CN108021897B - 图片问答方法及装置 - Google Patents

Abstract

本公开是关于一种图片问答方法及装置，包括接收图片和与所述图片相关的问题；通过CNN提取所述图片的图像特征向量；通过第一RNN提取所述问题的编码特征向量；将所述图像特征向量和所述编码特征向量进行拼接，得到联合特征向量；通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案；其中，所述CNN、第一RNN和解码神经网络是在三者作为整体网络的情况下，以端到端的方式训练得到的神经网络。根据本公开实施例的图片问答方法及装置能够生成与图片相关的问题的答案，且各步骤采用的CNN、第一RNN和解码神经网络是在三者作为一个整体的情况下，进行端到端的训练下得到的，消除了累计误差，提高了问答的准确率。

Description

图片问答方法及装置

技术领域

本公开涉及信息处理技术领域，尤其涉及图片问答方法及装置。

背景技术

随着信息处理技术的发展，智能问答技术受到越来越多的关注，智能问答系统可以以一问一答的形式自动回答用户提出的问题。例如，针对图片的问答系统，就是向该问答系统提供一个图片和针对该图片的问题，智能问答系统可以自动的回答该问题。这样可以帮助视觉障碍者了解世界。相关技术中，智能问答系统提供的答案的准确率较低。

发明内容

为克服相关技术中存在的问题，本公开提供一种图片问答方法及装置，能够针对图片的问题，提供较为准确的答案。

根据本公开实施例的第一方面，提供一种图片问答方法，包括：接收图片和与所述图片相关的问题；通过CNN提取所述图片的图像特征向量；通过第一循RNN提取所述问题的编码特征向量；将所述图像特征向量和所述编码特征向量进行拼接，得到联合特征向量；通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案；其中，所述CNN、第一RNN和解码神经网络是在三者作为整体网络的情况下，以端到端的方式训练得到的神经网络。

在一种可能的实现方式中，通过CNN提取所述图片的图像特征向量包括：将接收到的图片缩放到固定尺寸，得到标准图像；将所述标准图像输入CNN中；将所述CNN的输出结果，确定为所述图片的图像特征向量。

在一种可能的实现方式中，通过第一RNN提取所述问题的编码特征向量包括：将所述问题进行分词，得到所述问题对应的词嵌入序列；将所述词嵌入序列输入所述第一RNN中；将所述第一RNN的输出结果，确定为所述问题的编码特征向量。

在一种可能的实现方式中，所述解码神经网络为多层神经网络MLP，通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案包括：将所述联合特征向量输入MLP网络，得到特征集；使用分类器对所述特征集进行分类，得到所述特征集的类别；将所述特征集的类别，确定为所述问题的答案。

在一种可能的实现方式中，所述解码神经网络为RNN网络，通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案包括：将所述联合特征向量输入第二RNN中；将所述第二RNN的输出结果确定为所述问题的答案。

根据本公开实施例的第二方面，提供一种图片问答装置，包括：接收模块，用于接收图片和与所述图片相关的问题；第一提取模块，用于通过卷积神经网络CNN提取所述图片的图像特征向量；第二提取模块，用于通过第一循环神经网络RNN提取所述问题的编码特征向量；拼接模块，用于将所述图像特征向量和所述编码特征向量进行拼接，得到联合特征向量；生成模块，用于通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案；其中，所述CNN、第一RNN和解码神经网络是在三者作为整体网络的情况下，以端到端的方式训练得到的神经网络。

在一种可能的实现方式中，第一提取模块包括：缩放子模块，用于将接收到的图片缩放到固定尺寸，得到标准图像；图像输入子模块，用于将所述标准图像输入CNN中；第一确定子模块，用于将所述CNN的输出结果，确定为所述图片的图像特征向量。

在一种可能的实现方式中，第二提取模块包括：分词子模块，用于将所述问题进行分词，得到所述问题对应的词嵌入序列；序列输入子模块，用于将所述词嵌入序列输入所述第一RNN中；第二确定子模块，用于将所述第一RNN的输出结果，确定为所述问题的编码特征向量。

在一种可能的实现方式中，所述解码神经网络为MLP，生成模块包括：第一向量输入子模块，用于将所述联合特征向量输入MLP网络，得到特征集；分类子模块，用于使用分类器对所述特征集进行分类，得到所述特征集的类别；第三确定子模块，用于将所述特征集的类别，确定为所述问题的答案。

在一种可能的实现方式中，所述解码神经网络为RNN网络，生成模块包括：第二向量输入子模块，用于将所述联合特征向量输入第二RNN中；第四确定子模块，用于将所述第二RNN的输出结果确定为所述问题的答案。

