基于循环一致的跨模态语义对应方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于循环一致的跨模态语义对应方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着5g时代不断发展，人们可以通过图片视频了解远在大洋彼岸的新闻事物，为了便于人们对视频的理解，图片视频-文本这种跨模态语义对应方法应运而生，在医学影像诊断中，医生需要将ct或mri图像中的结构与名称与实际的解剖学结构相对应，需要从图片中截取片段找到图片片段对应的结构名称信息。
3.现有的视频文本对应方法大多基于传统的mlm、mop等，都只是建模了局部上下文语义信息，没有做到语义对齐，业务法处理复杂的语义。实际应用中，由于医学术语较为复杂，传统语义对应方法难以捕捉其精准含义同一个图像片段可能对应多个医疗语义，从而导致进行跨模态语义对应时精确度较低。


技术实现要素：

4.本发明提供一种基于循环一致的跨模态语义对应方法、装置及计算机可读存储介质，其主要目的在于解决进行跨模态语义对应时的精确度较低的问题。
5.为实现上述目的，本发明提供的一种基于循环一致的跨模态语义对应方法，包括：
6.获取预设的多个视频片段以及多个视频字幕，利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，根据预设的图意提取模型逐个提取所述多个视频片段的图意标签；
7.在所述多个视频字幕中随机选取其中一个为第一视频字幕，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，对所述第一匹配度进行归一化指数计算，将计算结果的最大值确定为第一计算结果；
8.利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，将视频片段确定为近邻片段；
9.逐一计算所述近邻片段的图意标签与所述语义标签的第二匹配度，对所述第二匹配度进行归一化计算，将结果的最大值确定为第二计算结果；
10.利用所述近邻公式以及第二计算结果计算所述近邻片段对应的视频字幕，得到第二视频字幕，计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置；
11.若所述第一位置与所述第二位置一致，则代表视频字幕与视频片段的循环保持一致，若所述所述第一位置与所述第二位置不一致，则代表视频字幕与视频片段的循环出现偏差，回到利用预设的语义提取模型提取所述多个视频字幕的语义标签的步骤。
12.可选地，所述利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，包括：
13.将所述多个视频字幕进行分词，得到字幕分词；
14.逐一选取一个字幕分词进行编码，得到分词编码，利用所述语义提取模型获取所述分词编码的标签向量；
15.通过线性变换将所述标签向量转化成语义标签。
16.可选地，所述根据预设的图意提取模型逐个提取所述多个视频片段的图意标签，包括；
17.将多个视频片段通过像素编码的形式转化成像素片段；
18.对所述像素片段进行卷积、池化处理，得到低维像素片段；
19.将所述低维像素片段映射至预设的高维空间，得到高维像素片段；
20.利用所述图意提取模型内的激活函数对所述高维像素片段进行筛选，得到所述视频片段的图意标签。
21.可选地，所述逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，包括：
22.利用如下匹配度公式，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度：
[0023][0024]
其中，p为所述第一匹配度，a为所述语义标签，bm为所述图意标签库内的第m个图意标签，m为计数量词。
[0025]
可选地，所述对所述第一匹配度进行归一化指数计算，得到第一计算结果，包括：
[0026]
利用如下归一化计算公式对所述第一匹配度进行归一化指数计算：
[0027][0028]
其中，αj为第j个归一化指数计算的结果，δi为第i个第一匹配度，θj为第j个图意标签，θk为为第k个图意标签，i、j、k都为计数量词，n为第一匹配度的个数。
[0029]
可选地，所述利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，包括：
[0030][0031]
其中，为所述视频片段，maxαj为第一计算结果，θj为归一化指数计算的结果αj对应的第j个图意标签，h为意图标签的个数，j为计数量词。
[0032]
可选地，所述计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置，包括：
[0033]
对所述第一视频字幕进行编码，得到第一向量；
[0034]
利用预设的位置编码公式计算所述第一向量的位置信息，得到第一位置；
[0035]
对所述第二视频字幕进行编码，得到第二向量；
[0036]
利用预设的位置编码公式计算所述第二向量的位置信息，得到第二位置。
[0037]
为了解决上述问题，本发明还提供一种基于循环一致的跨模态语义对应装置，所述装置包括：
