图文检索模型的训练方法、图文检索方法、装置及设备

技术领域

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

随着人工智能和互联网技术的发展，互联网世界中存在大量的文本和图像数据。人们对于互联网搜索功能的需求也日渐更新，不仅仅需求基于文本关键词搜索图像，还有需求基于图像搜索文本。因此，如何准确的实现图像与文本之间的互相搜索，对于提升需求方的搜索需求至关重要。

发明内容

本公开提供了一种图文检索模型的训练方法、图文检索方法、装置及设备。

根据本公开的一方面，提供了一种图文检索模型的训练方法，该方法包括：

获取样本图文对，所述样本图文对包括样本图像和样本文本；

对所述样本图像进行特征提取，得到所述样本图像的图像特征；

根据词义字典，确定所述样本文本的正样本文本特征和所述样本文本对应的负样本文本特征；

根据所述正样本文本特征、所述负样本文本特征和所述图像特征，对图文检索模型进行训练。

根据本公开的另一方面，提供了一种图文检索方法，该方法包括：

获取目标图像或目标文本；

采用图文检索模型中的视觉编码器对所述目标图像进行特征提取，得到所述目标图像的目标图像特征；

采用所述图文检索模型中的文本编码器对文本库中的候选文本进行特征提取，得到候选文本特征；

对所述目标图像特征和所述候选文本特征进行匹配，根据匹配结果，从所述文本库中确定所述目标图像对应的搜索文本；

或者，

采用所述图文检索模型中的文本编码器对所述目标文本进行特征提取，得到所述目标文本的目标文本特征；

采用所述图文检索模型中的视觉编码器对图像库中的候选图像进行特征提取，得到候选图像特征；

对所述目标文本特征和所述候选图像特征进行匹配，根据匹配结果，从所述图像库中确定所述目标文本对应的搜索图像；

其中，所述图文检索模型根据本公开任一实施例所述的图文检索模型的训练方法训练得到。

根据本公开的另一方面，提供了一种图文检索模型的训练装置，该装置包括：

样本图文对获取模块，用于获取样本图文对，所述样本图文对包括样本图像和样本文本；

图像特征确定模块，用于对所述样本图像进行特征提取，得到所述样本图像的图像特征；

文本特征确定模块，用于根据词义字典，确定所述样本文本的正样本文本特征和所述样本文本对应的负样本文本特征；

模型训练模块，用于根据所述正样本文本特征、所述负样本文本特征和所述图像特征，对图文检索模型进行训练。

根据本公开的另一方面，提供了一种图文检索装置，该装置包括：

目标数据获取模块，用于获取目标图像或目标文本；

目标图像特征确定模块，用于采用图文检索模型中的视觉编码器对所述目标图像进行特征提取，得到所述目标图像的目标图像特征；

候选文本特征确定模块，用于采用所述图文检索模型中的文本编码器对文本库中的候选文本进行特征提取，得到候选文本特征；

搜索文本确定模块，用于对所述目标图像特征和所述候选文本特征进行匹配，根据匹配结果，从所述文本库中确定所述目标图像对应的搜索文本；

或者，

目标文本特征确定模块，用于采用所述图文检索模型中的文本编码器对所述目标文本进行特征提取，得到所述目标文本的目标文本特征；

候选图像特征确定模块，用于采用所述图文检索模型中的视觉编码器对图像库中的候选图像进行特征提取，得到候选图像特征；

搜索图像确定模块，用于对所述目标文本特征和所述候选图像特征进行匹配，根据匹配结果，从所述图像库中确定所述目标文本对应的搜索图像；

其中，所述图文检索模型根据本公开任一实施例所述的图文检索模型的训练方法训练得到。

根据本公开的另一方面，提供了一种电子设备，该电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

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图文检索模型的训练方法或图文检索方法。

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图文检索模型的训练方法或图文检索方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开任一实施例所述的图文检索模型的训练方法或图文检索方法。

根据本公开的技术，能够提高图文检索的准确性。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例提供的一种图文检索模型的训练方法的流程图；

