目标对象识别方法、装置、设备及计算机可读存储介质制造方法及图纸

本申请的实施例揭示了一种目标对象识别方法、装置、设备以及计算机可读存储介质。该方法包括：获取编码器网络对目标对象的特征序列进行特征编码处理得到的编码特征序列；对所述编码特征序列中的各个编码特征进行识别处理，得到所述目标对象对应的上下文识别信息；根据所述上下文识别信息对所述编码特征序列进行特征解码处理，获得解码特征序列；基于所述解码特征序列生成所述目标对象的识别结果。本申请实施例的技术方案基于人工智能技术对目标对象进行智能识别，能够提升目标对象的识别准确性。

【技术实现步骤摘要】
目标对象识别方法、装置、设备及计算机可读存储介质
本申请涉及人工智能
，具体涉及一种目标对象识别方法、装置、设备和计算机可读存储介质。
技术介绍
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。如何提升人工智能技术针对目标对象进行识别的准确性，是本领域的技术人员需要不断研究的技术问题。
技术实现思路
为进一步提升目标对象识别的准确性，本申请的实施例分别提供了目标对象识别方法、语音识别方法、文本识别方法，并提供了与方法相应的装置、设备以及计算机可读存储介质。其中，本申请所采用的技术方案为：一种目标对象识别方法，包括：获取编码器网络对目标对象的特征序列进行特征编码处理得到的编码特征序列；对所述编码特征序列中的各个编码特征进行识别处理，得到所述目标对象对应的上下文识别信息；根据所述上下文识别信本文档来自技高网...

【技术保护点】
1.一种目标对象识别方法，其特征在于，包括：/n获取编码器网络对目标对象的特征序列进行特征编码处理得到的编码特征序列；/n对所述编码特征序列中的各个编码特征进行识别处理，得到所述目标对象对应的上下文识别信息；/n根据所述上下文识别信息对所述编码特征序列进行特征解码处理，获得解码特征序列；/n基于所述解码特征序列生成所述目标对象的识别结果。/n

【技术特征摘要】
1.一种目标对象识别方法，其特征在于，包括：
获取编码器网络对目标对象的特征序列进行特征编码处理得到的编码特征序列；
对所述编码特征序列中的各个编码特征进行识别处理，得到所述目标对象对应的上下文识别信息；
根据所述上下文识别信息对所述编码特征序列进行特征解码处理，获得解码特征序列；
基于所述解码特征序列生成所述目标对象的识别结果。


2.根据权利要求1所述的方法，其特征在于，根据所述上下文识别信息对所述编码特征序列进行特征解码处理，获得解码特征序列，包括：
将所述上下文识别信息和所述编码特征序列输入至解码器网络中；
根据所述解码器网络对所述编码特征序列中含有的各个编码特征进行解码，并基于所述上下文识别信息对所述各个编码特征进行解码修正，以获得所述解码特征序列。


3.根据权利要求2所述的方法，其特征在于，所述解码器网络包括特征嵌入网络和依次连接的多个特征解码网络，所述多个特征解码网络中前一个特征解码网络的输出信号作为下一个特征解码网络的输入信号，所述编码器网络的输出信号分别输入至各个特征解码网络中；
根据所述解码器网络对所述编码特征序列中含有的各个编码特征进行解码，并基于所述上下文识别信息对所述各个编码特征进行解码修正，包括：
根据所述特征嵌入网络对所述上下文信息中含有的各个识别信息进行向量映射，获得所述上下文信息对应的识别向量序列，将所述识别向量序列作为所述多个特征解码网络中第一个特征解码网络的输入信号；
根据各个特征解码网络的输入信号依次进行联合解码，将最后一个特征解码网络输出的解码结果作为所述解码特征序列。


4.根据权利要求3所述的方法，其特征在于，根据所述特征嵌入网络对所述上下文信息中含有的各个识别信息进行向量映射，获得所述上下文信息对应的识别向量序列，包括：
根据各个识别信息分别在所述上下文信息中的位置信息，确定所述各个识别信息对应的位置向量，并确定所述各个识别信息对应的嵌入向量；
叠加所述各个识别信息对应的位置向量和嵌入向量，以得到所述各个识别信息对应的识别向量。


5.根据权利要求3所述的方法，其特征在于，所述特征解码网络包括依次连接的自注意力网络、编解码注意力网络和前馈网络；根据各个特征解码网络的输入信号依次进行联合解码，包括：
根据所述自注意力网络计算上层网络的输出信号对应的自注意力特征序列；
根据所述编解码注意力网络计算所述自注意力特征序列与所述编码特征序列之间的联合注意力特征序列；
根据所述前馈网络对所述联合注意力特征序列进行线性变换，将所述线性变换的结果作为所述特征解码网络的输出信号。


6.根据权利要求5所述的方法，其特征在于，根据所述自注意力网络计算上层网络的输出信号对应的自注意力特征，包括：
对所述上层网络的输出信号中含有的各个向量进行线性变换，获得所述各个向量对应的查询向量、键向量以及值向量；
将获得的各个查询向量与获得的各个键向量分别进行点积运算，以获得各个查询向量与所述各个键向量之间的相似度；
归一化所述各个查询向量与所述各个键向量之间的相似度，获得各个键向量相对所述各个查询向量的重要性程度，并根据所述重要性程度对获得的值向量进行加权和运算，以获得所述查询向量对应的向量的自注意力特征。


7.根据权利要求5所述的方法，其特征在于，所述自注意力网络中含有多个自注意力子网络，每个自注意力子网络分别用于计算上层网络的输出信号中含有的各个向量的自注意力子特征；
根据所述自注意力网络计...

【专利技术属性】
技术研发人员：陈杰，苏丹，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44