[0038]
提取标签模块：获取预设的多个视频片段以及多个视频字幕，利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，根据预设的图意提取模型逐个提取所述多个视频片段的图意标签；
[0039]
第一计算模块：在所述多个视频字幕中随机选取其中一个为第一视频字幕，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，对所述第一匹配度进行归一化指数计算，将计算结果的最大值确定为第一计算结果；
[0040]
第二计算模块：利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，将视频片段确定为近邻片段；
[0041]
第三计算模块：逐一计算所述近邻片段的图意标签与所述语义标签的第二匹配度，对所述第二匹配度进行归一化计算，将结果的最大值确定为第二计算结果；
[0042]
第四计算模块：利用所述近邻公式以及第二计算结果计算所述近邻片段对应的视频字幕，得到第二视频字幕，计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置；
[0043]
语义对应模块：若所述第一位置与所述第二位置一致，则代表视频字幕与视频片段的循环保持一致，若所述所述第一位置与所述第二位置不一致，则代表视频字幕与视频片段的循环出现偏差，回到利用预设的语义提取模型提取所述多个视频字幕的语义标签的步骤。
[0044]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0045]
至少一个处理器；
[0046]
以及，与所述至少一个处理器通信连接的存储器；
[0047]
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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上述所述的基于循环一致的跨模态语义对应方法。
[0048]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于循环一致的跨模态语义对应方法。
[0049]
本发明实施例通过利用所述近邻公式以及第二计算结果计算所述近邻片段对应的视频字幕，得到第二视频字幕，计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置，计算出准确的位置信息便于进行位置比对，从而实现语义对应；计算出所述第一位置与第二位置的具体信息实际上是两个视频字幕对应的位置信息，当两个视频字幕完全相同时，对应的第一位置与第二位置，也应当是相同的，从而保证了循环的一致性，实现视频与字幕的精准对应；若所述第一位置与所述第二位置一致，则代表视频字幕与视频片段的循环保持一致，若所述所述第一位置与所述第二位置不一致，则代表视频字幕与视频片段的循环出现偏差，回到利用预设的语义提取模型提取所述多个视频字幕的语
义标签的步骤；因此本发明提出的基于循环一致的跨模态语义对应方法、装置、电子设备及计算机可读存储介质，可以解决进行跨模态语义对应时的精确度较低的问题。
附图说明
[0050]
图1为本发明一实施例提供的基于循环一致的跨模态语义对应方法的流程示意图；
[0051]
图2为本发明一实施例提供的提取语义标签的流程示意图；
[0052]
图3为本发明一实施例提供的确定视频字幕位置信息的流程示意图；
[0053]
图4为本发明一实施例提供的基于循环一致的跨模态语义对应装置的功能模块图；
[0054]
图5为本发明一实施例提供的实现所述基于循环一致的跨模态语义对应方法的电子设备的结构示意图。
[0055]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0056]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0057]
本技术实施例提供一种基于循环一致的跨模态语义对应方法。所述基于循环一致的跨模态语义对应方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于循环一致的跨模态语义对应方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(contentdelivery network，cdn)、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。
[0058]
参照图1所示，为本发明一实施例提供的基于循环一致的跨模态语义对应方法的流程示意图。在本实施例中，所述基于循环一致的跨模态语义对应方法包括：
[0059]
s1、获取预设的多个视频片段以及多个视频字幕，利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，根据预设的图意提取模型逐个提取所述多个视频片段的图意标签；
[0060]
由于视频片段与视频字幕属于不同模态的信息，要将视频片段与视频字幕对应起来需要连接不同模态的桥梁，因此可以提取出视频片段对应的标签以及视频字幕对应的标签，进行标签之间的计算，才能将不同模态的两种信息对应结合起来。
