行优化，以更新所述神经网络模型，得到所述图像描述生成模型。
24.在一些实施例，所述样本特征对包括第一特征对和第二特征对，所述目标特征数据包括第一文本特征和第一图像特征，所述通过所述生成网络对所述样本特征对进行编码处理，得到目标特征数据；并通过所述判别网络对所述目标特征数据进行损失计算，得到特征损失值的步骤，包括：
25.对所述第一特征对中的样本图像进行编码处理，得到第一图像特征，并对所述第二特征对中的伪描述文本进行编码处理，得到第一文本特征；
26.通过所述生成网络对所述第一图像特征进行描述生成，得到第一描述文本；并通过所述生成网络对所述第一文本特征进行描述生成，得到第二描述文本；
27.通过所述判别网络对所述第一描述文本进行文本解析，得到第二图像特征，并对所述第二图像特征和所述第一图像特征进行相似度计算，得到第一损失值；
28.通过所述判别网络对所述第二描述文本和所述伪描述文本进行相似度计算，得到第二损失值；
29.根据预设的权重参数对所述第一损失值和所述第二损失值进行加权计算，得到所述特征损失值。
30.为实现上述目的，本技术实施例的第二方面提出了一种图像描述生成方法，所述方法包括：
31.获取待处理的目标图像；
32.将所述目标图像输入至图像描述生成模型进行图像描述生成处理，得到目标图像描述文本，其中，所述图像描述生成模型根据如第一方面任一项所述的训练方法训练得到。
33.为实现上述目的，本技术实施例的第三方面提出了一种模型的训练装置，所述装置包括：
34.样本图像获取模块，用于获取样本图像；
35.检测模块，用于对所述样本图像进行目标检测，得到样本图像类别标签；
36.编码模块，用于通过预设的参考状态因子对所述样本图像类别标签进行编码处
理，得到目标类别标签序列；
37.解码模块，用于遍历预设的图像描述语料库，对所述目标类别标签序列进行解码处理，得到伪描述文本；
38.样本特征对构建模块，用于根据所述样本图像和所述伪描述文本构建样本特征对；
39.训练模块，用于根据所述样本特征对对预设的神经网络模型进行训练，得到图像描述生成模型，所述图像描述生成模型用于生成目标图像描述文本。
40.为实现上述目的，本技术实施例的第四方面提出了一种图像描述生成装置，所述装置包括：
41.目标图像获取模块，用于获取待处理的目标图像；
42.图像描述生成模块，用于将所述目标图像输入至图像描述生成模型进行图像描述生成处理，得到目标图像描述文本，其中，所述图像描述生成模型根据如第一方面任一项所述的训练方法训练得到。
43.为实现上述目的，本技术实施例的第五方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法或者第二方面所述的方法。
44.为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法或者第二方面所述的方法。
45.本技术提出的模型的训练方法、图像描述生成方法和装置、设备、介质，其通过获取样本图像；对样本图像进行目标检测，得到样本图像类别标签，能够有效地剔除样本图像中相关性不高的图像内容，使得更为准确地检测出与样本图像的相关性较高的图像类别。通过预设的参考状态因子对样本图像类别标签进行编码处理，得到目标类别标签序列；遍历预设的图像描述语料库，对目标类别标签序列进行解码处理，得到伪描述文本，从而能够对样本图像和对应的伪描述文本进行配对，得到多个样本特征对。最后根据样本特征对对预设的神经网络模型进行训练，得到图像描述生成模型，图像描述生成模型用于生成目标图像描述文本。本技术实施例通过目标检测、编码及解码等方式，能够更有针对性地对样本图像的图像内容进行检测，并生成对应的描述文本，使得生成的伪始描述文本更为贴合图像内容，同时，根据样本图像及其伪描述文本可以构建多个样本特征对，能够实现图像特征和文字特征的空间对齐，使得在训练过程中让神经网络模型更专注于对图像语义内容进行学习，提高模型的训练效果。本技术实施例通过将待处理的目标图像输入至图像描述生成模型进行图像描述生成处理，能够提高生成的目标图像描述文本的准确性。
附图说明
46.图1是本技术实施例提供的模型的训练方法的流程图；
47.图2是图1中的步骤s102的流程图；
48.图3是图1中的步骤s104的流程图；
49.图4是图1中的步骤s106的流程图；
50.图5是图4中的步骤s402的流程图；
51.图6是本技术实施例提供的图像描述生成方法的流程图；
52.图7是本技术实施例提供的模型的训练装置的结构示意图；
53.图8是本技术实施例提供的图像描述生成装置的结构示意图；
54.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
