摘要：本申请涉及一种基于互动内容的话题抽取方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取针对媒体内容的多个候选互动内容；基于多个候选互动内容中各词语以及各词语在多个候选互动内容中的共现关系，构建多个候选互动内容相应的图结构；基于图结构进行稠密子图挖掘，获得多个稠密子图；分别对多个候选互动内容和多个稠密子图进行匹配，获得多个稠密子图各自相应的匹配互动内容；从多个匹配互动内容中筛选归属于预设话题类型的话题性互动内容，基于话题性互动内容，生成媒体内容相应的话题。采用本方法能够提高热点话题挖掘的性能与效率。

摘要：本公开涉及一种图像的特征提取方法及装置、电子设备和存储介质。所述方法包括：获取待处理图像；将所述待处理图像输入预先训练的神经网络，经由所述神经网络对所述待处理图像进行特征提取，得到所述待处理图像的特征，其中，在所述神经网络的第t代训练中，所述神经网络是根据训练图像集的第t代的调整后的伪标签训练的，所述训练图像集的第t代的调整后的伪标签是基于所述训练图像集的第t代之前的至少一代的标签对所述训练图像集的第t代的伪标签进行调整得到的，t为大于或等于2的整数。

摘要：本申请实施例提出了一种数据处理方法、装置、设备、可读存储介质及程序产品，可应用于云技术、人工智能、智慧平台、应用软件、车载、文本视频检索等领域或场景，该方法包括：获取待检测视频描述文本，将待检测视频描述文本输入文本编码器中进行处理，得到待检测视频描述文本的文本特征；将待检测视频的视频图像输入第一视频编码器中进行处理，得到待检测视频的视频特征；根据文本特征和视频特征，确定待检测视频描述文本和待检测视频的匹配结果。通过本申请实施例，可以提高视频描述文本与待检测视频的匹配结果的生成效率和准确率。

摘要：本公开实施例公开了一种内容生成方法、装置、电子设备及存储介质，该方法包括：获取参考图像以及参考文本；提取参考图像的参考视觉特征，将参考文本与在两端分别添加了起始标记以及结束标记的参考视觉特征输入至多模态大语言模型；基于多模态大语言模型确定由参考文本的嵌入、起始标记的嵌入、参考视觉特征的嵌入以及结束标记的嵌入拼接得到的目标嵌入序列，基于起始标记的嵌入、结束标记的嵌入以及目标嵌入序列中被滑动窗口选中的嵌入进行注意力处理，输出预测序列；基于预测序列生成预测图像以及预测文本；本公开实施例能够有效地提升多模态大语言模型的性能，进而提升多模态内容的生成质量，可广泛应用于云技术、人工智能、智慧交通等场景。

摘要：本申请属于人工智能技术领域，具体涉及一种数据处理方法、数据处理装置、计算机可读介质、电子设备以及计算机程序产品。该方法包括：获取视频样本以及与视频样本相关联的样本标签，视频样本包括基于交互主体的第一人称视角采集的视频内容，视频内容用于记录交互主体执行的交互事件，样本标签包括用于描述交互事件的文本内容；从样本标签中提取与视频样本相对应的任务目标，任务目标用于表示交互主体执行交互事件的目的；根据视频样本和任务目标生成任务规划样本，任务规划样本用于表示根据视频样本和任务目标预测交互主体计划执行的交互事件。本申请可以提高人工智能模型的任务规划能力。

摘要：本申请公开了一种图像处理方法及相关装置。该方法包括：获取待处理图像；使用目标神经网络对所述待处理图像进行特征提取处理，获得所述待处理图像的目标特征数据，所述目标神经网络的参数为第一神经网络的参数的时序平均值，所述第一神经网络在训练图像集和平均网络的监督下训练获得，所述平均网络的参数为第二神经网络的参数的时序平均值，所述第二神经网络在所述训练图像集和所述目标神经网络的监督下训练获得。还公开了相应的装置。以通过对待处理图像进行特征提取处理获得的待处理图像目标特征数据。

摘要：本申请公开了一种图像重识别方法及相关模型的训练方法及相关装置、设备，其中，图像重识别方法包括：获取待识别目标域图像；利用目标域图像编码器，在目标域上对待识别目标域图像提取行人图像特征；根据行人图像特征得到待识别目标域图像的识别结果。上述方案，能够在目标域进行识别。

摘要：本申请实施例公开了一种多媒体数据的表示方法及多媒体数据表示模型的训练方法，属于计算机技术领域。本申请实施例可应用于云技术、人工智能、智慧交通、辅助驾驶、图像识别、语音识别等各种场景。该方法包括：基于多媒体数据表示模型，对多媒体数据的浮点向量进行转换，得到多媒体数据的目标二值向量；基于多媒体数据表示模型，对目标二值向量进行重建，得到重建浮点向量；对多媒体数据的浮点向量和重建浮点向量进行处理，得到目标二值向量对应的残差二值向量；采用递归的方式，对目标二值向量和目标二值向量对应的残差二值向量进行处理，得到用于表示多媒体数据的目标递归二值向量。上述方案，能够提高检索的准确性。

摘要：本申请公开了一种预训练模型的选择方法，可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。本申请包括：基于目标数据集合，通过预训练模型提取特征向量集合；根据特征向量集合和每个训练样本所属的类别标注标签，确定类间间隔矩阵和类内间隔矩阵；根据类间间隔矩阵确定正则化系数；根据正则化系数、类间间隔矩阵和类内间隔矩阵确定投影矩阵；根据投影矩阵、特征向量集合和每个训练样本所属的类别标注标签，确定预训练模型的模型性能评分；根据每个预训练模型的模型性能评分，选择若干预训练模型。本申请还提供了装置、设备及介质。本申请在不依赖分类器的情况下，也能构建用于评价预训练模型迁移能力的指标，由此实现模型选优。

摘要：本申请属于人工智能技术领域，具体涉及一种模型更新方法、视觉任务处理方法、装置、设备及介质。所述方法包括：将样本数据分别输入原始视觉特征提取模型和初始更新视觉特征提取模型进行视觉特征提取处理，得到原始视觉特征数据和初始更新视觉特征数据，并对初始更新视觉特征提取模型中的初始数据转换模型进行训练，得到目标更新视觉特征提取模型；将原始视觉特征提取模型更新为目标更新视觉特征提取模型，目标更新视觉特征模型用于提取视觉特征数据，视觉特征数据用于执行视觉任务。该模型更新方法提高了模型更新效率，并降低了模型更新成本。