[0061]
本发明实施例中，参照图2所示，所述利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，包括：
[0062]
s21、将所述多个视频字幕进行分词，得到字幕分词；
[0063]
s22、逐一选取一个字幕分词进行编码，得到分词编码，利用所述语义提取模型获取所述分词编码的标签向量；
[0064]
s23、通过线性变换将所述标签向量转化成语义标签。
[0065]
详细地，所述线性变换是利用一个简单的全连接神经网络，将解码组件产生的向量投射到一个对数几率的向量里。假设模型训练集是由一万个单词组成的，其中，所述对数几率向量为一万个的单元格长度向量，每个单元格对应某一单词的概率分数，所述语义标签为概率分数最大的单词。
[0066]
本发明实施例中，所述根据预设的图意提取模型逐个提取所述多个视频片段的图意标签，包括；
[0067]
将多个视频片段通过像素编码的形式转化成像素片段；
[0068]
对所述像素片段进行卷积、池化处理，得到低维像素片段；
[0069]
将所述低维像素片段映射至预设的高维空间，得到高维像素片段；
[0070]
利用所述图意提取模型内的激活函数对所述高维像素片段进行筛选，得到所述视频片段的图意标签。
[0071]
详细地，通过对所述像素片段进行卷积、池化处理，以降低多个视频片段的数据维度，进而减少对所述视频片段进行分析时计算资源的占用，提高进行图意标签提取的效率。
[0072]
详细地，所述将所述低维像素片段映射至预设的高维空间可以利用所述图意提取模型自带的映射函数，将所述低维像素片段映射至预设的高维空间，其中，所述映射函数包括但不限于matlab库中的gaussian radial basis function函数、高斯函数等。
[0073]
具体地，所述利用所述图意提取模型自带的激活函数对所述高维像素片段进行筛选，其中，激活函数能够计算所述高维像素片段中每个像素片段的输出值，并选取所述输出值大于预设的输出阈值的像素片段为图意标签，所述激活函数包括但不限于sigmoid激活函数、tanh激活函数、relu激活函数。
[0074]
本发明实施例中，所述根据预设的图意提取模型逐个提取所述多个视频片段的图意标签也可以通过将图像和文本信息进行跨模态对应，可以帮助医生更加准确地理解医学图像中的结构和病变信息，并从中获得更多的诊断信息。这可以提高医生的诊断准确性，并帮助医生更好地制定治疗计划。
[0075]
另外地，通过这种方法能够实现视频字幕与文本的同步匹配，在医疗领域中，可以应用于手术过程等实时视频监控中，以便医生和护士更好地理解和处理患者病情，还可以用于初诊阶段，例如医生通过患者的视频可以提取病情信息和症状描述，以帮助做出正确的诊断和治疗方案。
[0076]
s2、在所述多个视频字幕中随机选取其中一个为第一视频字幕，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，对所述第一匹配度进行归一化指数计算，将计算结果的最大值确定为第一计算结果；
[0077]
由于视频字幕与视频片段属于不同模态的语义信息，无法直接进行计算，因此需要同模态的信息，也就是所述语义标签与图意标签进行计算，才能将所述视频字幕与视频片段对应联系起来。
[0078]
本发明实施例中，所述逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，包括：
[0079]
利用如下匹配度公式，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度：
[0080][0081]
其中，p为所述第一匹配度，a为所述语义标签，bm为所述图意标签库内的第m个图意标签，m为计数量词。
[0082]
本发明实施例中，所述对所述第一匹配度进行归一化指数计算，得到第一计算结果，包括：
[0083]
利用如下归一化计算公式对所述第一匹配度进行归一化指数计算：
[0084][0085]
其中，αj为第j个归一化指数计算的结果，δi为第i个第一匹配度，θj为第j个图意标签，θk为为第k个图意标签，i、j、k都为计数量词，n为第一匹配度的个数。
[0086]
由于第一匹配度是一个语义标签与所有图意标签逐一进行匹配计算得到的结果，因此第一匹配度的个数与意图标签的个数相同，因此归一化指数计算的结果也有多个，为了提高方案的准确性，选取其中计算结果的最大值确定为第一计算结果。
[0087]
s3、利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，将视频片段确定为近邻片段；
[0088]
本发明实施例中，所述利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，包括：
[0089][0090]
其中，为所述视频片段，maxαj为第一计算结果，θj为归一化指数计算的结果αj对应的第j个图意标签，h为意图标签的个数，j为计数量词。
[0091]
详细地，根据视频字幕确定视频片段，是循环的上半部分，抽象化来说，给定a确定b，根据b确定c，对比a、c之间的差距从而构成a、b、c之间循环的闭环，根据a、c之间的一致性判断a、b以及b、c是否匹配。