56.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”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。
57.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
58.首先，对本技术中涉及的若干名词进行解析：
59.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
60.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
61.信息抽取(information extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
62.目标检测(object detection)：目标检测的任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置，是计算机视觉领域的核心问题之一。目标检测的核心问题包括四类，即(1)分类问题：即图片(或某个区域)中的图像属于哪个类别。(2)定位问题：目标可能出现在图像的任何位置。(3)大小问题：目标有各种不同的大小。(4)形状问题：目标可能有各种不同的形状目标检测分为两大系列：rcnn【region-based convolutional neural networks，基于区域的卷积神经网络】系列和yolo系列，rcnn系列是基于区域检测的代表性算法，yolo是基于区域提取的代表性算法。
63.softmax分类器：为逻辑回归分类器面对多个分类的一般化归纳，输出的是属于不同类别的概率值。
64.编码(encoder)：就是将输入序列转化成一个固定长度的向量。
65.解码(decoder)：就是将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。
66.生成式对抗网络(generative adversarial networks，gan)：是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(generative model，gm)和判别模型(discriminative model，dm)的互相博弈学习产生相当好的输出。
67.图像描述(image caption)为图像生成自然语言描述，并利用所生成的描述帮助应用程序理解图像视觉场景中表达的语义。例如，图像描述可以将图像检索转换为文本检索，用于对图像进行分类并改善图像检索结果。人们通常只需快速浏览一下即可描述图像视觉场景的细节，而自动为图像添加描述则是一项全面而艰巨的计算机视觉任务，需要将图像中包含的复杂信息转换为自然语言描述。与普通的计算机视觉任务相比，图像字幕不仅需要从图像中识别对象，而且还需要将识别出的对象与自然语义相关联并以自然语言进行描述。因此，图像描述需要人们提取图像的深层特征，与语义特征关联并转换用于生成描述。
68.目前，大多数的图像描述的生成常常采用监督学习的方法实现，即通过监督学习模型对图像的基本特征进行提取，根据基本特征生成对应的描述句子，从而得到图像描述文本，监督学习模型的训练常常需要大量的训练语料，包括训练图像及对应的描述句子，而获取大量的高质量训练语料的难度较大，影响模型的训练效果。因此，如何改善模型的训练效果，成为了亟待解决的技术问题。
69.基于此，本技术实施例提供了一种模型的训练方法、图像描述生成方法和装置、设备、介质，旨在提高模型的训练效果。
70.本技术实施例提供的模型的训练方法、图像描述生成方法和装置、设备、介质，具体通过如下实施例进行说明，首先描述本技术实施例中的模型的训练方法。
71.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，ai是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
72.人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深
度学习等几大方向。
73.本技术实施例提供的模型的训练方法，涉及人工智能技术领域。本技术实施例提供的图像描述生成方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn【content delivery network，内容分发网络】以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现图像描述生成方法的应用等，但并不局限于以上形式。
74.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