本公开的实施例提供的技术方案可以包括以下有益效果：本公开实施例中，将通过CNN提取的图片的图像特征向量，与通过第一RNN提取的问题的编码特征向量进行拼接，得到联合特征向量，并通过解码神经网络对该联合特征向量进行解码，生成与图片相关的问题的答案。根据本公开实施例的图片问答方法及装置可以得到与图片有关的问题的答案，且各步骤采用的CNN、第一RNN和解码神经网络是在三者作为一个整体的情况下，进行端到端的训练得到的，消除了累计误差，提高了问答的准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种图片问答方法的流程图。

图2a是根据一示例性实施例示出的接收的图片的一个示例。

图2b是根据一示例性实施例示出的接收的图片的一个示例。

图2c是根据一示例性实施例示出的神经网络连接的一个示例。

图3是根据一示例性实施例示出的一种图片问答方法的流程图。

图4是根据一示例性实施例示出的一种图片问答方法的流程图。

图5是根据一示例性实施例示出的一种图片问答方法的流程图。

图6是根据一示例性实施例示出的一种图片问答方法的流程图。

图7是根据一示例性实施例示出的一种图片问答装置的框图。

图8是根据一示例性实施例示出的一种图片问答装置的框图。

图9是根据一示例性实施例示出的一种图片问答装置的框图。

图10是根据一示例性实施例示出的一种图片问答装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种图片问答方法的流程图，如图1所示，该图片问答方法可以用于终端设备或服务器中，包括以下步骤。

在步骤S11中，接收图片和与所述图片相关的问题。

在步骤S12中，通过CNN提取所述图片的图像特征向量。

在步骤S13中，通过第一RNN提取所述问题的编码特征向量。

在步骤S14中，将所述图像特征向量和所述编码特征向量进行拼接，得到联合特征向量。

在步骤S15中，通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案。

其中，所述CNN(Convolutional Neural Network，卷积神经网络)、第一RNN(Recurrent Neural Network，循环神经网络)和解码神经网络是在三者作为整体网络的情况下，以端到端的方式训练得到的神经网络。

通过将使用CNN提取的图片的图像特征向量，与使用第一RNN提取的问题的编码特征向量进行拼接，得到联合特征向量，并使用解码神经网络对该联合特征向量进行解码，生成与图片相关的问题的答案，根据本公开实施例的图片问答方法可以得到与图片有关的问题的答案，且各步骤采用的CNN、第一RNN和解码神经网络是在三者作为一个整体的情况下，进行端到端的训练得到的，消除了累计误差，提高了问答的准确率。

下面以终端设备为例对本公开实施例的图片问答方法进行说明。终端设备接收的图片可以为任意大小的图片，本公开对此不做限定。与图片相关的问题可以是针对该图片的任何问题，例如，图片中指定对象的数量等。本公开对此不做限定。在一个示例中，终端设备接收图2a所示的图片，与该图片相关的问题可以是图片中有几条狗；终端设备接收图2b所示的图片，与该图片相关的问题可以是图片中的人在干什么。

在一种可能的实现方式中，终端设备可以接收一张图片和一个问题。终端设备可以通过步骤S12至步骤S15生成该问题针对该图片的答案，从而完成图片问答。

在一种可能的实现方式中，终端设备可以接收至少两张图片和一个问题。终端设备可以分别通过步骤S12至步骤S15生成该问题针对每张图片的答案，从而进行基于内容的图片检索。例如，问题是图片中有狗的图片有几张，终端设备可以得到通过步骤S12至步骤S15得到每张图片中狗的数量，从而确定出有狗的图片的数量。

CNN可以用于图片的处理，进行图片的特征提取。CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。用户可以自定义CNN的结构(例如，层的数量、层的类型、层之间的连接性等)，然后通过训练确定每层的参数。在步骤S12中，可以通过训练好的CNN可以进行图片的特征提取，提取的特征可以利用向量空间表示得到图片的图像特征向量，从而将图片映射为低纬度向量空间。

RNN可以用于自然语言处理，进行序列数据的特征提取。在预测句子的下一个词时，通常需要用到前面的词，RNN中一个序列当前的输出与前面的输出也有关系，可以对前面的信息进行记忆并应用到当前输出的计算中，使用前后词的关联进行预测。RNN包括输入单元、隐含单元和输出单元。RNN中一条单向流动的信息流是从输入单元到达隐藏单元的，与此同时另一条单向流动的信息流从输出单元返回隐藏单元，并且隐藏层的输入还包括上一隐藏层的状态。在一个示例中，对一个包含5个词的语句，可以展开为一个五层的RNN，每层代表一个词。用户可以自定义RNN的结构，然后通过训练确定每层的参数。在步骤S13中，可以通过训练好的第一RNN进行问题的特征提取，提取的特征可以利用向量空间表示得到问题的编码特征向量。