[0092]
s4、逐一计算所述近邻片段的图意标签与所述语义标签的第二匹配度，对所述第二匹配度进行归一化计算，将结果的最大值确定为第二计算结果；
[0093]
由于根据视频字幕确定了对应的视频片段，想要构成循环还需要根据视频片段确定对应的视频字幕。
[0094]
本发明实施例中，所述逐一计算所述近邻片段的图意标签与所述语义标签的第二匹配度以及所述对所述第二匹配度进行归一化计算的过程，与s2中逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度以及对所述第一匹配度进行归一化指数计算的方法相同，在此不做赘述。
[0095]
详细地，使用同种计算方法能够加快计算效率，节省计算成本，提高公式利用率，
简化操作步骤，从而达到提升跨模态语义对应的效率的目的。
[0096]
具体地，将图意标签与语义标签进行匹配可以用于医疗诊断行业、医学研究行业如将医学影像和病例文档进行结合以及医疗教育等行业。
[0097]
s5、利用所述近邻公式以及第二计算结果计算所述近邻片段对应的视频字幕，得到第二视频字幕，计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置；
[0098]
本发明实施例中，所述利用所述近邻公式以及第二计算结果计算所述近邻片段对应的视频字幕与s3中利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段的步骤一致，同样使用近邻公式进行计算，在此不做赘述。
[0099]
由于第一视频字幕与第二视频字幕无法直接进行对应，需要计算出所述第一视频字幕与第二视频字幕的具体位置信息才能进行比对，计算出准确的位置信息便于进行位置比对，从而实现语义对应。
[0100]
详细地，参照图3所示，所述计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置，包括：
[0101]
s31、对所述第一视频字幕进行编码，得到第一向量；
[0102]
s32、利用预设的位置编码公式计算所述第一向量的位置信息，得到第一位置；
[0103]
s33、对所述第二视频字幕进行编码，得到第二向量；
[0104]
s34、利用预设的位置编码公式计算所述第二向量的位置信息，得到第二位置。
[0105]
详细地，所述利用预设的位置编码公式计算所述第一向量的位置信息，得到第一位置，包括：
[0106]
利用如下位置编码公式计算所述第一向量的位置信息：
[0107][0108][0109]
其中，pe(pos，2)表示第一向量中偶数字符位置，pe(pos，2+1)表示第一向量中奇数字符位置，pos表示第一向量中字符的位置序列，f表示第一向量的第i个维度，d
model
表示字符编码函数。
[0110]
详细地，所述利用预设的位置编码公式计算所述第二向量的位置信息与利用预设的位置编码公式计算所述第一向量的位置信息方法一致，公式相同，将其中的第一向量改成第二向量即可。
[0111]
具体地，计算出所述第一位置与第二位置的具体信息实际上是两个视频字幕对应的位置信息，当两个视频字幕完全相同时，对应的第一位置与第二位置，也应当是相同的，从而保证了循环的一致性，实现视频与字幕的精准对应。
[0112]
s6、若所述第一位置与所述第二位置一致，则代表视频字幕与视频片段的循环保持一致，若所述所述第一位置与所述第二位置不一致，则代表视频字幕与视频片段的循环出现偏差，回到利用预设的语义提取模型提取所述多个视频字幕的语义标签的步骤。
[0113]
详细地，第一位置信息与第二位置信息是由第一视频字幕与第二视频字幕得到的，由第一视频字幕出发，找到对应的视频片段，为半次循环，根据找到的视频片段重新确定对应的视频字幕为第二视频字幕，为整个循环过程。根据所述循环过程得到的第一视频字幕与第二视频字幕应当是完全对应的，因此根据第一视频字幕与第二视频字幕确定的位置信息第一位置与第二位置也应当保持一致。
[0114]
当第一位置与第二位置相同，整个循环能够保持一致，根据第一视频字幕确定的视频片段能够保持一致，说明第一视频字幕与对应的视频片段的语义信息能够相互对应保持一致。
[0115]
当第一位置与第二位置不相同，则说明第一视频字幕与根据第一视频字幕确定的视频片段对应错误，无法相互匹配。需要回到s1中，重新提取多个视频字幕的语义标签的步骤重新进行循环，直至第一位置信息与第二位置信息保持一致，视频模态与字幕模态的语义信息能够对应，循环结束。
[0116]
本发明实施例中，基于循环一致的跨模态语义对应方法在医学影像自动化分析方面，基于循环一致的跨模态语义对应方法可以帮助机器学习模型更准确地理解医学图像中的结构和病变信息，从而提高自动化分析的准确性和可靠性，还可以在医疗领域中提高工作效率和准确度，帮助医生和护士更好地处理患者的病情。
[0117]
如图4所示，是本发明一实施例提供的基于循环一致的跨模态语义对应装置的功能模块图。
[0118]
本发明所述基于循环一致的跨模态语义对应装置100可以安装于电子设备中。根据实现的功能，所述基于循环一致的跨模态语义对应装置100可以包括提取标签模块101、第一计算模块102、第二计算模块103、第三计算模块104、第四计算模块105及语义对应模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0119]