75.图1是本技术实施例提供的模型的训练方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s106。
76.步骤s101，获取样本图像；
77.步骤s102，对样本图像进行目标检测，得到样本图像类别标签；
78.步骤s103，通过预设的参考状态因子对样本图像类别标签进行编码处理，得到目标类别标签序列；
79.步骤s104，遍历预设的图像描述语料库，对目标类别标签序列进行解码处理，得到伪描述文本；
80.步骤s105，根据样本图像和伪描述文本构建样本特征对；
81.步骤s106，根据样本特征对对预设的神经网络模型进行训练，得到图像描述生成模型，图像描述生成模型用于生成目标图像描述文本。
82.本技术实施例所示意的步骤s101至步骤s106，通过对样本图像进行目标检测，得到样本图像类别标签，能够有效地剔除样本图像中相关性不高的图像内容，使得更为准确地检测出与样本图像的相关性较高的图像类别。通过预设的参考状态因子对样本图像类别标签进行编码处理，得到目标类别标签序列；遍历预设的图像描述语料库，对目标类别标签序列进行解码处理，得到伪描述文本，能够对样本图像和对应的伪描述文本进行配对，得到多个样本特征对。最后根据样本特征对对预设的神经网络模型进行训练，得到图像描述生成模型，图像描述生成模型用于生成目标图像描述文本，通过目标检测、编码及解码等方式，能够更有针对性地对样本图像的图像内容进行检测，并生成对应的描述文本，使得生成的伪始描述文本更为贴合图像内容，同时，根据样本图像及其伪描述文本可以构建多个样本特征对，能够实现图像特征和文字特征的空间对齐，使得在训练过程中让神经网络模型更专注于对图像语义内容进行学习，提高模型的训练效果。
83.在一些实施例的步骤s101中，样本图像可以为三维图像；在一些实施例，该三维图像可以是通过计算机断层扫描(computed tomography,ct)，在另一项实施例，该三维图像还可以是通过核磁共振成像(magnetic resonance imaging,mri)得来。
84.在一些医学应用场景中，上述的样本图像可以为医学影像，样本图像包含的对象所属类型为病灶，即机体上发生病变的部分。医学影像是指为了医疗或医学研究，以非侵入方式取得的内部组织，例如，胃部、腹部、心脏、膝盖、脑部的影像，比如，电子ct、mri、超声(ultrasonic，us)、x光图像、脑电图以及光学摄影灯由医学仪器生成的图像。
85.在一些实施例的步骤s101中，样本图像也可以从预设的图像数据库中获取，或者通过对视频片段进行截取得到。样本图像可以表示为i，i∈r3×w×h，其中，w为样本图像的宽度，h为样本图像的高度，3为样本图像的通道数。
86.请参阅图2，在一些实施例中，步骤s102可以包括但不限于包括步骤s201至步骤s205：
87.步骤s201，将样本图像输入至预设的目标检测模型中，其中，目标检测模型包括卷积层、rpn层、roi pooling层和全连接层；
88.步骤s202，通过卷积层对样本图像进行特征提取，得到样本特征图；
89.步骤s203，通过rpn层和预设的坐标信息对样本特征图进行目标检测，得到初始检测框；
90.步骤s204，通过roi pooling层的预设缩放参数对样本特征图和初始检测框进行特征融合处理，得到样本融合特征图；
91.步骤s205，通过全连接层的预测函数和预设图像类别标签对样本融合特征图进行分类概率计算，得到分类概率值，并根据分类概率值对预设图像类别标签进行筛选处理，得到样本图像类别标签。
92.在一些实施例的步骤s201中，将样本图像输入至预设的目标检测模型，该预设的目标检测模型可以是faster r-cnn模型，包括卷积层、rpn层(region proposal network，目标区域网络层)、roi pooling层以及全连接层。
93.在一些实施例的步骤s202中，通过卷积层对样本图像进行卷积处理，进一步捕捉样本图像的图像特征，生成样本图像对应的样本特征图，样本特征图可以记为x
fr
。
94.在一些实施例的步骤s203中，为了更好覆盖到图像空间特征，提高生成图像描述的准确性，在目标检测过程中，引入空间特征，即预设坐标信息，例如预设四个坐标参数，其中，坐标参数可以表示为通过这四个坐标参数可以表示样本特征图中每一预设图像锚框的位置信息，i为第i个待检测目标，x
ix
,y
iy
分别代表预设图像锚框的中心点的横坐标和纵坐标，w
iw
代表预设图像锚框的宽度，h
ih
代表预设图像锚框的高度，将预设图像锚框的中心点作为图像锚点。通过rpn层的分类函数对目标特征图的图像锚点进行分类处理，得到标签图像特征，其中，分类函数可以是softmax函数等等，不做限制。进而，对标签图像特征进行边框回归预测，得到图像锚点的偏移量，根据偏移量和标签图像进行目标定位，从而得到目标特征图对应的初始检测框。