解码神经网络可以为能够处理序列数据且与联合特征向量维度一致的神经网络。例如，RNN、MLP(Multi-layer Perceptron，多层神经网络)等。用户可以自定义解码神经网络的类型、结构，然后通过训练确定每层的参数。在步骤S15中，可以通过训练好的解码神经网络进行联合特征向量的解码，从而生成问题的答案。

需要说明的是，解码神经网络可以采用可导的神经网络，这样根据本公开的图片问答方法每个步骤采用的神经网络均是可导的，可以对几个步骤同时进行端到端的训练，从而消除步骤之间的累计误差，提高问答的准确率。

图2c是一示例性的神经网络连接图。如图2c所示，CNN的输出端和第一RNN的输出端均与解码神经网络的输入端连接。从CNN的输入端A输入图片，从第一RNN的输入端B输入问题，将CNN的输出和第一RNN的输出拼接在一起作为解码神经网络的输入，解码神经网络的输出端C得到是问题的答案。在进行CNN、第一RNN和解码神经网络的训练时，根据本公开实施例的图片问答方法可以将CNN、第一RNN和解码神经网络作为一个整体网络，将A、B作为整体网络的输入端，将C作为整体网络的输出端，使用A、B和C对整体网络进行整体网络的输入端到输出端的训练。不需要对CNN、第一RNN和解码神经网络分别进行训练，无需关心单个神经网络的准确性。本公开实施例的图片问答方法将CNN、第一RNN和解码神经网络三者作为整体网络的情况下，以端到端的方式进行训练，得到的CNN、第一RNN和解码神经网络作为步骤S11至步骤S15中对应使用的神经网络。这样，可以消除步骤之间的累计误差，充分利用深度学习的强大学习能力，有效的提高问答的准确率。

图3是根据一示例性实施例示出的一种图片问答方法的流程图，如图3所示，步骤S12通过CNN提取所述图片的图像特征向量可以实现为：

在步骤S121中，将接收到的图片缩放到固定尺寸，得到标准图像。

在步骤S122中，将所述标准图像输入CNN中。

在步骤S123中，将所述CNN的输出结果，确定为所述图片的图像特征向量。

CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征提取层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习。CNN以其局部权值共享的特殊结构在图像处理方面有着独特的优越性，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取过程中数据重建的复杂度。

CNN的结构和每层的参数确定后，可以处理固定尺寸的图片。在一种可能的实现方式中，可以使用空间变换矩阵将接收到的图片缩放到固定尺寸，得到标准图像。

将标准图像输入CNN中，可以得到该标准图像的特征向量。考虑到标准图像与图片的特征具有相似性，可以将标准图像的特征向量作为图片的图像特征向量。

图4是根据一示例性实施例示出的一种图片问答方法的流程图，如图4所示，步骤S13通过第一RNN提取所述问题的编码特征向量可以实现为：

在步骤S131中，将所述问题进行分词，得到所述问题对应的词嵌入序列。

在步骤S132中，将所述词嵌入序列输入所述第一RNN中。

在步骤S133中，将所述第一RNN的输出结果，确定为所述问题的编码特征向量。

由于使用计算机对自然语言进行处理，需要将自然语言转化为机器能够识别的符号，并进行数值化表示。在一种可能的实现方式中，可以使用一个指定长度的向量表示一个词。例如，“图片中有几条狗”中的“图片”、“中”、“有”、“几条”和“狗”可以分别使用一个向量表示，这些向量的和可以表示前面的句子。

词嵌入可以将词映射到低维(100-500维)连续向量，且相似的词可以映射到相似的方向，这样不同词之间的语义相似性被编码了。在一个示例中，若两个词邻居词分布类似，则两个词的语义可能相近。例如：猫的邻居词为宠物、主人、喂食、蹭和喵，狗的邻居词为宠物、主人、喂食、咬和汪，可以认为猫和狗的语义相近。在词嵌入中，可以基于语料库构建共现矩阵，矩阵中每个单元可以是衡量两个对象之间的关联指标，相较于相关技术中使用独热编码(One hot encording)对每个词进行单独编码，词嵌入编码的维度低，方便机器学习模型处理进行无监督学习，天然有类聚后的效果。