在本实施例中，关于各模块/单元的功能如下：
[0120]
所述提取标签模块101：获取预设的多个视频片段以及多个视频字幕，利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，根据预设的图意提取模型逐个提取所述多个视频片段的图意标签；
[0121]
所述第一计算模块102：在所述多个视频字幕中随机选取其中一个为第一视频字幕，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，对所述第一匹配度进行归一化指数计算，将计算结果的最大值确定为第一计算结果；
[0122]
所述第二计算模块103：利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，将视频片段确定为近邻片段；
[0123]
所述第三计算模块104：逐一计算所述近邻片段的图意标签与所述语义标签的第二匹配度，对所述第二匹配度进行归一化计算，将结果的最大值确定为第二计算结果；
[0124]
所述第四计算模块105：利用所述近邻公式以及第二计算结果计算所述近邻片段对应的视频字幕，得到第二视频字幕，计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置；
[0125]
所述语义对应模块106：若所述第一位置与所述第二位置一致，则代表视频字幕与视频片段的循环保持一致，若所述所述第一位置与所述第二位置不一致，则代表视频字幕
与视频片段的循环出现偏差，回到利用预设的语义提取模型提取所述多个视频字幕的语义标签的步骤。
[0126]
详细地，本发明实施例中所述基于循环一致的跨模态语义对应装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于循环一致的跨模态语义对应方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0127]
如图5所示，是本发明一实施例提供的实现基于循环一致的跨模态语义对应方法的电子设备的结构示意图。
[0128]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于循环一致的跨模态语义对应程序。
[0129]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于循环一致的跨模态语义对应程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0130]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于循环一致的跨模态语义对应程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0131]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0132]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0133]
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的
结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0134]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0135]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0136]
所述电子设备1中的所述存储器11存储的基于循环一致的跨模态语义对应程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0137]
获取预设的多个视频片段以及多个视频字幕，利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，根据预设的图意提取模型逐个提取所述多个视频片段的图意标签；
[0138]
在所述多个视频字幕中随机选取其中一个为第一视频字幕，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，对所述第一匹配度进行归一化指数计算，将计算结果的最大值确定为第一计算结果；
[0139]
利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，将视频片段确定为近邻片段；
[0140]
逐一计算所述近邻片段的图意标签与所述语义标签的第二匹配度，对所述第二匹配度进行归一化计算，将结果的最大值确定为第二计算结果；
[0141]
利用所述近邻公式以及第二计算结果计算所述近邻片段对应的视频字幕，得到第二视频字幕，计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置；