95.在一些实施例的步骤s204中，通过roi pooling层在目标特征图上选取每个初始检测框对应的特征，并将特征维度设置为定值，通过线性回归学习四个坐标参数，使得偏移量不断地逼近真实框，从而获得精确目标检测框，即图像目标检测框。进一步地，根据预设
缩放参数对样本特征图和图像目标检测框进行特征融合处理，得到样本融合特征图x
fr-prop
。
96.在一些实施例的步骤s205中，预测函数为softmax函数，通过softmax函数计算样本融合特征图上每一特征点的具体类别，即在每一预设图像类别标签上创建一个概率分布，得到概率向量，该概率向量即为分类概率值，表示每一特征点属于每一预设图像类别标签的概率情况；进一步地，根据分类概率值对预设图像类别标签进行筛选处理，选取分类概率值处于前十位的预设图像类别标签作为样本图像类别标签，其中，样本图像类别标签可以表示为以表示为样本图像类别标签可以用于伪描述文本的生成。
97.在一些实施例的步骤s103中，由于在本技术实施例中主要是基于独立的样本图像类别标签进行伪描述文本的生成，生成的文本句子可能缺乏语言的连贯性，因而，通过预设的参考状态因子对样本图像类别标签进行编码处理，得到目标类别标签序列，即采用有限状态自动机ai来表示目标类别标签序列来表示目标类别标签序列其中，σ表示预获取的图像描述语料库的词汇表，si为自动状态集合，代表初始状态，δi为状态转移函数，为目标类别标签序列的最后状态。通过这一编码处理过程可以得到用于图像描述生成的标签序列。
98.请参阅图3，在一些实施例中，步骤s104可以包括但不限于包括步骤s301至步骤s302：
99.步骤s301，通过预设的预测函数对目标类别标签序列进行分布概率计算，得到分布概率值；
100.步骤s302，遍历图像描述语料库，根据分布概率值对目标类别标签序列进行解码处理，得到伪描述文本。
101.汇表σ中的词段。通过这一预测函数可以对目标类别标签序列进行分布概率计算，得到分布概率值p。
102.在一些实施例的步骤s302中，在每一时刻的单词生成过程中，遍历图像描述语料库和目标类别标签序列的当前状态，通过状态转移函数更新输出的词汇序列，将每一次解码得到的分布概率值最高的b个词段添加至生成词汇序列中，通过多次循环迭代，输出样本图像对应的伪描述文本y。
103.在一些实施例的步骤s105中，将样本图像与基于样本图像生成的伪描述文本构建多种类型的样本特征对，例如，样本特征对可以包括图像-文本对或者文本-图像对等等。
104.请参阅图4，在一些实施例中，步骤s106可以包括但不限于包括步骤s401至步骤s402：
105.步骤s401，将样本特征对输入至神经网络模型中，神经网络模型包括生成网络和判别网络；
106.步骤s402，通过生成网络对样本特征对进行编码处理，得到目标特征数据；并通过判别网络对目标特征数据进行损失计算，得到特征损失值；
107.步骤s403，根据特征损失值对神经网络模型的损失函数进行优化，以更新神经网络模型，得到图像描述生成模型。
108.在一些实施例的步骤s401中，将样本特征对输入至神经网络模型中，该神经网络模型可以基于对抗生成网络构建而成，神经网络包括生成网络和判别网络。
109.在一些实施例的步骤s402中，通过生成网络对样本特征对进行编码处理，生成样本图像对应的图像描述信息，将生成的图像描述信息作为目标特征数据，其中，该生成网络可以基于lstm算法构建而成。通过判别网络对目标特征数据进行损失计算，得到特征损失值，其中，特征损失值用来判断生成的图像描述信息是否能够与预获取的语料库中的句子进行匹配以及区分。
110.进一步地，输入的样本特征对x
t
可以表示为
111.x
t
＝wes
t
,t∈{0,...,t-1}；
112.通过生成网络对样本特征对进行编码处理，生成的目标特征数据的过程可以表示为
[0113][0114]st
～p
t
,t∈{1,...,t}；
[0115][0116]
其中，～代表采样操作，t是生成句子的长度，we为词向量学习参数，x
t
为生成网络的输入，s
t
为生成网络的生成词汇的独热编码，为生成网络的隐藏层状态，p
t
为t时刻生成词汇的可能性。s0,s
t
分别为句子开始和结束的两个标识符，初始隐藏状态为0。为判别网络的隐藏层状态，q
t
为生成描述被判别网络判断为真实的可能性大小。
[0117]
进一步地，为了提高模型的训练效果，在训练过程中引入奖励机制，即在通过特征损失值判断生成的图像描述信息与预获取的语料库中的句子难以区分时，通过对做梯度下降进行判别网络的参数更新。为对抗性奖励，损失函数可以表示为公式(1)所示：
[0118][0119]