终端设备将问题进行分词后，可以得到词序列，对词序列的词分别使用词嵌入方法(例如，word2vec)可以得到每个词的特征向量，词序列中所有词的特征向量组合而成的特征向量可以表示问题对应的词嵌入序列。将问题对应的词嵌入序列输入第一RNN后，得到的第一RNN的输出可以作为问题的编码特征向量。

在一种可能的实现方式中，RNN可以采用LSTM(Long Short-Term Memory，长短时记忆模型)或GRU(Gated Recurrent Unit Recurrent Neural Networks)。

LSTM可以使用不同的函数去计算隐藏层的状态。在LSTM中，可以把矩阵中的单元看作是黑盒用以保存当前输入之前的保存的状态，这些单元可以结合前面的状态、当前的记忆与当前的输入决定哪些单元抑制哪些单元兴奋。

GRU中序列中不同的位置处的词对当前的隐藏层的状态的影响不同，越前面的影响越小，即每个前面状态对当前的影响进行了距离加权，距离越远，权值越小；在产生误差时，误差可能是由某一个或者几个词而引发的，可以对对应的单词权重进行更新。

LSTM和GRU都能保留词嵌入序列的重要特征，保证其在长序列传播的时候也不会丢失，提取问题的编码特征向量的效果比较好。

获取图片的图像特征向量和问题的编码特征向量后，终端设备可以将所述图像特征向量和所述编码特征向量进行拼接，得到联合特征向量，从而建立二者的关联。在一种可能的实现方式中，终端设备可以将编码特征向量直接接在图像特征向量的后面，得到联合特征向量。

图5是根据一示例性实施例示出的一种图片问答方法的流程图，所述解码神经网络为MLP，如图5所示，步骤S15通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案可以实现为：

在步骤S151中，将所述联合特征向量输入MLP网络，得到特征集。

在步骤S152中，使用分类器对所述特征集进行分类，得到所述特征集的类别。

在步骤S153中，将所述特征集的类别，确定为所述问题的答案。

终端设备可以获取一个数据集，该数据集包含所有可能的答案，每一种可能的答案可以视为一个类别。例如，红色、两个、男、帽子、天空、动物、跳舞等，所以一共成百上千个类别。终端设备可以用一个MLP网络可以对联合特征向量进行进一步特征抽象，得到特征集(由若干概率值组成)，之后使用分类器(Softmax)对特征集进行分类，可以将最大概率对应的类别确定为所述特征集的类别，从而将所述特征集的类别确定为问题的答案。

通过MLP对联合特征向量进行解码，得到的问题的答案是一个类别，形式较为简单。例如，图2b所示的图片，问题为图片中的人在干什么，生成的答案可以为跳舞。

图6是根据一示例性实施例示出的一种图片问答方法的流程图，所述解码神经网络为RNN网络，如图6所示，步骤S15通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案还可以实现为：

在步骤S154中，将所述联合特征向量输入第二RNN中。

在步骤S155中，将所述第二RNN的输出结果确定为所述问题的答案。

第一RNN和第二RNN是两个RNN，第一RNN与图像特征向量的维度一致，第二RNN与联合特征向量的维度一致。终端设备可以将联合特征向量输入第二RNN网络，输入结果可以确定为所述问题的答案。第二RNN同样可以为LSTM或GRU。

通过第二RNN对联合特征向量进行解码，得到的答案是不定长度的语句。例如，图2b所示的图片，问题为图片中的人在干什么，生成的答案可以为她们在跳舞。

图7是根据一示例性实施例示出的一种图片问答装置框图。参照图7，该装置70包括接收模块71，第一提取模块72，第二提取模块73，拼接模块74和生成模块75。

该接收模块71被配置为接收图片和与所述图片相关的问题。

该第一提取模块72被配置为通过卷积神经网络CNN提取所述图片的图像特征向量。

该第二提取模块73被配置为通过第一循环神经网络RNN提取所述问题的编码特征向量。

该拼接模块74被配置为将所述图像特征向量和所述编码特征向量进行拼接，得到联合特征向量。

该生成模块75被配置为通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案。

其中，所述CNN、第一RNN和解码神经网络是在三者作为整体网络的情况下，以端到端的方式训练得到的神经网络。

图8是根据一示例性实施例示出的一种图片问答装置框图。参照图8，在一种可能的实现方式中，第一提取模块72包括：缩放子模块721，图像输入子模块722和第一确定子模块723。