图2是根据本公开实施例提供的另一种图文检索模型的训练方法的流程图；

图3是根据本公开实施例提供的一种图文检索方法的流程图；

图4是根据本公开实施例提供的一种图文检索模型的训练装置的结构示意图；

图5是根据本公开实施例提供的一种图文检索装置的结构示意图；

图6是用来实现本公开实施例的图文检索模型的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

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。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“样本”、“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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明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。

此外，还需要说明的是，本发明的技术方案中，所涉及的样本图文对、词义字典、目标图像和目标文本等的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

图1是根据本公开实施例提供的一种图文检索模型的训练方法的流程图。本实施例适用于图文互检场景中如何高效准确地实现图文互相检索的情况。该方法可以由图文检索模型的训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成于承载图文检索模型的训练功能的电子设备中，比如服务器中。如图1所示，本实施例的图文检索模型的训练方法可以包括：

S101，获取样本图文对。

本实施例中，样本图文对是用于对图文检索模型进行训练的样本数据。可选的，每一样本图文对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。例如洗衣服图像为例，样本文本可以是一位洗衣服的人，或者the man washingclothes。

可选的，可以采用从互联网等中抓取的大量样本图文对，来对图文检索模型进行训练。

S102，对样本图像进行特征提取，得到样本图像的图像特征。

本实施例中，图像特征是指样本图像的视觉特征，可以采用矩阵或向量形式表示。

一种可选方式，可以采用传统特征提取方法，对样本图像进行特征提取，得到样本图像的图像特征。其中，传统特征提取方法可以是尺度不变特征变换(Scale InvariantFeature Transform，SIFT)算法、方向梯度直方图(Histogram of Oriented Gradient，HOG)特征提取方法等。

又一种可选方式，可以采用视觉编码器，对样本图像进行特征提取，得到样本图像的图像特征。其中，视觉编码器可以是由卷积神经网络所构成的特征编码器，例如可以是transformer模型。

S103，根据词义字典，确定样本文本的正样本文本特征和样本文本对应的负样本文本特征。

本实施例中，词义字典是指基于名词其对应的名词定义所构建的多义词字典；可选的，词义字典包括名词以及名词的至少一种名词定义；也就是说，对于一个名词，可以包括该名词的一个或多个定义，即名词具有多种含义的情况下，该名词对应的定义为多个；示例性的，字典的组成示例可以是{“washer”：“the man washing clothes”，“the machinewashing clothes”}，或{“北极”：“地轴的北端”，“北磁极”}。

所谓正样本文本特征是指对与样本文本相关的文本进行特征提取后所得到的特征，具体可以是与样本文本中名词相关的文本进行特征提取后所得到的特征，可以采用矩阵或向量形式表示。所谓负样本文本特征是指对与样本文本不相关的文本进行特征提取后所得到的特征，具体可以是与样本文本中名词不相关的文本进行特征提取后所得到的特征，可以采用矩阵或向量形式表示。

具体的，可以对样本文本进行关键词提取，得到至少一个关键词；之后可以基于关键词，从词义字典中确定与关键词关联性大的文本，对该文本进行特征提取，得到样本文本的正样本文本特征，同时，可以基于关键词，从词义字典中随机确定与关键词不相关的文本，对该文本进行特征提取，得到样本文本的负样本文本特征。

S104，根据正样本文本特征、负样本文本特征和图像特征，对图文检索模型进行训练。

本实施例中，图文检索模型是指用于图文互相检索的模型，可选的，图文检索模型可以包括视觉编码器和文本编码器；其中，视觉编码器用于提取图像的特征，可以是基于卷积神经网络构成的编码；文本编码器用于提取文本的特征，例如可以是transformer模型。

具体的，可以将正样本文本特征、负样本文本特征和图像特征输入图文检索模型中，进行迭代训练，直到满足训练停止条件，则停止对图像检索模型的训练。其中，训练停止条件包括但不限于迭代次数达到设定次数，训练损失稳定在设定范围内；需要说明的是，设定次数和设定范围可以由本领域技术人员根据实际情况设定。