在一些实施例的步骤s403中，根据特征损失值进行反向传播，更新损失函数的损失参数，以对损失函数进行优化，进而根据损失函数进行反向传播，通过优化损失函数更新神经网络模型，得到图像描述生成模型。
[0120]
请参阅图5，在一些实施例中，样本特征对包括第一特征对和第二特征对，目标特征数据包括第一文本特征和第一图像特征，步骤s402还可以包括但不限于包括步骤s501至步骤s505：
[0121]
步骤s501，对第一特征对中的样本图像进行编码处理，得到第一图像特征，并对第二特征对中的伪描述文本进行编码处理，得到第一文本特征；
[0122]
步骤s502，通过生成网络对第一图像特征进行描述生成，得到第一描述文本；并通过生成网络对第一文本特征进行描述生成，得到第二描述文本；
[0123]
步骤s503，通过判别网络对第一描述文本进行文本解析，得到第二图像特征，并对第二图像特征和第一图像特征进行相似度计算，得到第一损失值；
[0124]
步骤s504，通过判别网络对第二描述文本和伪描述文本进行相似度计算，得到第二损失值；
[0125]
步骤s505，根据预设的权重参数对第一损失值和第二损失值进行加权计算，得到特征损失值。
[0126]
在一些实施例的步骤s501中，采用双向重构的方式来对样本特征对进行编码处理以及损失计算。具体地，双向重构过程可以分为第一重构过程(即图像重构过程)以及第二重构过程(即句子重构过程)。在第一重构过程中，对第一特征对中的样本图像进行编码处理，通过编码器对样本图像进行编码处理，提取图像特征表示，得到第一图像特征；在第二重构过程中，对第一特征对中的伪描述文本机芯编码处理，提取句子特征表示，得到第一文本特征。
[0127]
在一些实施例的步骤s502中，在第一重构过程中，经过生成网络对第一图像特征进行描述生成，得到第一描述文本；在第二重构过程中，通过生成网络对第一文本特征进行描述生成，得到第二描述文本。
[0128]
在一些实施例的步骤s503中，在第一重构过程中，通过判别网络对第一描述文本进行文本解析，根据句子特征返回图像特征，得到第二图像特征，将第二图像特征与输入的第一图像特征进行对比，计算第二图像特征和第一图像特征的图像相似度，得到第一损失值
[0129]
在一些实施例的步骤s504中，在第二重构过程中，通过判别网络将第二描述文本与输入的伪描述文本进行对比，计算第二描述文本与伪描述文本的文本相似度，得到第二损失值
[0130]
在一些实施例的步骤s505中，预设的权重参数可以根据实际需求进行设置，不做限制。根据预设的权重参数对第一损失值和第二损失值进行加权计算，得到特征损失值。通过特征损失值能够表征本技术实施例联合对抗奖励、句子重构损失函数和图像重构损失函数对模型进行训练的过程。
[0131]
进一步地，图像重构损失函数可以表示如公式(2)所示：
[0132][0133]
其中，
[0134]
x-1
＝fc(fim)；fc表示全连接层；
[0135][0136]
图像重构奖励和负重建损失函数成正比，即
[0137]
句子重构损失函数可以表示如公式(3)所示：
[0138]
[0139]
其中，为被认为是真实的语句的第t个单词。
[0140]
通过上述步骤s501至步骤s505，在训练过程中引入双向重构，将图像和文字特征在共同空间中进行对齐，使得生成句子可以更好地表达图像语义，达到了改善模型效果的目的。
[0141]
本技术实施例的模型的训练方法，其通过获取样本图像；对样本图像进行目标检测，得到样本图像类别标签，能够有效地剔除样本图像中相关性不高的图像内容，使得更为准确地检测出与样本图像的相关性较高的图像类别。通过预设的参考状态因子对样本图像类别标签进行编码处理，得到目标类别标签序列；遍历预设的图像描述语料库，对目标类别标签序列进行解码处理，得到伪描述文本，从而能够对样本图像和对应的伪描述文本进行配对，得到多个样本特征对。最后根据样本特征对对预设的神经网络模型进行训练，得到图像描述生成模型，图像描述生成模型用于生成目标图像描述文本。本技术实施例通过目标检测、编码及解码等方式，能够更有针对性地对样本图像的图像内容进行检测，并生成对应的描述文本，使得生成的伪始描述文本更为贴合图像内容，同时，根据样本图像及其伪描述文本可以构建多个样本特征对，引入了双向重构的过程，能够实现图像特征和文字特征的空间对齐，使得在训练过程中让神经网络模型更专注于对图像语义内容进行学习，提高模型的训练效果。
[0142]
请参阅图6，本技术实施例还提供一种图像描述生成方法，该方法包括：
[0143]
步骤s601，获取待处理的目标图像；
[0144]
步骤s602，将目标图像输入至图像描述生成模型进行图像描述生成处理，得到目标图像描述文本，其中，图像描述生成模型根据如第一方面实施例的训练方法训练得到。
[0145]