[0142]
若所述第一位置与所述第二位置一致，则代表视频字幕与视频片段的循环保持一致，若所述所述第一位置与所述第二位置不一致，则代表视频字幕与视频片段的循环出现偏差，回到利用预设的语义提取模型提取所述多个视频字幕的语义标签的步骤。
[0143]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0144]
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0145]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0146]
获取预设的多个视频片段以及多个视频字幕，利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，根据预设的图意提取模型逐个提取所述多个视频片段的图意标签；
[0147]
在所述多个视频字幕中随机选取其中一个为第一视频字幕，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，对所述第一匹配度进行归一化指数计算，将计算结果的最大值确定为第一计算结果；
[0148]
利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，将视频片段确定为近邻片段；
[0149]
逐一计算所述近邻片段的图意标签与所述语义标签的第二匹配度，对所述第二匹配度进行归一化计算，将结果的最大值确定为第二计算结果；
[0150]
利用所述近邻公式以及第二计算结果计算所述近邻片段对应的视频字幕，得到第二视频字幕，计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置；
[0151]
若所述第一位置与所述第二位置一致，则代表视频字幕与视频片段的循环保持一致，若所述所述第一位置与所述第二位置不一致，则代表视频字幕与视频片段的循环出现偏差，回到利用预设的语义提取模型提取所述多个视频字幕的语义标签的步骤。
[0152]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
[0153]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
[0154]
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
[0155]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0156]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0157]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0158]
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，人工智能(artificial intelligence，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。
[0159]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中
陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0160]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于循环一致的跨模态语义对应方法，其特征在于，所述方法包括：获取预设的多个视频片段以及多个视频字幕，利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，根据预设的图意提取模型逐个提取所述多个视频片段的图意标签；在所述多个视频字幕中随机选取其中一个为第一视频字幕，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，对所述第一匹配度进行归一化指数计算，将计算结果的最大值确定为第一计算结果；利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，将视频片段确定为近邻片段；逐一计算所述近邻片段的图意标签与所述语义标签的第二匹配度，对所述第二匹配度进行归一化计算，将结果的最大值确定为第二计算结果；利用所述近邻公式以及第二计算结果计算所述近邻片段对应的视频字幕，得到第二视频字幕，计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置；若所述第一位置与所述第二位置一致，则代表视频字幕与视频片段的循环保持一致，若所述所述第一位置与所述第二位置不一致，则代表视频字幕与视频片段的循环出现偏差，回到利用预设的语义提取模型提取所述多个视频字幕的语义标签的步骤。2.