该缩放子模块721被配置为将接收到的图片缩放到固定尺寸，得到标准图像。

该图像输入子模块722被配置为将所述标准图像输入CNN中。

该第一确定子模块723被配置为将所述CNN的输出结果，确定为所述图片的图像特征向量。

在一种可能的实现方式中，第二提取模块73包括：分词子模块731，序列输入子模块732和第二确定子模块733。

该分词子模块731被配置为将所述问题进行分词，得到所述问题对应的词嵌入序列。

该序列输入子模块732被配置为将所述词嵌入序列输入所述第一RNN中。

该第二确定子模块733被配置为将所述第一RNN的输出结果，确定为所述问题的编码特征向量。

在一种可能的实现方式中，所述解码神经网络为MLP，生成模块75包括：第一向量输入子模块751、分类子模块752和第三确定子模块753。

该第一向量输入子模块751被配置为将所述联合特征向量输入MLP网络，得到特征集。

该分类子模块752被配置为使用分类器对所述特征集进行分类，得到所述特征集的类别。

该第三确定子模块753被配置为将所述特征集的类别，确定为所述问题的答案。

所述解码神经网络为RNN网络，生成模块75还包括：第二向量输入子模块754和第四确定子模块755。

该第二向量输入子模块754被配置为将所述联合特征向量输入第二RNN中。

该第四确定子模块755被配置为将所述第二RNN的输出结果确定为所述问题的答案。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图9是根据一示例性实施例示出的一种用于图片问答的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图9，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

图10是根据一示例性实施例示出的一种用于图片问答的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图10，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1932，上述指令可由装置1900的处理组件1922执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (8)

1.一种图片问答方法，其特征在于，包括：

接收图片和与所述图片相关的问题；

通过卷积神经网络CNN提取所述图片的图像特征向量；

通过第一循环神经网络RNN提取所述问题的编码特征向量；

将所述图像特征向量和所述编码特征向量进行拼接，得到联合特征向量；

通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案；

其中，所述CNN、第一RNN和解码神经网络是在三者作为整体网络的情况下，以端到端的方式训练得到的神经网络；

所述解码神经网络为多层神经网络MLP，通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案，包括：

将所述联合特征向量输入MLP网络，得到特征集；

使用分类器对所述特征集进行分类，得到所述特征集的类别；

将所述特征集的类别，确定为所述问题的答案。

2.根据权利要求1所述的图片问答方法，其特征在于，通过CNN提取所述图片的图像特征向量，包括：

将接收到的图片缩放到固定尺寸，得到标准图像；

将所述标准图像输入CNN中；

将所述CNN的输出结果，确定为所述图片的图像特征向量。

3.根据权利要求1所述的图片问答 方法，其特征在于，通过第一RNN提取所述问题的编码特征向量，包括：

将所述问题进行分词，得到所述问题对应的词嵌入序列；

将所述词嵌入序列输入所述第一RNN中；

将所述第一RNN的输出结果，确定为所述问题的编码特征向量。

4.一种图片问答装置，其特征在于，包括：

接收模块，用于接收图片和与所述图片相关的问题；

第一提取模块，用于通过卷积神经网络CNN提取所述图片的图像特征向量；

第二提取模块，用于通过第一循环神经网络RNN提取所述问题的编码特征向量；

拼接模块，用于将所述图像特征向量和所述编码特征向量进行拼接，得到联合特征向量；

生成模块，用于通过解码神经网络对所述联合特征向量进行解码，生成所述问题的答案；

所述解码神经网络为多层神经网络MLP，所述生成模块包括：

第一向量输入子模块，用于将所述联合特征向量输入MLP网络，得到特征集；

分类子模块，用于使用分类器对所述特征集进行分类，得到所述特征集的类别；

第三确定子模块，用于将所述特征集的类别，确定为所述问题的答案；

其中，所述CNN、第一RNN和解码神经网络是在三者作为整体网络的情况下，以端到端的方式训练得到的神经网络。

5.根据权利要求4所述的图片问答装置，其特征在于，所述第一提取模块包括：

缩放子模块，用于将接收到的图片缩放到固定尺寸，得到标准图像；

图像输入子模块，用于将所述标准图像输入CNN中；

第一确定子模块，用于将所述CNN的输出结果，确定为所述图片的图像特征向量。

6.根据权利要求4所述的图片问答 装置，其特征在于，所述第二提取模块包括：

分词子模块，用于将所述问题进行分词，得到所述问题对应的词嵌入序列；

序列输入子模块，用于将所述词嵌入序列输入所述第一RNN中；

第二确定子模块，用于将所述第一RNN的输出结果，确定为所述问题的编码特征向量。

7.一种图片问答装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行如权利要求1至3中任一项所述的方法。

8.一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器执行时实现权利要求1至3中任一项所述的方法。

Images