本公开实施例提供的技术方案，通过获取样本图文对，样本图文对包括样本图像和样本文本，之后对样本图像进行特征提取，得到样本图像的图像特征，进而根据词义字典，确定样本文本的正样本文本特征和样本文本对应的负样本文本特征，最后根据正样本文本特征、负样本文本特征和图像特征，对图文检索模型进行训练。上述技术方案，引入词义字典和负样本文本特征，来对图文检索模型进行训练，能够提升图文检索模型的检索性能，从而能够消除文本歧义，提高图文互相检索的准确性。

在上述实施例的基础上，作为本公开的一种可选方式，根据词义字典，确定样本文本的正样本文本特征可以是，对样本文本进行词性分析，确定样本文本的样本名词；根据样本名词，从词义字典中确定样本名词对应的至少一个样本名词定义；分别对至少一个样本名词定义进行特征提取，得到样本文本的正样本文本特征。

其中，样本名词是指样本文本中的名词；样本名词的数量可以是一个或多个。样本名词定义是指样本名词的名词定义。

具体的，可以采用预设词性分析方式，对样本文本进行词性分析，得到样本文本中的至少一个样本名词；其中，预设词性分析方式可以是本领域人员熟知的词性分析方式，本实施例中不作具体限定。

之后，对于每一样本名词，可以以该样本名词为索引，从词义字典中确定该样本名词对应的至少一个样本名词定义；进而，对于每一样本名词定义，对该样本名词定义进行特征提取，得到该样本名词定义对应的定义特征，具体可以采用文本编码器对该样本名词定义进行特征提取，得到该样本名词定义对应的定义特征。

在确定好每一样本名词的所有定义特征后，可以基于预设融合方式将各样本名词对应的所有定义特征进行融合，得到样本文本的正样本文本特征。其中，预设融合方式可以由本领域技术人员根据实际需求设定，包括但不限于拼接、相加等方式。

可以理解的是，由于名词更能表征图像内容，因此通过对样本文本进行词性分析，基于名词及其定义来确定样本文本的正样本文本特征，可以更准确定位样本图像中的核心内容，从而提高图文检索模型的训练精度。

示例性的，分别对至少一个样本名词定义进行特征提取，得到样本文本的正样本文本特征可以是，分别对至少一个样本名词定义进行特征提取，得到至少一个候选文本特征；对至少一个候选文本特征进行注意力运算，得到注意力权重；根据候选文本特征和注意力权重，确定样本文本的正样本文本特征。

其中，候选文本特征是指每一样本名词定义对应的候选文本特征，可以采用矩阵或向量形式表示。注意力权重是指每一候选文本特征的权重。

具体的，对于每一样本名词定义，可以采用图文检索模型中文本编码器对该样本名词定义进行特征提取，得到该样本名词定义对应的候选文本特征；之后对所有的候选文本特征进行注意力运算，得到每一候选文本特征对应的注意力权重；进而分别将各候选文本特征和其对应的注意力权重进行相乘，并将相乘后结果进行相加，得到样本文本的正样本文本特征。

可以理解的是，引入注意力权重，对各候选文本特征进行加权，在名词具有多种定义的情况下，可以保证模型训练过程中可以尽可能关注图像对应的那种名词定义，从而增强图文检索模型的匹配性能。

在上述实施例的基础上，作为本公开的一种可选方式，根据词义字典，确定样本文本对应的负样本文本特征可以是，从词义字典中确定负样本名词以及负样本名词对应的负样本名词定义；对负样本名词定义进行特征提取，得到样本文本对应的负样本文本特征。

其中，负样本名词是指词义字典中与样本名词不相关的名词。负样本名词定义是指负样本名词对应的名词定义。

具体的，可以基于预设选择规则，从词义字典中确定负样本名词以及负样本名词对应的负样本名词定义；例如，可以从词义字典(除去样本名词)中随机选择设定数量个名词，作为负样本名词，同时从词义字典中确定负样本名词对应的负样本名词定义；其中，设定数量可以由本领域技术人员根据实际需求设定，例如设定数量可以是样本名词的数量。之后，对于每一负样本名词定义，可以采用图文检索模型中的文本编码器，对该负样本名词定义进行特征提取，得到该负样本名词定义对应的定义特征；进而将各负样本名词对应的定义特征进行加权求和，得到样本文本对应的负样本文本特征。

