[发明专利]一种信息处理方法、装置和计算机存储介质

权利要求书

1.一种信息处理方法，其特征在于，所述方法包括：

获得第一图像信息，获取所述第一图像信息包括的第一图像数据和对应的第一标注词；

提取所述第一图像数据的词袋特征和深度卷积网络特征，提取所述第一标注词的词袋特征；

基于所述第一图像数据的词袋特征、深度卷积网络特征以及所述第一标注词的词袋特征建立图像标注模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：以目标参数最大化为优化目标求解所述图像标注模型的模型参数；

基于所述模型参数获得优化图像标注模型。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：获得第二图像数据，提取所述第二图像数据的词袋特征和深度卷积网络特征；

基于所述第二图像数据的词袋特征、深度卷积网络特征以及所述优化图像标注模型获得所述第二图像数据的第二标注词的相关信息。

4.根据权利要求1所述的方法，其特征在于，

所述图像标注模型以图像特征和标注词特征的联合概率作为输出结果，所述图像特征和标注词特征的联合概率满足：

其中，p(v,w)表示图像特征和标注词特征的联合概率；v表示图像特征，w表示标注词特征，V_CNN表示深度卷积网络特征；p(v_iv_CNN,v＜i)表示第i个图像特征v_i的概率，p(w_kv_CNN,v,w＜k)表示第k个标注词特征w_k的概率；

其中，p(v_i＝tv_CNN,v＜i)使用前向网络结构，满足：

则

其中，g()表示sigmoid函数；

其中，p(w_iv_CNN,v,w＜k)使用前向网络结构，满足：

则

其中，V和T表示不同的关联矩阵；h是隐层的表示，b和c表示隐层的不同偏置。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获得样本图像数据；

基于所述样本图像数据和预设学习算法训练获得深度卷积网络模型。

6.根据权利要求5所述的方法，其特征在于，提取所述第一图像数据的深度卷积网络特征，包括：

基于所述第一图像数据和所述深度卷积网络模型获得所述第一图像数据的深度卷积网络特征。

7.根据权利要求1所述的方法，其特征在于，所述提取所述第一图像数据的词袋特征，包括：

对所述第一图像数据按照网格划分方式获得多个第一图像区块；

提取所述多个第一图像区块中的每个第一图像区块的特征参数；

基于所述多个第一图像区块的特征参数生成所述第一图像数据的词袋特征。

8.一种信息处理装置，其特征在于，所述装置包括：检测提取单元和模型建立单元；其中，

所述检测提取单元，用于获得第一图像信息，获取所述第一图像信息包括的第一图像数据和对应的第一标注词；提取所述第一图像数据的词袋特征和深度卷积网络特征，提取所述第一标注词的词袋特征；

所述模型建立单元，用于基于所述第一图像数据的词袋特征、深度卷积网络特征以及所述第一标注词的词袋特征建立图像标注模型。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括参数优化单元，用于以目标参数最大化为优化目标求解所述图像标注模型的模型参数，基于所述模型参数获得优化图像标注模型。