在一些实施例的步骤s601中，获取待处理的目标图像；该目标图像可以通过照相机、摄像机或者ct扫描得到目标图像，还可以是其他方式获取目标图像，不限于此。
[0146]
在一些实施例的步骤s602中，将目标图像输入至图像描述生成模型中，通过图像描述生成模型对目标图像进行图像识别，通过目标检测、编码及解码等方式，能够更有针对性地对目标图像的图像内容进行检测，并生成对应的目标图像描述文本，使得生成的目标图像描述文本更为贴合图像内容，能够实现图像特征和文字特征的空间对齐，在生成目标图像描述信息时，图像描述生成模型能够关注到目标图像中的图像语义内容，根据图像语义内容进行图像描述生成处理，能够使得得到的目标图像描述文本更为准确。
[0147]
本技术实施例的图像描述生成方法，其通过将待处理的目标图像输入至图像描述生成模型进行图像描述生成处理，能够提高生成的目标图像描述文本的准确性。
[0148]
请参阅图7，本技术实施例还提供一种模型的训练装置，可以实现上述模型的训练方法，该装置包括：
[0149]
样本图像获取模块701，用于获取样本图像；
[0150]
检测模块702，用于对样本图像进行目标检测，得到样本图像类别标签；
[0151]
编码模块703，用于通过预设的参考状态因子对样本图像类别标签进行编码处理，得到目标类别标签序列；
[0152]
解码模块704，用于遍历预设的图像描述语料库，对目标类别标签序列进行解码处理，得到伪描述文本；
[0153]
样本特征对构建模块705，用于根据样本图像和伪描述文本构建样本特征对；
[0154]
训练模块706，用于根据样本特征对对预设的神经网络模型进行训练，得到图像描述生成模型，图像描述生成模型用于生成目标图像描述文本。
[0155]
在一些实施例中，检测模块702包括：
[0156]
第一输入单元，用于将样本图像输入至预设的目标检测模型中，其中，目标检测模型包括卷积层、rpn层、roi pooling层和全连接层；
[0157]
特征提取单元，用于通过卷积层对样本图像进行特征提取，得到样本特征图；
[0158]
目标检测单元，用于通过rpn层和预设的坐标信息对样本特征图进行目标检测，得到初始检测框；
[0159]
特征融合单元，用于通过roi pooling层的预设缩放参数对样本特征图和初始检测框进行特征融合处理，得到样本融合特征图；
[0160]
第一计算单元，用于通过全连接层的预测函数和预设图像类别标签对样本融合特征图进行分类概率计算，得到分类概率值，并根据分类概率值对预设图像类别标签进行筛选处理，得到样本图像类别标签。
[0161]
在一些实施例中，解码模块704包括：
[0162]
第二计算单元，用于通过预设的预测函数对目标类别标签序列进行分布概率计算，得到分布概率值；
[0163]
解码单元，用于遍历图像描述语料库，根据分布概率值对目标类别标签序列进行解码处理，得到伪描述文本。
[0164]
在一些实施例中，训练模块706包括：
[0165]
第二输入单元，用于将样本特征对输入至神经网络模型中，神经网络模型包括生成网络和判别网络；
[0166]
处理单元，用于通过生成网络对样本特征对进行编码处理，得到目标特征数据；并通过判别网络对目标特征数据进行损失计算，得到特征损失值；
[0167]
优化单元，用于根据特征损失值对神经网络模型的损失函数进行优化，以更新神经网络模型，得到图像描述生成模型。
[0168]
在一些实施例中，样本特征对包括第一特征对和第二特征对，目标特征数据包括第一文本特征和第一图像特征，处理单元包括：
[0169]
编码单元，用于对第一特征对中的样本图像进行编码处理，得到第一图像特征，并对第二特征对中的伪描述文本进行编码处理，得到第一文本特征；
[0170]
描述生成单元，用于通过生成网络对第一图像特征进行描述生成，得到第一描述文本；并通过生成网络对第一文本特征进行描述生成，得到第二描述文本；
[0171]
第三计算单元，用于通过判别网络对第一描述文本进行文本解析，得到第二图像特征，并对第二图像特征和第一图像特征进行相似度计算，得到第一损失值；
[0172]
第四计算单元，用于通过判别网络对第二描述文本和伪描述文本进行相似度计算，得到第二损失值；
[0173]
加权计算单元，用于根据预设的权重参数对第一损失值和第二损失值进行加权计算，得到特征损失值。
[0174]
该模型的训练装置的具体实施方式与上述模型的训练方法的具体实施例基本相
同，在此不再赘述。
[0175]
请参阅图8，本技术实施例还提供一种图像描述生成装置，可以实现上述图像描述生成方法，该装置包括：
[0176]
目标图像获取模块801，用于获取待处理的目标图像；
[0177]
图像描述生成模块802，用于将目标图像输入至图像描述生成模型进行图像描述生成处理，得到目标图像描述文本，其中，图像描述生成模型根据如第一方面实施例的训练方法训练得到。
[0178]