可以理解的是，提供一种负样本文本特征的确定方式，引入负样本文本特征，可以增加扰动，使得模型在训练过程中更具备区分能力，从而可以提升图文检索模型的性能。

图2是根据本公开实施例提供的另一种图文检索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“根据正样本文本特征、负样本文本特征和图像特征，对图文检索模型进行训练”进一步优化，提供一种可选实施方案。如图2所示，本实施例的图文检索模型的训练方法可以包括：

S201，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。

S202，对样本图像进行特征提取，得到样本图像的图像特征。

S203，根据词义字典，确定样本文本的正样本文本特征和样本文本对应的负样本文本特征。

S204，根据正样本文本特征和负样本文本特征，确定样本文本的文本特征。

本实施例中，文本特征是指基于正样本文本特征和负样本文本特征所确定的特征，可以采用矩阵或向量形式表示。

具体的，可以基于特征融合方式，对正样本文本特征和负样本文本特征进行融合，得到样本文本的文本特征。例如，可以对正样本文本特征和负样本文本特征进行拼接，将拼接后的结果，作为样本文本的文本特征。又如，可以对负正样本文本特征和负样本文本特征进行加权求和，将求和后结果作为样本文本的文本特征。

S205，根据文本特征和图像特征，确定对齐损失。

本实施例中，对齐损失用于反映文本特征和图像特征之间的差异度，也可以理解为文本特征和图像特征之间的匹配程度。

具体的，可以基于对齐损失函数，根据文本特征和图像特征，确定对齐损失。示例性的，可以基于如下公式确定：

其中，loss表示对齐损失；f_s表示图像特征；f_t表示文本特征；f_t

S206，根据对齐损失，对图文检索模型进行训练。

具体的，可以基于对齐损失，对图文检索模型进行迭代训练，至少满足训练停止条件，停止对图文检索模型训练。

本公开实施例提供的技术方案，通过获取样本图文对，并对样本图像进行特征提取，得到样本图像的图像特征，之后根据词义字典，确定样本文本的正样本文本特征和样本文本对应的负样本文本特征，并根据正样本文本特征和负样本文本特征，确定样本文本的文本特征，进而根据文本特征和图像特征，确定对齐损失，并根据对齐损失，对图文检索模型进行训练。上述技术方案，通过对齐损失来对图文检索模型进行训练，可以提升模型训练的准确性。

图3是根据本公开实施例提供的一种图文检索方法的流程图。本实施例适用于如何高效准确地实现图文检索的情况。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，比如服务器中。如图3所示，本实施例的图文检索方法可以包括：

S301，获取目标图像或目标文本。

本实施例中，目标图像是指待检索的图像。目标文本是指待检索的文本。

具体的，可以获取搜索请求方输入的目标图像或目标文本，例如可以是，搜索请求方通过搜索交互界面，输入目标图像或目标文本。

S302，采用图文检索模型中的视觉编码器对目标图像进行特征提取，得到目标图像的目标图像特征。

本实施例中，目标图像特征是指目标图像的视觉特征，可以采用矩阵或向量形式表示。

具体的，可以将目标图像输入图文检索模型中的视觉编码器，经过视觉编码器处理，得到目标图像的目标图像特征。

S303，采用图文检索模型中的文本编码器对文本库中的候选文本进行特征提取，得到候选文本特征。

本实施例中，候选文本是指文本库中用于描述图像的文本。候选文本特征是指用于表征候选文本的特征，可以采用矩阵或向量形式表示。

具体的，对于文本库中的每一候选文本，可以采用图文检索模型中的文本编码器，对该候选文本进行特征提取，得到该候选文本的候选文本特征。

需要说明的是，对于候选文本特征的确定，可以是在获取目标图像后进行采用文本编码器得到候选文本的候选文本特征确定。也可以是，在未获取到目标图像的情况下，就可以预先采用文本编码器得到候选文本的候选文本特征。

