多模态特征融合方法、装置、电子设备及可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114332575A(43)申请公布日2022.04.12(21)申请号202111626977.0G10L25/45(2013.01)(22)申请日2021.12.28(71)申请人中电金信软件有限公司地址100082北京市海淀区西小口路66号东升科技园C区4号楼401室(72)发明人覃祥坤(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463代理人于彬(51)Int.Cl.G06V10/80(2022.01)G06V30/186(2022.01)G06K9/62(2022.01)G10L25/03(2013.01)G10L25/24(2013.01)权利要求书3页说明书16页附图5页(54)发明名称多模态特征融合方法、装置、电子设备及可读存储介质(57)摘要本申请提供了一种多模态特征融合方法、装置、电子设备及可读存储介质，获取目标对象的多个异源异构数据；针对于每个异源异构数据，提取该异源异构数据的单模态特征矩阵；针对每个单模态特征矩阵，基于该单模态特征矩阵与其所对应的多个单模态权重矩阵，确定该单模态特征矩阵的融合特征矩阵；针对每个融合特征矩阵，确定该融合特征矩阵与各个融合特征矩阵之间的融合权重矩阵；对每个融合权重矩阵进行归一化处理，得到归一化后的融合权重矩阵；基于每个融合特征矩阵和每个融合特征矩阵所对应的多个归一化后的融合权重矩阵，确定描述目标对象的多模态特征矩阵。这样，能够融合异源异构数据所携带的不同模态特征，更加细致的表达出目标对象的特征。CN114332575ACN114332575A权利要求书1/3页1.一种多模态特征融合方法，其特征在于，所述多模态特征融合方法包括：获取目标对象的多个异源异构数据；针对于每个异源异构数据，提取该异源异构数据的单模态特征矩阵；针对于每个单模态特征矩阵，分别确定该单模态特征矩阵与各个单模态特征矩阵之间的单模态权重矩阵；基于该单模态特征矩阵和该单模态特征矩阵所对应的多个单模态权重矩阵，确定该单模态特征矩阵的融合特征矩阵；针对于每个融合特征矩阵，分别确定该融合特征矩阵与各个融合特征矩阵之间的融合权重矩阵；针对于该融合特征矩阵所对应的每个融合权重矩阵，对该融合权重矩阵进行归一化处理，得到归一化后的融合权重矩阵；基于每个融合特征矩阵和每个融合特征矩阵所对应的多个归一化后的融合权重矩阵，确定用于描述所述目标对象的多模态特征矩阵。2.根据权利要求1所述的多模态特征融合方法，其特征在于，当所述异源异构数据包括音频数据时，所述提取该异源异构数据的单模态特征矩阵，包括：将所述音频数据转换为单声道音频数据，并对所述单声道音频数据进行重采样处理，得到重采样后的音频数据；在所述重采样后的音频数据上移动预设窗长的汉宁时窗，对所述重采样后的音频数据进行傅里叶变换，得到所述音频数据的音频频谱；利用滤波器组将所述音频频谱映射为初始梅尔倒频谱；对所述初始梅尔倒频谱进行对数计算，得到稳定梅尔倒频谱；按照预设时长重组所述稳定梅尔倒频谱，得到所述音频数据的单模态特征矩阵。3.根据权利要求1所述的多模态特征融合方法，其特征在于，当所述异源异构数据包括文本数据时，所述提取该异源异构数据的单模态特征矩阵，包括：对所述文本数据进行自然语言预处理，从所述文本数据中提取出多种文字特征组以及每种文字特征组对应的图片特征组；其中，所述文字特征组包括汉字特征、词组特征以及句子特征中的至少两种；所述文字特征组的表现形式为one‑hot向量形式；确定每种文字特征组的文字特征矩阵以及每种文字特征组对应的图片特征组的图片特征矩阵；针对于每种文字特征组，融合该文字特征组的文字特征矩阵和所述文字特征组对应的图片特征组的图片特征矩阵，得到该文字特征组的初步融合矩阵；针对于每种文字特征组，基于该文字特征组的初步融合矩阵和所述文字特征组对应的图片特征组的图片特征矩阵，确定该文字特征组中每个子文字特征与该子文字特征对应的子图片特征之间的多维相关矩阵；基于所述文字特征组中每个子文字特征的多维相关矩阵，确定子文字特征的多维注意力权重；基于每种文字特征组中每个子文字特征的多维注意力权重以及每个子文字特征对应的子图片特征的图片特征矩阵，确定所述文本数据的单模态特征矩阵。4.根据权利要求3所述的多模态特征融合方法，其特征在于，所述确定每种文字特征组2CN114332575A权利要求书2/3页的文字特征矩阵以及每种文字特征组对应的图片特征组的图片特征矩阵，包括：针对于每个文字特征组，利用预先训练好的该文字特征组对应的特征提取模型，确定能够表征出该文字特征组中每个子文字特征的文字特征矩阵；利用预先训练好的卷积神经网络，确定该文字特征组对应的图片特征组的图片特征矩阵。5.根据权利要求