专利交易市场

一种基于深度神经网络影视标签自动获取方法，包括以下步骤：步骤1：收集电影的台词，构建台词数据集；步骤2：收集电影原声，构建声音数据集；步骤3：在相关影视平台收集其所生成的标签，构建电影标签数据集；步骤4：构建基于电影台词的自动打标签模型；步骤5：采用共享节点的CNN-LSTM算法构建基于电影原声的自动打标签模型；步骤6：融合步骤4与步骤5所提及的两种模型。本发明提出一种基于深度神经网络影视标签自动获取方法，采用了以卷积神经网络和循环神经网络为代表的深度学习算法，主要针对电影，利用电影在时间上的相关性从电影的台词文本、音频信号等原始信息中提取出高层抽象属性。

一种基于先验指示表征框架的遥感图文检索方法，包括图文预处理、图文检索模型的搭建和表征对齐，其中图文检索模型搭建包括构建图文预编码，构建视觉指示表征模块和语言循环注意力模块三部分；所述视觉指示表征模块通过信念矩阵对图像特征进行排序和过滤以实现冗余过滤，过滤遥感图像中的冗余信息。所述语言循环注意力模块通过递归地使用上一时间步特征激活当前时间步特征增强文本表征；其中在表征对齐中设计了归属损失函数来约束类间关系，减少语义混淆区域。本发明解决现有遥感图文检索方法中存在的语义噪声引起的性能衰退问题，提升遥感图文检索性能。

本发明公开了一种鲁棒离散监督跨媒体哈希检索方法，通过学习一个鲁棒的两两样本间相似度矩阵挖掘异构样本间的语义关联，利用该方法可实现基于内容的跨媒体检索，该方法包括以下步骤：建立图像和文本数据集，并对数据集中的图像和文本样本分别提取视觉和文本特征；利用样本的类标签、图像和文本特征分别构建两两样本间相似度矩阵，并利用两两样本间相似度矩阵的低秩和样本噪声的稀疏特性学习一个鲁棒的两两样本间相似度矩阵；进而利用该鲁棒两两样本间相似度矩阵学习区分性更好的哈希码；对哈希函数施加范数正则项约束，以学习更为鲁棒的哈希函数；提出一种离散迭代优化算法，直接得到哈希码的离散解；本发明方法的学习一个鲁棒两两样本间相似度矩阵可以有效的抵抗样本中可能存在的噪声，从而大幅提高多媒体检索的性能。

本公开提供了一种多模态识别模型的训练方法、多模态识别方法及装置，涉及计算机技术领域，尤其涉及深度学习和数据识别技术领域。多模态识别模型的训练方法的具体实现方案为：获取样本数据，所述样本数据包括第一图片数据和第一文本数据中的至少一项对所述样本数据进行识别，得到目标数据；基于所述目标数据与所述样本数据之间的相似度，对所述多模态识别模型进行训练；其中，所述目标数据包括如下至少一项：与所述第一图片数据对应的第二图片数据；与所述第一文本数据对应的第二文本数据。