该图像描述生成装置的具体实施方式与上述图像描述生成方法的具体实施例基本相同，在此不再赘述。
[0179]
本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述模型的训练方法或者图像描述生成方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
[0180]
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0181]
处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0182]
存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的模型的训练方法或者图像描述生成方法。
[0183]
输入/输出接口903，用于实现信息输入及输出；
[0184]
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0185]
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
[0186]
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
[0187]
本技术实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述模型的训练方法或者图像描述生成方法。
[0188]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0189]
本技术实施例提供的模型的训练方法、模型的训练装置、图像描述生成方法、图像
描述生成装置、电子设备及存储介质，其通过获取样本图像；对样本图像进行目标检测，得到样本图像类别标签，能够有效地剔除样本图像中相关性不高的图像内容，使得更为准确地检测出与样本图像的相关性较高的图像类别。通过预设的参考状态因子对样本图像类别标签进行编码处理，得到目标类别标签序列；遍历预设的图像描述语料库，对目标类别标签序列进行解码处理，得到伪描述文本，从而能够对样本图像和对应的伪描述文本进行配对，得到多个样本特征对。最后根据样本特征对对预设的神经网络模型进行训练，得到图像描述生成模型，图像描述生成模型用于生成目标图像描述文本。本技术实施例通过目标检测、编码及解码等方式，能够更有针对性地对样本图像的图像内容进行检测，并生成对应的描述文本，使得生成的伪始描述文本更为贴合图像内容，同时，根据样本图像及其伪描述文本可以构建多个样本特征对，能够实现图像特征和文字特征的空间对齐，使得在训练过程中让神经网络模型更专注于对图像语义内容进行学习，提高模型的训练效果。本技术实施例通过将待处理的目标图像输入至图像描述生成模型进行图像描述生成处理，能够提高生成的目标图像描述文本的准确性。
[0190]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0191]
本领域技术人员可以理解的是，图1-5、图6中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0192]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0193]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0194]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术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。
[0195]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0196]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅
仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0197]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0198]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0199]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0200]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。