S304，对目标图像特征和候选文本特征进行匹配，根据匹配结果，从文本库中确定目标图像对应的搜索文本。

本实施例中，搜索文本是指目标图像对应的文本，也即所描述目标图像的文本。

具体的，可以确定目标图像特征和每一候选文本特征之间的相似度，并根据相似度，对候选文本进行排序，具体可以是按照相似度从大到小的顺序对候选文本进行排序，将最靠前的候选文本作为搜索文本。

S305，采用图文检索模型中的文本编码器对目标文本进行特征提取，得到目标文本的目标文本特征。

本实施例中，目标文本特征是指目标文本的文本特征，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图文检索模型中的文本编码器，经过文本编码器处理，得到目标文本的目标文本特征。

S306，采用图文检索模型中的视觉编码器对图像库中的候选图像进行特征提取，得到候选图像特征。

本实施例中，候选图像是指图像库中用于描述文本的图像。候选图像特征是指用于表征候选图像的特征，可以采用矩阵或向量形式表示。

具体的，对于图像库中的每一候选图像，可以采用图文检索模型中的视觉编码器，对该候选图像进行特征提取，得到该候选图像的候选图像特征。

需要说明的是，对于候选图像特征的确定，可以是在获取目标文本后进行采用视觉编码器得到候选图像的候选图像特征确定。也可以是，在未获取到目标文本的情况下，就可以预先采用视觉编码器得到候选图像的候选图像特征。

S307，对目标文本特征和候选图像特征进行匹配，根据匹配结果，从图像库中确定目标文本对应的搜索图像。

本实施例中，搜索图像是指目标文本对应的图像，也即所描述目标文的图像。

具体的，可以确定目标文本特征和每一候选图像特征之间的相似度，并根据相似度，对候选图像进行排序，具体可以是按照相似度从大到小的顺序对候选图像进行排序，将最靠前的候选图像作为搜索图像。

需要说明的是，本实施例中的图文检索模型根据上述任一实施例所提供的图文检索模型的训练方法训练得到。

需要说明的是，S302-S304与S305-S307之间的顺序没有先后之分。

本公开实施例提供的技术方案，通过获取目标图像或目标文本，之后采用图文检索模型中的视觉编码器对目标图像进行特征提取，得到目标图像的目标图像特征，并采用图文检索模型中的文本编码器对文本库中的候选文本进行特征提取，得到候选文本特征，进而对目标图像特征和候选文本特征进行匹配，根据匹配结果，从文本库中确定目标图像对应的搜索文本；或者，采用图文检索模型中的文本编码器对目标文本进行特征提取，得到目标文本的目标文本特征，之后采用图文检索模型中的视觉编码器对图像库中的候选图像进行特征提取，得到候选图像特征，进而对目标文本特征和候选图像特征进行匹配，根据匹配结果，从图像库中确定目标文本对应的搜索图像。上述技术方案，借助图文检索模型来实现图像文本互相检索，能够消除文本歧义，提高图文互检索的准确性。

图4是根据本公开实施例提供的一种图文检索模型的训练装置的结构示意图。本实施例适用于图文互检场景中如何高效准确地实现图文互相检索的情况。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模型的训练功能的电子设备中，比如服务器中。如图4所示，本实施例的图文检索模型的训练装置400可以包括：

样本图文对获取模块401，用于获取样本图文对，样本图文对包括样本图像和样本文本；

图像特征确定模块402，用于对样本图像进行特征提取，得到样本图像的图像特征；

文本特征确定模块403，用于根据词义字典，确定样本文本的正样本文本特征和样本文本对应的负样本文本特征；

模型训练模块404，用于根据正样本文本特征、负样本文本特征和图像特征，对图文检索模型进行训练。

本公开实施例提供的技术方案，通过获取样本图文对，样本图文对包括样本图像和样本文本，之后对样本图像进行特征提取，得到样本图像的图像特征，进而根据词义字典，确定样本文本的正样本文本特征和样本文本对应的负样本文本特征，最后根据正样本文本特征、负样本文本特征和图像特征，对图文检索模型进行训练。上述技术方案，引入词义字典和负样本文本特征，来对图文检索模型进行训练，能够提升图文检索模型的检索性能，从而能够消除文本歧义，提高图文互相检索的准确性。