如权利要求1所述的基于循环一致的跨模态语义对应方法，其特征在于，所述利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，包括：将所述多个视频字幕进行分词，得到字幕分词；逐一选取一个字幕分词进行编码，得到分词编码，利用所述语义提取模型获取所述分词编码的标签向量；通过线性变换将所述标签向量转化成语义标签。3.如权利要求1所述的基于循环一致的跨模态语义对应方法，其特征在于，所述根据预设的图意提取模型逐个提取所述多个视频片段的图意标签，包括；将多个视频片段通过像素编码的形式转化成像素片段；对所述像素片段进行卷积、池化处理，得到低维像素片段；将所述低维像素片段映射至预设的高维空间，得到高维像素片段；利用所述图意提取模型内的激活函数对所述高维像素片段进行筛选，得到所述视频片段的图意标签。4.如权利要求1所述的基于循环一致的跨模态语义对应方法，其特征在于，所述逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，包括：利用如下匹配度公式，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度：其中，p为所述第一匹配度，a为所述语义标签，b
m
为所述图意标签库内的第m个图意标签，m为计数量词。
5.如权利要求1所述的基于循环一致的跨模态语义对应方法，其特征在于，所述对所述第一匹配度进行归一化指数计算，得到第一计算结果，包括：利用如下归一化计算公式对所述第一匹配度进行归一化指数计算：其中，α
j
为第j个归一化指数计算的结果，δ
i
为第i个第一匹配度，θ
j
为第j个图意标签，θ
k
为为第k个图意标签，i、j、k都为计数量词，n为第一匹配度的个数。6.如权利要求1至5中任一项所述的基于循环一致的跨模态语义对应方法，其特征在于，所述利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，包括：其中，为所述视频片段，maxα
j
为第一计算结果，θ
j
为归一化指数计算的结果α
j
对应的第j个图意标签，h为意图标签的个数，j为计数量词。7.如权利要求1所述的基于循环一致的跨模态语义对应方法，其特征在于，所述计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置，包括：对所述第一视频字幕进行编码，得到第一向量；利用预设的位置编码公式计算所述第一向量的位置信息，得到第一位置；对所述第二视频字幕进行编码，得到第二向量；利用预设的位置编码公式计算所述第二向量的位置信息，得到第二位置。8.一种基于循环一致的跨模态语义对应装置，其特征在于，所述装置包括：提取标签模块：获取预设的多个视频片段以及多个视频字幕，利用预设的语义提取模型逐个提取所述多个视频字幕的语义标签，根据预设的图意提取模型逐个提取所述多个视频片段的图意标签；第一计算模块：在所述多个视频字幕中随机选取其中一个为第一视频字幕，逐一计算所述第一视频字幕的语义标签与所述图意标签的第一匹配度，对所述第一匹配度进行归一化指数计算，将计算结果的最大值确定为第一计算结果；第二计算模块：利用预设的近邻公式以及第一计算结果计算所述第一视频字幕对应的视频片段，将视频片段确定为近邻片段；第三计算模块：逐一计算所述近邻片段的图意标签与所述语义标签的第二匹配度，对所述第二匹配度进行归一化计算，将结果的最大值确定为第二计算结果；第四计算模块：利用所述近邻公式以及第二计算结果计算所述近邻片段对应的视频字幕，得到第二视频字幕，计算所述第一视频字幕与第二视频字幕的位置信息，得到第一位置以及第二位置；语义对应模块：若所述第一位置与所述第二位置一致，则代表视频字幕与视频片段的循环保持一致，若所述所述第一位置与所述第二位置不一致，则代表视频字幕与视频片段
的循环出现偏差，回到利用预设的语义提取模型提取所述多个视频字幕的语义标签的步骤。9.一种电子设备，其特征在于，所述电子设备包括：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计算机程序，所述计算机程序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如权利要求1至7中任意一项所述的基于循环一致的跨模态语义对应方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于循环一致的跨模态语义对应方法。

技术总结
本发明涉及人工智能技术，揭露了一种基于循环一致的跨模态语义对应方法，包括：获取多个视频片段以及多个视频字幕，提取视频片段与视频字幕对应的语义标签以及图意标签；随机选取一个视频字幕的语义标签与图意标签计算第一匹配度并进行归一化指数计算，得到第一计算结果；利用近邻公式得到近邻片段；与第一匹配度与第一计算结果一样得到第二匹配度与第二计算结果以及第二视频字幕；根据第一视频字幕与第二视频字幕的位置信息对语义信息进行对应。此外，本发明还涉及区块链技术，语义标签及图意标签可存储于区块链的节点。本发明还提出一种基于循环一致的跨模态语义对应方法，可以应用于医疗领域，以提高跨模态语义对应时的精确度。确度。确度。


技术研发人员：唐小初 朱翌 舒畅 陈又新
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.16
技术公布日：2023/9/22