进一步地，文本特征确定模块403，包括：

样本名词确定单元，用于对样本文本进行词性分析，确定样本文本的样本名词；

样本名词定义确定单元，用于根据样本名词，从词义字典中确定样本名词对应的至少一个样本名词定义；

正样本文本特征确定单元，用于分别对至少一个样本名词定义进行特征提取，得到样本文本的正样本文本特征。

进一步地，正样本文本特征确定单元具体用于：

分别对至少一个样本名词定义进行特征提取，得到至少一个候选文本特征；

对至少一个候选文本特征进行注意力运算，得到注意力权重；

根据候选文本特征和注意力权重，确定样本文本的正样本文本特征。

进一步地，文本特征确定模块403，包括：

负样本名词定义确定单元，用于从词义字典中确定负样本名词以及负样本名词对应的负样本名词定义；

负样本文本特征确定单元，用于对负样本名词定义进行特征提取，得到样本文本对应的负样本文本特征。

进一步地，模型训练模块404具体用于：

根据正样本文本特征和负样本文本特征，确定样本文本的文本特征；

根据文本特征和图像特征，确定对齐损失；

根据对齐损失，对图文检索模型进行训练。

进一步地，词义字典包括名词以及名词的至少一种名词定义。

图5是根据本公开实施例提供的一种图文检索装置的结构示意图。本实施例适用于如何高效准确地实现图文检索的情况。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，比如服务器中。如图5所示，本实施例的图文检索装置500可以包括：

目标数据获取模块501，用于获取目标图像或目标文本；

目标图像特征确定模块502，用于采用图文检索模型中的视觉编码器对目标图像进行特征提取，得到目标图像的目标图像特征；

候选文本特征确定模块503，用于采用图文检索模型中的文本编码器对文本库中的候选文本进行特征提取，得到候选文本特征；

搜索文本确定模块504，用于对目标图像特征和候选文本特征进行匹配，根据匹配结果，从文本库中确定目标图像对应的搜索文本；

或者，

目标文本特征确定模块505，用于采用图文检索模型中的文本编码器对目标文本进行特征提取，得到目标文本的目标文本特征；

候选图像特征确定模块506，用于采用图文检索模型中的视觉编码器对图像库中的候选图像进行特征提取，得到候选图像特征；

搜索图像确定模块507，用于对目标文本特征和候选图像特征进行匹配，根据匹配结果，从图像库中确定目标文本对应的搜索图像；

其中，图文检索模型根据本公开上述任一实施例所提供的图文检索模型的训练方法训练得到。

本公开实施例提供的技术方案，通过获取目标图像或目标文本，之后采用图文检索模型中的视觉编码器对目标图像进行特征提取，得到目标图像的目标图像特征，并采用图文检索模型中的文本编码器对文本库中的候选文本进行特征提取，得到候选文本特征，进而对目标图像特征和候选文本特征进行匹配，根据匹配结果，从文本库中确定目标图像对应的搜索文本；或者，采用图文检索模型中的文本编码器对目标文本进行特征提取，得到目标文本的目标文本特征，之后采用图文检索模型中的视觉编码器对图像库中的候选图像进行特征提取，得到候选图像特征，进而对目标文本特征和候选图像特征进行匹配，根据匹配结果，从图像库中确定目标文本对应的搜索图像。上述技术方案，借助图文检索模型来实现图像文本互相检索，能够消除文本歧义，提高图文互检索的准确性。

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。

图6是用来实现本公开实施例的图文检索模型的训练方法或图文检索方法的电子设备的框图。图6示出了可以用来实施本公开的实施例的示例电子设备600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。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603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。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600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。

计算单元601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601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601执行上文所描述的各个方法和处理，例如图文检索模型的训练方法或图文检索方法。例如，在一些实施例中，图文检索模型的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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的图文检索模型的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601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图文检索模型的训练方法或图文检索方法。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。